本发明专利技术涉及基于超分辨率重建技术的低分辨率人脸图像的重建方法，属于图像处理领域，本发明专利技术包括：对原始图像进行基于人脸三点定位的归一化，得到待重建的归一化人脸图像；再通过生成训练集，对待重建的低分辨率图像进行去噪并通过模糊度估计确定学习样本，通过LLE学习得到最终重建出的高分辨率图像。本发明专利技术采用的人脸图像的归一化方法不仅准确，而且和训练集的归一化方法一致，提升了低分辨率人脸图像的准确性。再采用基于低频分量的超分辨率人脸图像的重建方法，制作出低分辨率人脸图像的大尺寸重建像，较好地解决了低分辨率人脸图像的重建难题。
【技术实现步骤摘要】
本专利技术属于图像处理领域，特别涉及一种制作低分辨率人脸重建像的方法。
技术介绍
当前，视频监控得到了迅速的发展，在安防工作中发挥了越来越重要的作用。在视频监控的图像中，记录了许多与案件有关的人像信息。但是，由于视频监控的涉案人脸图像往往很小，因此无法分辨涉案人，致使许多案件的办案工作陷入了困境。这种小人脸图像的本质问题是人脸分辨率低的问题。低分辨率人脸图像的重建技术是公安部门办案工作急需 的关键技术。本专利技术所指人脸图像，限定为正面人脸图像(下同)。包括人的头顶之下、颏底线之上、左耳到右耳之间的部分(参见中华人民共和国公共安全行业标准GA/T893-2010“安防生物特征识别应用术语”)。专利号为ZL 2005 I 0067692. X的专利公开一种人脸几何尺寸归一化的方法SP基于人脸几何尺寸归一化的人脸图像识别方法中的人脸三点归一化方法。确定图像中人脸的左、右眼和颌下点的坐标，并按三点归一化方法生成标准的尺寸的归一化低分辨率人脸图像。目前常用的超分辨率人脸图像重建的方法为利用一个包含成对的高分辨率图像及其对应的低分辨率图像的数据集作为训练库。将待重建的含有低分辨率人脸的图像分为若干小块，对待重建的低分辨率图像中的每一个小块，通过LLE表示成训练库中所有低分辨率图像对应位置小块的线性组合，然后使用相同的线性组合权重对训练库中相应高分辨率图像对应位置的小块进行组合，得到重建后的超分辨图像对应位置的小块。将得到的重建后的超分辨图像对应位置的小块进行拼接，块与块之间有少量的重叠，重叠的部分取平均值。最后得到整个重建后的超分辨大图。该方法虽然能对超低分辨率图像进行重建，但是，其直接在时域中进行流形学习，局部几何结构相似度不高，流行学习效果较差。此外其重建过程中受光照及噪声影响较大，未对超低分辨率人脸图像进行配准，对实际场景中的超分辨率图像重建效果较差。
技术实现思路
本专利技术的目的是为克服已有技术的不足之处，提出了一种，较好地解决了低分辨率人脸图像的重建难题。一种，其特征在于，包括以下步骤I)对原始图像进行基于人脸三点定位的归一化，得到待重建的归一化人脸图像，具体包括I. I)对含有低分辨率人脸图像的原始图像进行裁剪，裁剪出包含低分辨率人脸图像的矩形区域，得到低分辨率人脸图像；该区域左上、左下、右上、右下4个顶点在原始图像中坐标分别为Cm1,叫)、Cm1, n2)、(m2,叫)、(m2, n2), m、n分别表示坐标系中的点的横坐标和纵坐标；I. 2)对I. I)中得到的低分辨率人脸图像进行等比放大，放大倍率为KXK，放大后图像的高度为 L, L = KX Oi2-Ii1), k 满足K 彡 150/ Oi2-Ii1)；I. 3)对放大后的低分辨率人脸图像采用基于人脸三点定位的归一化方法进行归一化，得到一幅待重建的标准尺寸的归一化人脸图像；I. 31)在放大后的低分辨率人脸图像a上确定左眼球上的一点A的坐标(xn，yn)、右眼球上的一点B的坐标位置(x21，J21),通过A、B两点做直线L1,并确定下颌点Ctl坐标权利要求1.一种，其特征在于，包括以下步骤 1)对原始图像进行基于人脸三点定位的归一化，得到待重建的归一化人脸图像，具体包括 1.1)对含有低分辨率人脸图像的原始图像进行裁剪，裁剪出包含低分辨率人脸图像的矩形区域，得到低分辨率人脸图像；该区域左上、左下、右上、右下4个顶点在原始图像中坐标分别为Cm1,叫)、Cm1, n2)、(m2,叫)、(m2, n2), m、n分别表示坐标系中的点的横坐标和纵坐标； .1.2)对I. I)中得到的低分辨率人脸图像进行等比放大，放大倍率为KXK，放大后图像的高度为 L, L = KX Oi2-Ii1)，k 满足K 彡 150/ ( -]!)； .1.3)对放大后的低分辨率人脸图像采用基于人脸三点定位的归一化方法进行归一化，得到一幅待重建的标准尺寸的归一化人脸图像； .1.31)在放大后的低分辨率人脸图像a上确定左眼球上的一点A的坐标(xn，yn)、右眼球上的一点B的坐标位置(x21, y21),通过A、B两点做直线L1,并确定下颌点Cci坐标(Xtll, y01),按放大倍率K将三点的坐标对应至原裁剪图像坐标，分别为(Xl，yi)，(x2, y2), (x0, y0)； .1.32)对原始图像进行基于人脸几何尺寸归一化的人脸图像识别方法中的人脸三点归一化方法，得到尺寸为HXW的待重建的归一化人脸图像，其中H，W满足下式全文摘要本专利技术涉及，属于图像处理领域，本专利技术包括对原始图像进行基于人脸三点定位的归一化，得到待重建的归一化人脸图像；再通过生成训练集，对待重建的低分辨率图像进行去噪并通过模糊度估计确定学习样本，通过LLE学习得到最终重建出的高分辨率图像。本专利技术采用的人脸图像的归一化方法不仅准确，而且和训练集的归一化方法一致，提升了低分辨率人脸图像的准确性。再采用基于低频分量的超分辨率人脸图像的重建方法，制作出低分辨率人脸图像的大尺寸重建像，较好地解决了低分辨率人脸图像的重建难题。文档编号G06K9/66GK102968775SQ20121043537公开日2013年3月13日 申请日期2012年11月2日 优先权日2012年11月2日专利技术者苏光大, 任小龙, 苏楠 申请人:清华大学本文档来自技高网...
【技术保护点】
一种基于超分辨率重建技术的低分辨率人脸图像的重建方法，其特征在于，包括以下步骤：1）对原始图像进行基于人脸三点定位的归一化，得到待重建的归一化人脸图像，具体包括：1.1）对含有低分辨率人脸图像的原始图像进行裁剪，裁剪出包含低分辨率人脸图像的矩形区域，得到低分辨率人脸图像；该区域左上、左下、右上、右下4个顶点在原始图像中坐标分别为：（m1，n1）、（m1，n2）、（m2，n1）、（m2，n2），m、n分别表示坐标系中的点的横坐标和纵坐标；1.2）对1.1）中得到的低分辨率人脸图像进行等比放大，放大倍率为K×K，放大后图像的高度为L，L＝K×(n2？n1)，k满足：K≥150/(n2？n1)；1.3）对放大后的低分辨率人脸图像采用基于人脸三点定位的归一化方法进行归一化，得到一幅待重建的标准尺寸的归一化人脸图像；1.31）在放大后的低分辨率人脸图像a上确定左眼球上的一点A的坐标（x11,y11）、右眼球上的一点B的坐标位置（x21,y21），通过A、B两点做直线L1，并确定下颌点C0坐标（x01,y01），按放大倍率K将三点的坐标对应至原裁剪图像坐标，分别为（x1,y1），（x2,y2），（x0,y0）；1.32）对原始图像进行基于人脸几何尺寸归一化的人脸图像识别方法中的人脸三点归一化方法，得到尺寸为H×W的待重建的归一化人脸图像，其中H，W满足下式：H=64,(n2-n1)≥6432,64>(n2-n1)≥3216,32>(n2-n1)≥16,---(1)W=Hx3/4；2）对待重建的标准尺寸的归一化人脸图像进行基于低频分量的超分辨率人脸图像的重建得到512×384高分辨率图像：2.1）生成训练集:2.11）将不低于100幅的清晰正面人脸图像作为训练集的图像；2.12）采用人脸三点定位归一化方法将训练集中的每一幅图像变为512×384的标准分辨率人脸图像；2.13）对每一幅512×384的标准分辨率图像使用9？7滤波器下采样生成32×24，64×48，128×96，256×192，512×384的五种清晰的分辨率样本，再对每一幅512×384的标准分辨率图像使用高斯金字塔滤波器下采样生成32×24的模糊的分辨率样本；2.14）对64×48，128×96，256×192，512×384的四种清晰的分辨率样本用9？7滤波器组进行拉普拉斯金字塔分解提取高频分量并保存，作为高分辨率图像小波系数样本；2.15）对32×24，64×48，128×96，256×192四种清晰的分辨率样本进行最邻近插值与双三次线性插值，取两者平均，用9？7滤波器组进行拉普拉斯金字塔分解提取它们的高频分量并保存，作为清晰的低分辨率图像小波系数样本，同时对模糊的32×24分辨率样本进行最邻近插值与双三次线性插值，取两者平均，用9？7滤波器组进行拉普拉斯金字塔分解提取其高频分量并保存，作为模糊的32×24低分辨率图像小波系数样本；2.2）对待重建的低分辨率图像进行去噪并通过模糊度估计确定学习样本：2.21）对归一化后的待重建的32×24低分辨率图像进行去噪；步骤如下：对待重建图像进行拉普拉斯金字塔分解，计算出其所有高频系数绝对值的中位数σ作为噪声标准差估计值，根据经典去噪算法以λσ为阈值进行去噪，λ为经验系数，取值范围为0.05＜λ＜0.3；2.22）进行模糊程度估计，算出模糊程度系数：u=ΣhΣi,---(2)∑h为待重建的低分辨率图像的高频系数绝对值之和，∑i为去噪后的待重建的32×24低分辨率图像像素值之和；2.23）根据模糊程度系数u选取学习样本：u＜0.05，时学习采用模糊的32×24样本，u≥0.05时采用清晰的32×24样本；2.3）通过LLE学习得到最终重建出的高分辨率图像：2.31）从32×24到64×48放大:2.31.1）将于2.21）中得到的去噪后的32×24低分辨率图像的像素值直接作为重建出的64×48高分辨率图像的低频系数；2.31.2）对去噪后的32×24低分辨率图像进行最邻近插值与双三次线性插值，取两者平均，用9？7滤波器组进行拉普拉斯金字塔分解得到其高频系数；2.31.3）将去噪后的32×24低分辨率图像分割为大小为s×t的小块，s取值范围为4~8，t取值范围为8~12，相邻小块间有（s？1）×（t？1）的重叠；2.31.4）利用LLE学习得到2.31.3）中分割出的小块对应位置的64×48高分辨率 小块的高频系数：令yLR为单个于...
【技术特征摘要】
【专利技术属性】
技术研发人员：苏光大，任小龙，苏楠，
申请(专利权)人：清华大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。