买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：福建师范大学

摘要：本发明公开基于经验关系偏差纠正的鲁棒人脸超分辨处理方法及其系统，构建包含高分辨率人脸图像库及其对应多种降质的低分辨率人脸图像库的训练库；基于原始训练库模型和输入图像构建用于补充信息的低分辨率图像；在原始训练库中分别通过高分辨率和低分辨率两种渠道建立关联度经验值和个体值两种模型；通过关联度以输入图像的近邻为桥梁，计算个体偏移量，基于个体偏差计算求得低分辨率增广库的表达系数；根据表达系数和对应高分辨率增广库的块求得重建高分辨率图像块；根据位置i拼接高分辨率人脸图像块得高分辨率人脸图像。本发明可显著提高恢复图像的视觉感受，特别适用于低质量监控环境下人脸图像的恢复。

主权项：1.一种基于经验关系偏差纠正的鲁棒人脸超分辨处理方法，其特征在于：其包括以下步骤：S1：构建包含高分辨率人脸图像库及其对应的低分辨率人脸图像库的原始训练库，以及两种降质的增广库，S2：基于增广库中的备用训练库X1,X2,...,XN和输入的待处理人脸图像xin，采用局部分块打分的形式构建新的增广库；S2中在为低分辨率输入待处理图像xin重建高分辨率块时，取出位置i对应的待处理图像块以及位置i对应的低分辨率备用训练库块集合具体地分块步骤如下：S2-1，对xin中的每一张人脸图像进行无差别的均匀分块，分块窗口大小记为bb，交叠像素尺寸个数为dd，S2-2，假设每张人脸图像长度和宽度分别为imrow和imcol个像素，计算得出每张图像分块M＝U×V，计算公式如下：U＝ceilimrow-ddbb-ddV＝ceilimcol-ddbb-dd其中，U表示长度方向上分成的块数，V表示宽度方向上分成的块数，S2-3，设i表示位置标号，i＝1,2,3,...,M分别从低分辨率备用训练库X1,X2,...,XN获得的分块；S2-4，在特征空间上计算位置i上的块的降质种类标签label，即根据计算其到的最近距离敲定其对应的降质种类作位置i的标签，表示的梯度方向特征值；分别表示的判别特征；S2-4中在新的特征空间中构建用于降质类别判定的特征库，特征提取时将和低分辨率备用训练库块集合中的每一张图像块都提取其基于判别的特征，以构成新的特征库其中以便敲定标签；特征提取及标签敲定的具体步骤如下：S2-4-1，高斯差分迭代处理：通过循环m_i次高斯差分提取出轮廓强化信息并加和获得强化高斯差分信息其中FG·表示高斯滤波器，m1,...,mm_i和n1,...,nm_i表示高斯滤波的强度，且当下标相同时，mm_i≤nm_i，为高斯差分的结果，p＝1,2,…,m_i；S2-4-2，对待处理图像采用以下公式进行伽马校正， 其中，表示经过伽马处理之后的第I行第J列的像素，表示待处理图像第I行第J列的像素，gama表示伽马处理的强度；S2-4-3，将伽马校正的结果送入S2-4-1中再次高斯差分迭代处理得到强化高斯差分信息加和上作为新的S2-4-4，将新的提取梯度方向特征值获得S2-4-5，分别从中获取S2-4-6，计算到中位置i的每一个特征的距离之和，公式如下： … S2-4-7，选择其中最小值所代表的降质标签作为对应位置的降质种类标签；选择位置i上的最小距离值FinalDisi： S2-4-8，遍历i值计算出所有位置对应的降质标号得到一个N维向量Lin；统计Lin中每一种降质出现的频率，计算对应降质在后续生成增广矩阵的过程中所占的比重，计算方法为： 其中，sk表示对应第k种降质的权重，k＝1,2,...,N；S2-4-9，基于权重sk生成增广矩阵Xaug，计算公式如下 其中，Xaug表示增广矩阵，sk表示对应第k种降质的权重，Xk表示第k种降质的备用训练库；S3：在分块基础上分别为高分辨率人脸图像库和低分辨率人脸图像库做预处理，在高分辨率图像库和低分辨输入图像两个层面上分别求取每一个位置与其他位置块的经验关联度和输入图像的待测关联度，为后续基于关联度计算出个体偏差做数据准备；S3中第i个位置的图像块与其他所有位置的关联度的计算步骤如下：S3-1，设i表示位置标号，i＝1,2,3,...,M，则在位置i上有n个高分辨率样本块，即j代表样本数目；S3-2，对于任意一个计算在第j张人脸样本图像与其他所有块的距离向量计算公式如下： 其中，表示的第r个元素，r＝1,2,3,...,M；表示取块的纹理特征，表示取纹理特征操作；S3-3，遍历完位置i上的n个高分辨率样本块得n个与同规格的向量，并平均得到位置i到其余所有位置的平均距离记作M维向量Ri，即：S3-4，遍历i的所有位置取值后得到位置之间的一个全连接网络，该全连接网络中的关联度表示为向量集合S3-5，将关联度向量中弱关联度的连接全部去掉，留下关联度高的指定数目的连接；S3-5的具体步骤为：S3-5-1，对每一个Ri只保留最小的K个值，通过筛选只保留小于阈值t的值，表示为取出中的索引记为idi；S3-5-2，遍历所有i值后得到精简后的网络关联度向量集合记为：对应的索引向量集合记为S3-5-3，根据关联度网络计算出低质量训练样本库X对应的位置i上的图像块集合Xi中的每一个图像块与其所在的人脸块的关联度S4：为输入图像块的每一个近邻块计算出偏移量的向量，S5：基于个体偏差将输入待处理低分辨率图像xin投影至分类特征空间中，计算每一个块位置的超分辨率表达系数；S6：将超分辨率表达系数和权重向量投影回到高分辨率空间得到高分辨率空间重表达结果，公式记作按照位置变量i拼接高分辨率人脸图像块得高分辨率人脸图像yout；其中，表示恢复出来的高分辨率人脸图像yout在第i个位置上的图像块，ωi表示第i个图像块的权重系数向量；Yi表示高分辨率人脸库中所有图像取位置i的图像块组成的图像块集合。

全文数据：

权利要求：

百度查询： 福建师范大学 基于经验关系偏差纠正的鲁棒人脸超分辨处理方法及其系统