基于2DSVD的人脸图像超分辨率重建算法研究

摘要

人脸图像作为人体最主要的生物特征之一，具有易于获取、直观方便等特点，因此被广泛应用于公共安全监控系统、人机交互系统和安全验证系统等实际应用中。但是实际获取的人脸图像由于受到成像距离、成像环境以及成像设备的影响，导致其分辨率严重下降，给重要目标的识别和处理带来了困难。所以利用超分辨率重建技术提高人脸图像的分辨率是国内外非常重要的研究课题之一。
　　目前，基于位置块的人脸图像超分辨重建算法因其简单有效而受到广泛关注。这类算法在无噪情况下能够重建出比较满意的结果，但在噪声环境下，重构效柴明显下降，特别是图像的细节严重丢失。针对现有基于位置块的重建算法在噪声情况下存在的问题，本文进行了如下两方面的研究：
　　(1)基于2D SVD和稀疏表示的人脸图像超分辨率重建算法
　　首先本文提出了基于2D SVD和稀疏表示的人脸图像超分辨率重建算法。2D SVD变换直接基于图像的二维结构特征，凶此其能够准确的获取图像的内部特征，并且还能有效的将图像的主要特征与噪声分量分离开米。因此，本文将2D SVD引入到基于位置块的人脸图像超分辨率重建算法中。首先，对图像位置块进行2D SVD变换，将变换得到的图像位置块的主要分量进行超分辨率重建，这样可以有效的克服噪声对算法的影响，增强了算法的鲁棒性：然后，利用稀疏表示理论中变换系数的1-范数作为正则项，可以准确的重建出人脸图像信号。最后，通过仿真实验，与一些具有代表性的算法进行对比，验证了该算法的有效性，它能够在抑制噪声的情况下，获得较为满意的重建效果。
　　(2)基于2D SVD和相似性正则化最小二乘模型的人脸图像重建算法
　　在前一个研究工作的基础上，本文进一步提出了基于2D SVD和相似性正则化最小二乘模型的人脸图像超分辨率重建算法。由于人脸图像位置块间具有高度的相似性，使得这类信号间的相似性比稀疏性更加重要。因此，本文在前一个算法的基础上加入了相似性约束，加入相似性约束的新模型可以获取更加准确的表达系数，重建出的高分辨率人脸图像更加接近原始场景的人脸图像。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1引言

1.2 人脸超分辨率的研究背景及意义

1.3 课题的国内外研究现状

1.4 论文的章节安排

1.5 论文的主要研究工作及创新点

2 图像退化过程和超分辨率重建的理论知识

2.1 引言

2.2 图像超分辨率重建的理论基础

2.3 人脸超分辨率重建算法分析

2.4 本文使用的算法性能评价准则

2.5 本章小结

3 二维奇异值分解（2D SVD）模型

3.1 引言

3.2 2D SVD的基本原理和实现步骤

3.3 SVD 和2D SVD的对比

3.4 2D SVD最优特性的分析

3.5本章小结

4 基于2D SVD和稀疏表示的人脸超分辨率重建算法研究

4.1 引言

4.2 算法分析

4.3 基于2D SVD和稀疏表示的位置块人脸超分辨率重建算法

4.4 实验仿真与结果分析

4.6 本章小结

5 基于2D SVD和相似性正则化的最小二乘模型及应用

5.1 引言

5.2 算法介绍

5.3 实验仿真与结果分析

5.4 本章小结

6 总结与展望

6.1 研究总结

6.2 研究展望

致谢

参考文献

参与科研项目及成果