基于在线字典学习的人脸超分辨率重建

现代电子技术

Modern Electronics Technique

2017年7月1日第40卷第13期

Jul.2017Vol.40No.13

doi ：10.16652/j.issn.1004-373x.2017.13.015

0引言

在安全监控、授权、生物测量等人脸图像应用领域，人脸图像获取时的外部条件不尽相同，如大多数监控场景中，摄像头离监控对象较远，导致场景图像中人脸分辨率很低。因此需通过超分辨率重建等技术增强人脸分辨率，改善识别、建模等后续处理任务的效果[1]。为充分挖掘脸部的特殊结构，人脸超分算法大多运用稀疏编码方法，在局部图像子空间利用非负矩阵分解等算法解

决低分人脸超分问题[2]。文献[3]将人脸相关的超分方法称为“虚幻脸”，运用启发式方法建立基于图像金字塔的迭代预测模型，因先验不够准确和像素独立预测会产生图像不连续和伪影。文献[4]中的两步统计法整合了全局主成分分析（Principal Component Analysis ，PCA ）模型和局部块模型，前者用到的启发式模型对超分结果过度渲染，而后者又过于复杂。文献[5]中基于张量块和残差补偿的方法给人脸增加更多细节，但伪影也较明显。文献[6]从图像样本块学习得到多级局部约束，利用图像块修复方法恢复高分图像。文献[7]结合变形人脸模型和基于PCA 的超分框架，将基于PCA 的超分方法应用到低分输入图像的纹理和形状中，重建相应的高分纹理和形状，这两种方法与原图相差较大。文献[8]将人脸图像分为器官和面部轮廓两部分，前者通过精确的学习算

基于在线字典学习的人脸超分辨率重建

刘芳华，阮若林，王建峰，倪

浩

（湖北科技学院，湖北咸宁

437100）

摘

要：针对基于学习的人脸超分辨率算法噪点、伪影较多，且噪声鲁棒性较差的问题，提出一种基于在线字典学习的

人脸超分辨率重建算法。以人脸图集作为训练图库，运用在线字典学习方法提高字典训练的精度。独立调整字典学习阶段的正则化参数λt 和求解重建稀疏系数阶段的λr ，以获取最优的超完备字典和稀疏系数用于图像重建。实验结果表明，目标图像峰值信噪比比同一类型的稀疏编码超分法平均提高了0.85dB ，结构相似性增加了0.0133，有效地抑制了噪点和伪影。在含噪人脸图像应用中，噪声水平提高时，峰值信噪比下降相对较平缓，提升人脸超分效果的同时改善了算法的噪声鲁棒性。

关键词：在线字典学习；超分辨率重建；含噪人脸图像；稀疏编码中图分类号：TN911.73-34；TP391.9

文献标识码：A

文章编号：1004-373X （2017）13-0057-05

Human face super -resolution reconstruction based on online dictionary learning

LIU Fanghua ，RUAN Ruolin ，WANG Jianfeng ，NI Hao

（Hubei University of Science and Technology ，Xianning 437100，China ）

Abstract ：Aiming at the problems of more noisy points and artifacts ，and poor noise robustness existing in the learning -based human face super -resolution algorithm ，a human face super -resolution reconstruction algorithm based on online dictionary learning is proposed.The human face image set is taken as the training library.The online dictionary learning method is used to improve the accuracy of dictionary training.The regularization parameter λt of the dictionary learning phase is regulated indepen -dently ，and regularization parameter λr in the reconstruction stage of the sparse coefficients is solved to get the optimal overcom -plete dictionary and sparse coefficients for image reconstruction.The experimental results show that the peak signal -to -noise ratio

（PSNR ）of the target image of the proposed algorithm is 0.85dB higher and the structural similarity is 0.0133higher than that of the same type sparse coding super -resolution algorithm averagely ，which can restrain the noisy point and artifact effectively.The application result of noisy human face image shows that the PSNR is decreased smoothly when the noise level is increased ，

which can improve the robustness against noise while promoting the performance of face super -resolution.

Keywords ：online dictionary learning ；super -resolution reconstruction ；noisy human face image ；sparse coding

收稿日期：2016-08-16

基金项目：国家自然科学基金项目（61271256）；湖北省自然

科学基金项目（2015CFB452）；湖北省高等学校优秀中青年科技创新团队计划项目（T201513）；湖北省教育厅科研计划指导性项目（B2015080）

万方数据