技术摘要：
本发明公开了基于分数阶多集偏最小二乘的人脸图像超分辨率识别方法，步骤1在训练阶段利用训练集学习不同分辨率视图之间的相关关系，使用PCA对图像降维，利用分数阶思想重新估计组内及组间协方差矩阵，并计算FMPLS投影矩阵，将主成分特征投影到FMPLS的一致相干子空间；  全部
背景技术：
在现实世界应用中，尤其是视频监控领域，由于光照条件差、成像距离较远姿态变 化等因素，设备捕获到的人脸图像通常都是低分辨率的，这对传统的人脸识别算法来说是 一大难题。为了解决这一问题，近些年来许多人脸超分辨率重建方法被提出，旨在将输入的 低分辨率人脸图像恢复成高分辨率图像。 多元分析方法常被运用于超分辨率重建以进行特征提取，其中较为流行的是主成 分分析(Principal  Component  Analysis，PCA)，特征提取步骤通常用来对数据降维并减少 噪声。PCA通过保留合适的维度以提取人脸的有用信息并过滤噪声，Wang等人提出一个通过 PCA得到图像线性组合系数来生成高分辨率人脸的框架。 超分辨率方法可大致分为三类：基于插值的、基于重建的以及基于学习的方法，其 中基于学习的方法旨在从训练集中学习高低分辨率图像之间的映射关系。近年来，将深度 学习应用于人脸超分辨率技术取得了较大的成功。但是，基于深度学习的方法通常需要大 量的训练数据以学习最优的参数，并且尽管硬件性能大幅提升，深度网络的学习过程仍然 需要耗费大量时间，因此传统的超分辨率方法仍然有较大的研究价值。 在现实生活中，人们通常需要面对同一人脸具有多种不同分辨率视图的情况。对 于多种不同的低分辨率视图，先前的方法通常需要分别训练和处理每一种分辨率视图，这 种处理方式十分耗时且效率低下。换句话说，现有的经典方法很难将多个低分辨率视图同 时映射到高分辨率人脸空间，迄今为止，共同学习多种视图之间关系还没有得到广泛关注； 此外，由于训练样本不足或噪声等因素的影响，协方差矩阵可能会存在偏差。
技术实现要素：
本发明的目的是克服现有技术缺陷，提供一种基于分数阶多集偏最小二乘的人脸 图像超分辨率识别方法，解决了现有技术中无法同时学习多种分辨率视图之间相关关系且 协方差矩阵可能存在偏差的问题。 本发明的目的是这样实现的：一种基于分数阶多集偏最小二乘的人脸图像超分辨 率识别方法，包括以下步骤： 步骤1在训练阶段利用训练集学习不同分辨率视图之间的相关关系，使用PCA对图 像降维，利用分数阶思想重新估计组内及组间协方差矩阵，计算FMPLS投影矩阵，将主成分 特征投影到FMPLS的一致相干子空间； 步骤2在测试阶段，提取输入的多种低分辨率图像的主成分特征，并投影到相应的 FMPLS子空间，通过邻域重建策略重建出输入的低分辨率图像的高分辨率特征； 步骤3最后利用最近邻分类器预测人脸标签，输出超分辨率人脸识别结果。 4 CN 111611962 A 说　明　书 2/7 页 作为本发明的进一步限定，所述步骤1具体包括以下步骤： (1)对于m个多维中心化随机变量 其中di表示xi的维度，FMPLS目的为 求解如下的最优化问题，以寻找一组线性变换 其中Tr(·)表示矩阵的迹， 为经过分数阶重新估计过的协方差矩阵： (2)对于利用分数阶重新估计协方差矩阵，使用特征值分解分解组内协方差矩阵 并用分数阶参数αi为指数进行重新估计： 其中Qi为组内协方差Sii的特征向量组成的矩阵， 是以分数 阶参数αi为指数的特征值对角矩阵，ri＝rank(Sii)且分数阶参数αi满足0≤αi≤1；使用奇异 值分解分解组间协方差矩阵并用分数阶参数βij重新估计： 其中Uij和Vij分别是左右奇异值向量组成的矩阵， 是以分 数阶参数βij为指数的奇异值对角矩阵，rij＝rank(Sij)且分数阶参数βij满足0≤βij≤1； (3)对于该最优化问题，利用递归方法求解，假设前k-1个方向 已 经得到，其中k≤d，对于第k个方向 通过求解如下最优化问题得到： 其可以由该特征值问题 解得，其中 为分块矩阵，其第(i,j)块 为 同时： 5 CN 111611962 A 说　明　书 3/7 页 为多元特征值， 为单位矩阵； (4)对于训练集中的原始高分辨率图像集 和它对应的m个低 分辨率视图的图像集 其中d0为高分辨率人脸图像列向量的维 度，每个视图的样本数量为n个，其中所有的低分辨率视图都利用双三次插值算法上采样到 了和高分辨率视图同样的尺寸； (5)中心化各个图像块向量 其中μi表示第i个分辨率视图人 脸 图 像 的 均 值 ，利 用 P C A 提 取 各 个 视 图 的 主 成 分 特 征 其中Pi为第i个视图的主成分系数； (6)利用FMPLS计算投影方向 将各个视图的主成分特征投影到潜在子空间 中： 作为本发明的进一步限定，所述步骤2具体包括以下步骤： ( 1 ) 对 于 输 入的 第 i 种低分 辨 率 视图 的 低分 辨 率 人 脸 通 过 提取其主成分特征 由 得出潜在FMPLS特征； (2)对于 从Ci中搜索其k近邻重建得到 最小化如下重建误差以得到权重 系数 将权重 应用到C0中相应的高分辨率特征 计算输入的低分辨率人脸图 像的高分辨率重建特征 与现有技术相比，本发明的有益效果在于：本发明先抽取多视图人脸图像的主成 分特征，再利用分数阶多集偏最小二乘重新估计组内及组间协方差矩阵并计算投影方向， 提取潜在相干特征，通过邻域重建恢复输入图像的高分辨率特征，最后利用最近邻分类器 预测人脸标签，输出超分辨率人脸识别结果，利用分数阶多集偏最小二乘，同时学习不同分 辨率人脸视图之间的多种特定分辨率的映射；解决了低分辨率人脸图像因信息不足、姿态 变化、光照影响等因素而给人脸识别带来的困难，以及传统人脸超分辨率算法无法同时处 理多种分辨率人脸图像输入的问题，本发明利用分数阶思想重新估计组内及组间协方差矩 阵以减少训练样本不足或噪声等因素带来的影响，在多视图场景下能够有效提升处理效率 以及人脸识别率，并在训练样本较少的场景下更为稳定。 附图说明 图1是本发明的实现流程图。 6 CN 111611962 A 说　明　书 4/7 页