【摘要】 本发明公开了一种基于核主成分分析的人脸超分辨率重构方法，首先利用核主成分分析算法建立了低分辨率特征空间和低分辨率特征空间的关系，利用这种关系学习出与输入低分辨率人脸图像所对应的高分辨率人脸图像在高分辨率特征空间中的象到高分辨率核主成分子空间投影的近似，然后采用Mika等人的迭代原象学习算法从高分辨率特征空间中获得高分辨率原象，针对高分辨率全局人脸图像过于平滑、缺少细节信息的现象，本发明还对高分辨率全局人脸图像进行了残差补偿，本发明采用了核主成分分析方法来建立不同分辨率图像之间的联系，跟线性方法相比，核主成分分析方法是一种非线性方法，能够学习出数据的线性和非线性特征，所以重构的图像更接近原图。 【专利类型】发明授权 【申请人】中山大学 【申请人类型】学校 【申请人地址】510275 广东省广州市新港西路135号 【申请人地区】中国 【申请人城市】广州市 【申请人区县】海珠区 【申请号】CN200810028874.2 【申请日】2008-06-18 【申请年份】2008 【公开公告号】CN101299235B 【公开公告日】2010-06-02 【公开公告年份】2010 【授权公告号】CN101299235B 【授权公告日】2010-06-02 【授权公告年份】2010.0 【IPC分类号】G06K9/00 【发明人】赖剑煌; 邹耀贤; 郑伟诗 【主权项内容】一种基于核主成分分析的人脸超分辨率重构方法，其特征在于包括下述步骤：(一)对训练图像进行人脸对齐，对齐后作为高分辨率训练样本；再通过模糊、降采样得到对应的低分辨率训练样本；(二)将高分辨率训练样本及对应的低分辨率训练样本分成两个部分，其中，一部分用于全局模型的训练；另一部分用于残差补偿的训练，并将残差补偿的低分辨率训练样本作为全局模型的低分辨率测试样本；(三)对于低分辨率测试样本，通过核主成分分析，计算其在低分辨率特征空间中的象到低分辨率核主成分子空间的投影；(四)构造与低分辨率测试样本所对应的高分辨率图像在高分辨率特征空间中的象到高分辨率核主成分子空间投影的近似；(五)利用迭代原象学习算法重构出高分辨率全局人脸图像；(六)通过计算高辨率残差脸和对应的低分辨率残差脸并对其进行分块，构造低分辨率残差块训练库和高分辨率残差块训练库，求得测试图像的高分辨率残差脸来对重构的高分辨率全局人脸图像进行残差补偿；(七)将(五)中得到的高分辨率全局人脸加上(六)中的高分辨率残差脸，得到最终的高分辨率人脸图像。 【当前权利人】中山大学 【当前专利权人地址】广东省广州市新港西路135号 【统一社会信用代码】121000004558631445 【引证次数】4.0 【自引次数】3.0 【他引次数】1.0 【家族引证次数】4.0 【家族被引证次数】27
