一種面向識別的低分辨率人臉圖像特征超分辨率重建方法技術(shù)

一種面向識別的低分辨率人臉圖像特征超分辨率重建方法。其特征在于，算法分為兩個階段：離線階段和在線階段。所述離線階段包括，建立訓(xùn)練樣本庫、分辨率魯棒特征提取、一致性空間轉(zhuǎn)換、面向識別的P?KPLS(Piecewise?Kernel?Partial?Least?Squares，分段核偏最小二乘法)回歸模型訓(xùn)練和高分辨率人臉圖像特征庫的建立；所述在線階段包括，人臉圖像特征提取、一致性空間轉(zhuǎn)換、預(yù)測高分辨率人臉圖像特征、特征加權(quán)組合和識別。本發(fā)明專利技術(shù)采用機器學(xué)習(xí)的方法，通過學(xué)習(xí)低分辨率與高分辨率人臉圖像特征的對應(yīng)關(guān)系，將低分辨率人臉圖像特征重建為高分辨率人臉圖像特征，以提高低分辨率人臉圖像的人臉識別率。

【技術(shù)實現(xiàn)步驟摘要】

本專利技術(shù)涉及低分辨率人臉圖像識別領(lǐng)域，特別涉及一種面向識別的低分辨率人臉圖像特征超分辨率重建方法。
技術(shù)介紹
人臉識別一直是生物識別領(lǐng)域的研究熱點，在計算機、(應(yīng)用)數(shù)學(xué)、電子、自動化、可視化、虛擬現(xiàn)實、圖像處理與模式識別等學(xué)科都有較廣泛的研究，同時也在航空航天、氣象、刑事偵查、出入境關(guān)口管理、機場檢查等領(lǐng)域有著重要的應(yīng)用價值。人臉識別技術(shù)得到了快速發(fā)展，在眾多領(lǐng)域已經(jīng)普及應(yīng)用。高質(zhì)量的人臉圖像是大部分人臉識別算法取得高性能的前提條件。然而，在圖像獲取過程中，受到圖像采集設(shè)備、采集環(huán)境、噪聲等因素的影響，在接收終端呈現(xiàn)的圖像往往是低質(zhì)量的圖像。低分辨率是低質(zhì)量人臉圖像的主要降質(zhì)因素之一。低分辨率人臉圖像將會導(dǎo)致現(xiàn)有識別算法性能的急劇下降。因此，如何通過低質(zhì)圖像重建高質(zhì)量的圖像，進(jìn)一步進(jìn)行識別和應(yīng)用，一直以來都是人臉圖像識別領(lǐng)域中所致力解決的關(guān)鍵問題之一。針對監(jiān)控視頻中獲取的低分辨率人臉圖像問題，研究者開展了人臉圖像超分辨率重建技術(shù)研究。以基于學(xué)習(xí)的人臉圖像超分辨率重建技術(shù)為代表的一系列方法可有效提高低分辨率人臉圖像的質(zhì)量。但是，這些方法較多以提高圖像主觀質(zhì)量為目標(biāo)，設(shè)計思想中未能充分機器識別的問題。因此，這些方法的結(jié)果對人臉圖像機器識別率的影響并不顯著。本專利技術(shù)提出了一種面向識別的低分辨率人臉圖像特征超分辨率重建方法。采用基于學(xué)習(xí)的超分辨率重建方法由低分辨率人臉圖像的特征重建高分辨率人臉圖像特征，然后采用人臉識別方案進(jìn)行機器識別，提高低分辨率人臉圖像的識別率。
技術(shù)實現(xiàn)思路
本專利技術(shù)的目的在于，采用機器學(xué)習(xí)的方法，通過學(xué)習(xí)低分辨率與高分辨率人臉圖像特征的對應(yīng)關(guān)系，將低分辨率人臉圖像特征重建為高分辨率人臉圖像特征，以提高低分辨率人臉圖像的人臉識別率。本專利技術(shù)是采用以下技術(shù)手段實現(xiàn)的：一種面向識別的低分辨率人臉圖像特征超分辨率重建方法。其特征在于，算法主要分為兩個階段：離線階段和在線階段。所述離線階段包括，建立訓(xùn)練樣本庫、分辨率魯棒特征提取、一致性空間轉(zhuǎn)換、面向識別的P-KPLS(Piecewise Kernel Partial Least Squares，分段核偏最小二乘法)回歸模型訓(xùn)練和高分辨率人臉圖像特征庫的建立；所述在線階段包括，人臉圖像特征提取、一致性空間轉(zhuǎn)換、預(yù)測高分辨率人臉圖像特征、特征加權(quán)組合和識別。該方法具體包括以下步驟：(1)離線階段I：第一步，建立訓(xùn)練樣本庫。對于N幅高分辨率人臉圖像庫IHi表示第i幅高分辨率人臉圖像，進(jìn)行人臉五官歸一化，分別對齊眼睛，鼻子和嘴巴，再轉(zhuǎn)換為灰度圖；然后，通過K倍下采樣獲取每幅高分辨率人臉圖像對應(yīng)的低分辨率人臉圖像，接著，通過雙三次插值，使得低分辨率人臉圖像與高分辨率人臉圖像的尺寸相一致，此時獲得了N對五官對齊的高、低分辨率人臉圖像IHi表示第i幅高分辨率人臉圖像，ILi表示第i幅低分辨率人臉圖像；第二步，分辨率魯棒特征提取。在人臉五官對齊歸一化之后提取人臉圖像的特征，這里需要提取兩種特征：即PCA(Principal Component Analysis，主成分分析)特征和LBPH(Local Binary Pattern Histogram，局部二值化直方圖)特征。首先，通過如下公式(1)提取高分辨率人臉圖像的PCA特征：XHi＝(C)T(IHi-M) (1)其中，M表示訓(xùn)練數(shù)據(jù)中高分辨率人臉圖像的均值，XHi表示第i幅高分辨率人臉圖像的PCA系數(shù)，C表示高分辨率人臉圖像數(shù)據(jù)的變換矩陣，(C)T表示轉(zhuǎn)置矩陣，低分辨率人臉圖像的PCA特征通過如下公式(2)求得：XLi＝(C)T(ILi-M) (2)XLi表示第i幅低分辨率人臉圖像的PCA系數(shù)。最后，得到高、低分辨率人臉圖像的PCA特征所述算法，并不是將一幅人臉圖像的N維PCA特征全部用作識別，而是通過統(tǒng)計前Q(Q<N)維的特征的識別率的方法，選取識別率最高的前Q維特征；Q值選取具體操作方法如下：1)通過公式(1)(2)分別計算庫中的每幅高、低分辨率人臉圖像的PCA特征，對每對高、低分辨率人臉圖像的PCA特征提取前W維特征，可表示為XHi＝{xH1，xH2，...，xHW本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點】
一種面向識別的低分辨率人臉圖像特征超分辨率重建方法，其特征在于，分為兩個階段：離線階段和在線階段；所述離線階段包括，建立訓(xùn)練樣本庫、分辨率魯棒特征提取、一致性空間轉(zhuǎn)換、面向識別的P?KPLS分段核偏最小二乘法回歸模型訓(xùn)練和高分辨率人臉圖像特征庫的建立；所述在線階段包括，人臉圖像特征提取、一致性空間轉(zhuǎn)換、預(yù)測高分辨率人臉圖像特征、特征加權(quán)組合和識別；該方法具體包括以下步驟：(1)離線階段I：第一步，建立訓(xùn)練樣本庫；對于N幅高分辨率人臉圖像庫IHi表示第i幅高分辨率人臉圖像，進(jìn)行人臉五官歸一化，分別對齊眼睛，鼻子和嘴巴，再轉(zhuǎn)換為灰度圖；然后，通過K倍下采樣獲取每幅高分辨率人臉圖像對應(yīng)的低分辨率人臉圖像，接著，通過雙三次插值，使得低分辨率人臉圖像與高分辨率人臉圖像的尺寸相一致，此時獲得了N對五官對齊的高、低分辨率人臉圖像IHi表示第i幅高分辨率人臉圖像，ILi表示第i幅低分辨率人臉圖像；第二步，分辨率魯棒特征提取；在人臉五官對齊歸一化之后提取人臉圖像的特征，這里需要提取兩種特征：即PCA主成分分析特征和LBPH局部二值化直方圖特征；首先，通過如下公式(1)提取高分辨率人臉圖像的PCA特征：XHi＝(C)T(IHi?M)????(1)其中，M表示訓(xùn)練數(shù)據(jù)中高分辨率人臉圖像的均值，XHi表示第i幅高分辨率人臉圖像的PCA系數(shù)，C表示高分辨率人臉圖像數(shù)據(jù)的變換矩陣，(C)T表示轉(zhuǎn)置矩陣，低分辨率人臉圖像的PCA特征通過如下公式(2)求得：XLi＝(C)T(ILi?M)????(2)XLi表示第i幅低分辨率人臉圖像的PCA系數(shù)；最后，得到高、低分辨率人臉圖像的PCA特征通過統(tǒng)計前Q維的特征的識別率的方法，Q<N選取識別率最高的前Q維特征；Q值選取具體操作方法如下：1)通過公式(1)(2)分別計算庫中的每幅高、低分辨率人臉圖像的PCA特征，對每對高、低分辨率人臉圖像的PCA特征提取前W維特征，表示為XHi＝{xH1，xH2，...，xHW}，XLi＝{xL1，xL2，...，xLW}，采用最近鄰分類器，用低分辨率人臉圖像的PCA特征匹配高分辨率人臉圖像的PCA特征，計算當(dāng)選取圖像的前W個特征時的識別率，W的初始取值為10，xH1，XH2，...，xHW表示高分辨率人臉圖像的前W個PCA特征系數(shù)，xL1，xL2，...，xLW表示低分辨率人臉圖像的前W個PCA特征系數(shù)；2)W＝W+1，重復(fù)1)，直到W＝N?1；3)統(tǒng)計得到N?10個識別率，選取識別率最高的對應(yīng)的W作為Q；最后得到XHi＝{xH1，xH2，...，xHQ}，XLi＝{xLI，xL2，...，xLQ}，xH1，xH2，...，xHQ表示高分辨率人臉圖像的前Q個PCA特征系數(shù)，xL1，xL2，...，xLQ表示低分辨率人臉圖像的前Q個PCA特征系數(shù)；LBPH特征提取的具體方法為：首先，需要對一幅人臉圖像平均分為m×n個圖像塊，對于每一圖像塊，采用模式提取LBPH特征，u2表示統(tǒng)一模式，(8,2)表示近鄰區(qū)域；LBP特征提取首先定義為在3×3的窗口內(nèi)，以窗口中心像素為閾值，將相鄰的8個像素的灰度值與其進(jìn)行比較，若周圍像素值大于中心像素值，則該像素點的位置被標(biāo)記為1，否則為0；這樣，3×3鄰域內(nèi)的8個點經(jīng)比較產(chǎn)生8位二進(jìn)制數(shù)，再轉(zhuǎn)換為十進(jìn)制數(shù)，即得到該窗口中心像素點的LBP值；；然后，計算出每個塊的LBP特征圖譜；接著對每個塊的LBP特征圖譜計算直方圖，對該直方圖進(jìn)行歸一化處理；最后，將得到的每個塊的統(tǒng)計直方圖進(jìn)行連接成為一個特征向量，采用PCA對特征進(jìn)行降維，用Z?score進(jìn)行歸一化處理；分塊的數(shù)量m×n，以及LBPH特征保留維數(shù)，通過統(tǒng)計前V維數(shù)特征識別率的方法，V<N，選取識別率最高的前V維特征以及m、n的值；m、n值選取具體操作方法如下：1)分別對選取庫中的每幅高、低分辨率人臉圖像平均分為a×b塊，計算每幅圖像的LBPH特征，進(jìn)一步，采用PCA降維，采用最近鄰分類器，用低分辨率人臉圖像的LBPH特征匹配高分辨率人臉圖像的LBPH特征，計算分塊數(shù)量為a×b時的識別率，a，b的初始取值為3，4；2)增加分塊數(shù)量，a＝2*a，b＝2*b，重復(fù)1)，直到圖像的寬度除以a的值小于10；3)統(tǒng)計得到多個識別率，選取識別率最高的對應(yīng)的分塊數(shù)量a，b作為m，n；V值選取具體操作方法如下：1)根據(jù)分塊數(shù)量m，n分別計算庫中的每幅高、低分辨率人臉圖像的LBPH特征，并PCA降維，對每對高、低分辨率人臉圖像的LBPH特征提取前G維特征，表示為YHi＝{yH1，yH2，...，yHG}，YLi＝{yL1，yL2，...，yLG}，采用最近鄰分類器，用低分辨率人臉圖像的LBPH特征匹配高分辨率人臉圖像的LBPH特征，計算當(dāng)選取圖像的前G個特征時的識別率，G的初始取值為10，yH1，yH2，....

【技術(shù)特征摘要】
1.一種面向識別的低分辨率人臉圖像特征超分辨率重建方法，其特征在于，分為兩個階段：離線階段和在線階段；所述離線階段包括，建立訓(xùn)練樣本庫、分辨率魯棒特征提取、一致性空間轉(zhuǎn)換、面向識別的P-KPLS分段核偏最小二乘法回歸模型訓(xùn)練和高分辨率人臉圖像特征庫的建立；所述在線階段包括，人臉圖像特征提取、一致性空間轉(zhuǎn)換、預(yù)測高分辨率人臉圖像特征、特征加權(quán)組合和識別；該方法具體包括以下步驟：(1)離線階段I：第一步，建立訓(xùn)練樣本庫；對于N幅高分辨率人臉圖像庫IHi表示第i幅高分辨率人臉圖像，進(jìn)行人臉五官歸一化，分別對齊眼睛，鼻子和嘴巴，再轉(zhuǎn)換為灰度圖；然后，通過K倍下采樣獲取每幅高分辨率人臉圖像對應(yīng)的低分辨率人臉圖像，接著，通過雙三次插值，使得低分辨率人臉圖像與高分辨率人臉圖像的尺寸相一致，此時獲得了N對五官對齊的高、低分辨率人臉圖像IHi表示第i幅高分辨率人臉圖像，ILi表示第i幅低分辨率人臉圖像；第二步，分辨率魯棒特征提??；在人臉...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李曉光，賈廣恒，卓力，孫旭，
申請(專利權(quán))人：北京工業(yè)大學(xué)，
類型：發(fā)明
國別省市：北京;11