[发明专利]一种基于学习的单帧人脸图像超分方法及装置

说明书

本发明涉及图像处理技术领域，提供了一种基于学习的单帧人脸图像超分方法及装置，该方法包括：根据训练用的高分辨率图像及对应的低分辨率图像分别建立低分辨率字典和高分辨率字典，其中所述低分辨率图像由所述高分辨率图像降采样后获得；根据所述低分辨率字典计算特征空间下的低分辨率字典，根据测试用的低分辨率图像计算特征空间下的低分辨率输入的新特征，并计算通过特征空间下的低分辨率字典训练得到的编码系数；基于所述编码系数和高分辨率字典重建超分后的高分辨率图像。本发明可以满足对低分辨率人脸的高分辨率显示，从而提升人脸识别的准确率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于学习的单帧人脸图像超分方法及装置。

背景技术

目前我们的现实生活中应用了很多识别算法，而这些识别算法大多依赖于人体的一些生物特征，如指纹、虹膜、静脉、人脸等等。虽然这些生物特征都有自己的特性，但是面临着如何采集到满足算法的实验样本的困难。如指纹识别，虽然与其相关的算法已经得到了广泛的应用，接触式采集的本质造成了采集样本的不确定性，所以关于指纹的精确采集仍然是现在难题，而且目前使用的一些指纹采集器有成本偏高，无法大规模使用的问题。虹膜识别虽然以其高精度的识别率而著称，甚至还有人因为这个原因把它与银行支付相关联，但是目前市场上仍然很难看到一款低成本的虹膜采集器。静脉识别面临着同样的问题，因为它还需要强光才能把人的静脉显示出来，这进一步提高了数据采集的难度。

人脸识别却可以在一定程度上克服这些问题，因为人脸不但有有采集非接触性、采集非强制性这些有利于数据采集的特征，而且还具有唯一性、特征丰富性等这些有利于识别的特征，所以最近几年人脸识别已经越来越得到重视。不过人脸虽然有上面的多种特性，而且人脸图像的获取因为数码照相爆炸式的发展也越来越容易，可是并不代表人脸识别就是一个极其理想的识别系统。这不但因为算法的鲁棒性的问题，而且很大原因上是因为自然环境中拍摄人脸时有各种各样的场景，其中一个最不利于人脸识别的场景就是低分辨率的问题。因此人脸超分是目前一个重要的研究方向。

发明内容

本发明要解决的技术问题在于，针对现有技术中的上述缺陷，提供了一种基于学习的单帧人脸图像超分方法及装置。

为了解决上述技术问题，本发明提供了一种基于学习的单帧人脸图像超分方法，包括：

根据训练用的高分辨率图像及对应的低分辨率图像分别建立低分辨率字典和高分辨率字典，其中所述低分辨率图像由所述高分辨率图像降采样后获得；

根据所述低分辨率字典计算特征空间下的低分辨率字典，根据测试用的低分辨率图像计算特征空间下的低分辨率输入的新特征，并计算通过特征空间下的低分辨率字典训练得到的编码系数；

基于所述编码系数和高分辨率字典重建超分后的高分辨率图像。

可选地，所述根据训练用的高分辨率图像及对应的低分辨率图像分别建立低分辨率字典和高分辨率字典，包括：

对高分辨率图像及对应的低分辨率图像进行分块，得到相同数量的高分辨率块和低分辨率块；

以表示建立的高分辨率字典，表示建立的低分辨率字典，其中d_h，d_l分别表示高分辨率块的大小和低分辨率块的大小，N表示训练样本的个数，x_k和y_k分别表示由高分辨率块和低分辨率块中的像素构成的列向量。

可选地，所述根据所述低分辨率字典计算特征空间下的低分辨率字典，包括：

通过以下公式计算特征空间下的低分辨率字典D_new-l：