[发明专利]一种基于上下文信息的非线性拓展的人脸幻构方法

摘要

本发明公开了一种基于上下文信息的非线性拓展的人脸超分辨率方法，该方法首先通过上下文块对上下文信息进行抽样，以丰富人脸图像表示的先验信息，并在正则化目标函数时利用设置阈值对上下文字典进行降维，然后利用高斯核函数将原始数据转化为核空间，通过协作表示建立高低分辨率图像之间的非线性关系，最后采用上下文残差学习重建出待测图像。本方法通过高斯核函数建立高低分辨率图像之间的非线性映射，并将高维特征空间中的非线性问题表示为线性问题。此外，它还使用上下文残差学习来获得更准确的图像表示的先验信息，提高了重建的性能。

主权项

1.一种基于上下文信息的非线性拓展的人脸幻构方法，其特征在于，包括以下步骤：S1，根据训练集中的高分辨率人脸图像获得残差字典：对训练集中的高分辨率人脸图像进行加模糊下采样得到对应的低分辨率人脸图像，再将低分辨率人脸图像插值到与原高分辨率人脸图像同样的大小后，对高分辨率人脸图像和低分辨率人脸图像通过上下文块对上下文信息进行重叠取块，形成相应的上下文HR字典和上下文LR字典其中，N表示训练样本个数；然后将高分辨率字典减去低分辨率字典得到残差字典；S2，运用高斯核函数，将低分辨率字典转换到内核空间，得到在内核空间的低分辨率字典S3，将测试集中的低分辨率测试人脸图像插值到与高分辨率人脸图像同样的大小，然后对插值后的低分辨率测试人脸图像进行取块后，运用高斯核函数，将其转换到内核空间，使测试图像和训练样本保持在同一空间；S4，对于对插值后的低分辨率测试人脸图像，使用协作表达和设置阈值求出在低分辨率空间的最优表达系数矩阵；S5，根据流形一致性假设，将低分辨率协作表达系数保持在高分辨率空间，也即是高低分辨率空间的表达系数相同，得出重建时的权重系数矩阵；S6，利用步骤S5得到的重建系数矩阵和步骤S1得到的残差字典进行线性组合，预测出测试集中的低分辨率测试人脸图像的残差图像；S7，将插值后的低分辨率测试人脸图像与步骤S6得到的残差图像相加得到最终的重建高分辨率人脸图像。