[发明专利]一种基于局部保持典型相关分析的幻觉脸方法

说明书

本发明公开了一种基于局部保持典型相关分析的幻觉脸方法，包括利用局部保持典型相关分析计算高分辨率和低分辨率主成分特征的一致相关特征，利用逆变换将低分辨率人脸图像对应的高分辨率特征重建为全局高分辨率人脸图像；在此基础上，建立高分辨率和低分辨率人脸残差图像并将残差图像分块，利用局部保持典型相关分析抽取高分辨率和低分辨率残差图像块的一致特征，采用逆变换得到高分辨率残差图像块，通过平均重叠区域，组合所有高分辨率残差图像块形成高分辨率残差图像；组合全局高分辨率人脸和高分辨率残差图像，最终得到超分辨率人脸图像。本发明利用局部保持典型相关分析，克服了传统方法不能处理高分辨率和低分辨率图像之间非线性关系的问题。

技术领域

本发明涉及图像处理领域，特别涉及一种基于局部保持典型相关分析的幻觉脸方法。

背景技术

局部保持的典型相关分析(Locality Preserving Canonical CorrelationAnalysis，LPCCA)是一种能够解决大量非线性问题的新型算法。它通过局部线性的方法达到解决非线性问题的目的，不但能保持各样本集的局部结构信息，而且能够得到两组样本之间的最大化相关信息。在本发明中，考虑到高分辨率和低分辨率人脸图像来自相同的人，因此它们之间自然地具有相关关系，所以采用局部保持典型相关分析来增强这种关系。

监控视频中，人脸是最重要的身份特征之一。但是，由于天气、光照等复杂环境和成像设备距离目标较远等因素影响，监控视频中捕捉到的人脸图像往往呈现出较低质量和分辨率，从而导致诸如人脸识别等后续任务的学习性能急剧下降。

为了解决上述问题，近年来许多幻觉脸(人脸超分辨率)方法已被提出。流形学习理论假设高分辨率空间中的人脸图像与低分辨率空间中的人脸图像局部同胚，因此高分辨率图像可以由低分辨率人脸图像重建得到。基于这个假设，受局部邻域嵌入(LLE)方法启发，Chang等人提出了基于邻域嵌入的图像超分辨率方法。随后Ma等人发现用相同位置的图像块来重建高分辨率图像会达到更好的效果。Jung等人指出当训练图像块的数量大于训练块向量的维度时，解决最小二乘问题可能会出现多个解，因此他们提出用凸优化来解决这个问题，达到了很好的重建效果。

与基于图像块的重建方法不同，现有一些方法常采用数据降维策略来减少噪声干扰和计算消耗。但是在缩减图像维度的过程中，会不可避免地丢掉一些重要的人脸细节信息。当前，结合全局策略和图像块残差补偿的方法通常比简单的全局重建方法效果更好。Huang等人提出了一种基于典型相关分析的人脸图像超分辨率重建方法，但此方法本质上是一个线性学习方法，并不能很好地描述高分辨率和低分辨率人脸图像间的非线性关系。

发明内容

本发明的目的是克服现有技术缺陷，提供一种基于局部保持典型相关分析的幻觉脸方法，使得高分辨率和低分辨率图像之间的非线性关系可以通过加入局部信息来刻画。

本发明的目的是这样实现的：一种基于局部保持典型相关分析的幻觉脸方法，包括以下步骤：

步骤1全局人脸重构；

1-1采用主成分分析提取高分辨率和相应低分辨率人脸图像的主成分特征，得到高分辨率和低分辨率图像的两组特征；

1-2利用局部保持典型相关分析为高分辨率和低分辨率人脸特征学习一致相关子空间，并将其投影到潜在一致子空间；

1-3在局部保持典型相关分析子空间中采用邻域重构策略由低分辨率特征重建高分辨率特征，利用逆变换，将重建的高分辨率特征恢复成全局高分辨率人脸图像；

步骤2残差补偿；

2-1建立高分辨率和低分辨率人脸残差图像并将残差图像分块；

2-2采用局部保持典型相关分析对于同一位置的高分辨率和低分辨率图像块学习局部保持典型相关分析一致子空间，将其投影到局部保持典型相关分析空间；