基于分级子空间回归的压缩人脸图像复原

人脸图像具有自然图像不具备的对称特征和几何结构相似性。由于人脸图像往往具备非常复杂的角点和纹理特征,因此很难找到一种全局模型将压缩图像映射到原始未压缩图像。针对此问题,提出一种新颖的基于分级子空间回归的压缩人脸复原算法,该算法包括训练和复原两个部分。在训练部分,利用压缩人脸图像的边缘方向分布规律,将压缩-未压缩图像块对划分到多个浅层子空间中。然后对每个基于边缘方向分类的浅层子空间,利用K-means聚类算法得到它的深层子空间,并在每个深层子空间中训练得到相应的线性映射。在复原阶段,对每个输入的压缩图像块分析得到它的边缘方向,从而选择合适的线性映射,得到复原后的输出图像块。实验结果表明,该算法在PSNR和SSIM上均优于现有的常用复原算法,并且能够有效地去除压缩失真和锯齿效应,提高视觉效果。

基于深度学习算法的人脸图像活体特征变换尺度提取

针对目前人脸图像的特征提取方法存在提取准确度低、效率低等问题,提出了基于深度学习算法的人脸图像活体特征变换尺度提取方法。先利用深度学习方法完成人脸图像的去噪处理;然后使用Gabor波滤器分解人脸信号,并将其输入到深层子空间模型完成特征变换尺度的提取;最后基于(粒子PSO群优化算法)完成人脸图像活体特征变换尺度提取。实验结果表明:提出人脸图像特征提取方法的准确度更高,识别速度更快,整体应用效果更好。