非负特征基约束的人脸超分辨率  

Face Super-resolution with Non-negative Featrue Basis Constraint

作　　者：兰诚栋[1,2] 胡瑞敏[1,3] 韩镇[3] 卢涛[1] 

机构地区：[1]武汉大学国家多媒体软件工程技术研究中心,湖北武汉430072 [2]武汉大学软件工程国家重点实验室,湖北武汉430072 [3]武汉大学计算机学院,湖北武汉430072

出　　处：《小型微型计算机系统》2011年第2期347-350,共4页Journal of Chinese Computer Systems

基　　金：国家"九七三"重点基础研究发展计划基金项目(2009CB320906)资助;国家自然科学基金项目(60772106;60970160)资助;公安部重点攻关计划(2008ZDXMHBST011);软件工程国家重点实验室开放基金(902110360)资助

摘　　要：主成分分析(PCA)是人脸超分辨率中常用的人脸图像表达方法,但是PCA方法的特征是整体的且难以语义解释.为了使表达的结果更好地用于合成超分辨率人脸图像,提出一种非负特征基约束的人脸超分辨率算法.该算法利用非负矩阵分解(NMF)获取样本人脸图像的非负特征基,结合最大后验概率的方法,对目标图像进行马尔可夫随机场正则约束,最速下降法优化得到高分辨率人脸图像的非负特征基系数.实验结果表明,在主客观质量上,非负特征基约束的人脸超分辨率算法的性能胜过基于PCA的算法.Principal Component Analysis （ PCA ） is commonly used for human face images representation in face super-resolution. But the features extracted by PCA are holistic and difficult to have semantic interpretation. In order to synthesize a better super-resolution face image with the results of the face images representation, we propose face a super-resolution algorithm with non-negative featrue basis constraint. The algorithm uses the NMF to obtain non-negative featrue basis of face sample images, and the target image is regu- larized by Markov random fields, with maximum a posteriori probability approach. Finally, the steepest descent method is used to op- timize non-negative featrue basis coefficient of high-resolution image. Experimental results show that, in the subjective and objective quality, the face super-resolution algorithm with non-negative feature basis constrait performs better than PCA-based algorithms.

关 键 词：人脸超分辨率 幻觉脸 非负矩阵分解 主成分分析 马尔可夫随机场 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]