1.一种基于双核范数正则的多姿态人脸图像质量增强方法,其特征在于,包括以下具体步骤:步骤1,以图像中每个像素位置为中心,获取低质量测试图像和低质量训练样本图像各个像素位置的图像块;
步骤2,对低质量测试图像中的每个图像块,运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示;
步骤3,在保持表示系数不变的情况下,用高质量训练样本图像块替换低质量训练样本图像块,从而获得低质量测试图像块对应的高质量测试图像块;
步骤4,对步骤3中高质量测试图像块进行串联和整合,从而获得高质量的测试图像。
2.根据权利要求1所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法,其特征在于,步骤2中对低质量测试图像中的每个图像块,运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示,具体为:y=x1A1+x2A2+…+xNAN+E其中,y是低质量测试图像块;Ai是第i个低质量像素训练样本图像中对应位置的图像块,i={1,2,…,N},N是训练样本图像个数;xi是表示系数向量x中的第i个元素值;E是表示残差项;
表示系数向量x根据以下模型求解得到:其中,||·||*表示矩阵的核范数,即矩阵的所有奇异值的和;M表示行矫正矩阵;y表示低质量测试图像块矩阵;A(x)=x1A1+x2A2+…+xNAN表示从空间 到 的一个线性映射;α表示第一正则化参数;H=[Vec(A1),...,Vec(AN)],Vec(·)表示矩阵的向量化操作;β表示第二正则化参数,D=(D1,D2,...,DN)表示低质量测试图像块与低质量训练样本图像块之间的欧几里德距离矩阵。
3.根据权利要求2所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法,其特征在于,根据模型 求解表示系数向量x的方法如下:
2.1)更新模型 具体为:
其拉格朗日函数表示为:
其中,Y1、Y2均为拉格朗日乘子,μ为第三正则化参数;
2.2)采用交替方向乘子法ADMM对步骤2.1)中的模型进行求解,得到表示系数向量x。
4.根据权利要求3所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法,其特征在于,采用交替方向乘子法ADMM对2.1)中的模型进行求解,具体为:固定x、E、S,更新M,具体为:其中,Mk+1为第k+1步更新后M的值,Ek、xk、Y1k别为第k步更新后E、x、Y1的值;
使UΣVT为 的奇异值分解,其中,U和V为标准正交基,Σ为奇异值组成的对角矩阵,则Mk+1的最优解为:
k+1 T
M =VU;
固定M、E、S,更新x,具体为:其中,xk+1为第k+1步更新后x的值,Sk、Y2k分别为第k步更新后S、Y2的值;
xk+1的最优解为:
xk+1=(g+diag(g1))\g2其中,
通过奇异值阈值化求解最优的S :
其中,Sk+1为第k+1步更新后S的值;
Y1k+1=Y1k+μ(Mk+1y-A(xk+1)-Ek+1)其中,Y1k+1、Y2k+1分别为第k+1步更新后的Y1、Y2的值;
其中,||·||∞为矩阵的∞范数,ε为预设的容错值。
5.根据权利要求1所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法,其特征在于,步骤2中对低质量测试图像中的每个图像块,运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示,具体为:y=x1A1+x2A2+…+xNAN+E其中,y是低质量测试图像块;Ai是第i个低质量像素训练样本图像中对应位置的图像块,i={1,2,…,N},N是训练样本图像个数;xi是表示系数向量x中的第i个元素值;E是表示残差项;
表示系数向量x根据以下模型求解得到:其中,||·||*表示矩阵的核范数,即矩阵的所有奇异值的和;R表示列旋转矩阵;y表示低质量测试图像块矩阵;A(x)=x1A1+x2A2+…+xNAN表示从空间 到 的一个线性映射;α表示第一正则化参数;H=[Vec(A1),...,Vec(AN)],Vec(·)表示矩阵的向量化操作;β表示第二正则化参数,D=(D1,D2,...,DN)表示低质量测试图像块与低质量训练样本图像块之间的欧几里德距离矩阵。
6.根据权利要求5所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法,其特征在于,根据模型 求解表示系数向量x的方法如下:
2.1)更新模型 具体为:
其拉格朗日函数:
其中,Y1、Y2均为拉格朗日乘子,μ为第三正则化参数;
2.2)采用交替方向乘子法ADMM对步骤2.1)中的模型进行求解,得到表示系数向量x。
7.根据权利要求6所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法,其特征在于,采用交替方向乘子法ADMM对2.1)中的模型进行求解,具体为:固定x、E、S,更新R,具体为:其中,Rk+1为第k+1步更新后R的值,Ek、xk、Y1k分别为第k步更新后E、x、Y1的值;
使UΣVT为 的奇异值分解,其中,U和V为标准正交基,Σ为奇异值组成的对角矩阵,则Rk+1的最优解为:
Rk+1=VUT
固定R、E、S,更新x,具体为:其中,xk+1为第k+1步更新后x的值,Sk、Y2k分别为第k步更新后S、Y2的值;
xk+1的最优解为:
xk+1=(g+diag(g1))\g2其中,
其中,S 为第k+1步更新后S的值;;
Y1k+1=Y1k+μ(yRk+1-A(xk+1)-Ek+1)其中,Y1k+1、Y2k+1分别为第k+1步更新后的Y1、Y2的值;
8.根据权利要求1所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法,其特征在于,步骤2中对低质量测试图像中的每个图像块,运用局部约束双核范数正则回归方法获得其在低质量训练样本图像中对应位置上的图像块集合的线性表示,具体为:y=x1A1+x2A2+…+xNAN+E其中,y是低质量测试图像块;Ai是第i个低质量像素训练样本图像中对应位置的图像块,i={1,2,…,N},N是训练样本图像个数;xi是表示系数向量x中的第i个元素值;E是表示残差项;
表示系数向量x根据以下模型求解得到:其中,||·||*表示矩阵的核范数,即矩阵的所有奇异值的和;M表示行矫正矩阵;y表示低质量测试图像块矩阵;R表示列旋转矩阵;A(x)=x1A1+x2A2+…+xNAN表示从空间 到的一个线性映射;α表示第一正则化参数;H=[Vec(A1),...,Vec(AN)],Vec(·)表示矩阵的向量化操作;β表示第二正则化参数,D=(D1,D2,...,DN)表示低质量测试图像块与低质量训练样本图像块之间的欧几里德距离矩阵。
9.根据权利要求8所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法,其特征在于,根据模型求解表示系数向量x的方法如下:
2.1)更新模型 具体
为:
T T
s.t.E=MyR-A(x),S=Hdiag(x),MM=I,RR=I其拉格朗日函数表示为:
其中,Y1、Y2均为拉格朗日乘子,μ为第三正则化参数;
2.2)采用交替方向乘子法ADMM对2.1)中的模型进行求解,得到表示系数向量x。
10.根据权利要求9所述的一种基于局部约束双核范数正则的多姿态人脸图像质量增强方法,其特征在于,采用交替方向乘子法ADMM对2.1)中的模型进行求解,具体为:固定x、E、S、R,更新M,具体为:k+1 k k k k
其中,M 为第k+1步更新后M的值,R、E、x、Y1分别为第k步更新后R、E、x、Y1的值;
使U1Σ1V1T为 的奇异值分解,其中,U1和V1为标准正交基,Σ1为奇异值组成的对角矩阵,则Mk+1的最优解为:Mk+1=V1U1T;
固定x、E、S、M,更新R,具体为:其中,Rk+1为R第k+1步更新后的值;
使U2Σ2V2T为 的奇异值分解,其中,U2和V2为标准正交基,Σ2为奇异值组成的对角矩阵,则Rk+1的最优解为:Rk+1=V2U2T;
xk+1的最优解为:
xk+1=(g+diag(g1))\g2其中,
通过奇异值阈值化求解最优的S :
其中,Sk+1为第k+1步更新后S的值;;
其中,E 为第k+1步更新后E的值;
Yk+1=Yk+μ(Mk+1yRk+1-A(xk+1)-Ek+1)其中,Y1k+1、Y2k+1分别为第k+1步更新后的Y1、Y2的值;