基于耦合近鄰索引的人臉畫像合成方法
【專利摘要】本發(fā)明公開了一種基于耦合近鄰索引的人臉畫像合成方法，主要解決現(xiàn)有方法在近鄰選擇時(shí)沒(méi)有考慮訓(xùn)練畫像作用的問(wèn)題。其實(shí)現(xiàn)步驟是：1.劃分訓(xùn)練畫像樣本集、訓(xùn)練照片樣本集和測(cè)試樣本集；2.將所有圖像劃分成圖像塊，并組成塊集合；3.將訓(xùn)練照片塊集合與對(duì)應(yīng)的畫像塊集合劃分為多個(gè)子集；4.建立訓(xùn)練照片塊子集和訓(xùn)練畫像塊子集中每一對(duì)照片?畫像塊到其K近鄰對(duì)的索引；5.尋找每一測(cè)試照片塊的最近鄰，進(jìn)而得到其K近鄰；6.利用馬爾科夫權(quán)重網(wǎng)絡(luò)求解重構(gòu)權(quán)值；7.求解待合成畫像塊；8.迭代執(zhí)行步驟5?7共N次，融合得到最終的合成畫像。與現(xiàn)有技術(shù)相比，本發(fā)明合成畫像清晰度高、細(xì)節(jié)更完整，可用于人臉檢索與識(shí)別。
【專利說(shuō)明】
基于輔合近鄰索引的人臉畫像合成方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明是屬于圖像處理的技術(shù)領(lǐng)域，更進(jìn)一步設(shè)及一種人臉畫像合成方法，可用 于刑偵破案中的人臉檢索與識(shí)別。
【背景技術(shù)】
[0002] 人臉畫像合成在數(shù)字娛樂(lè)和刑偵破案中作用巨大。例如在3D巧克力打印中，通常 需要利用人臉畫像合成算法合成一張黑白畫像來(lái)作為打印機(jī)的打印軌跡;在刑偵破案過(guò)程 中往往并不總能得到犯罪嫌疑人的照片，得到的經(jīng)常是目擊者的一些描述或視頻圖像資 料，為了快速破案，可行的方案是根據(jù)目擊者描述及視頻圖像提供的線索繪制一幅畫像，進(jìn) 而通過(guò)畫像進(jìn)行身份確認(rèn)。但由于人臉照片和畫像在成像機(jī)制、形狀和紋理方面都存在較 大的差異，直接采用現(xiàn)有的人臉識(shí)別技術(shù)在公民照片數(shù)據(jù)庫(kù)中對(duì)畫像進(jìn)行識(shí)別，其識(shí)別率 非常低。為了減小畫像與照片之間的差異，可W將公民照片數(shù)據(jù)庫(kù)中的照片利用畫像合成 技術(shù)轉(zhuǎn)換為畫像，進(jìn)而再進(jìn)行素描手繪畫像和合成畫像之間的比對(duì)。
[0003] 現(xiàn)有的人臉畫像合成通?；赪下=種方法：
[0004] 其一，是基于局部線性的人臉畫像合成方法，如Liu等人在文獻(xiàn)"Q. S丄iu and X.0.Tang,A nonlinear approach for face sketch synthesis and recognition, in Proc. IE邸 Int.Conference on Computer Vision,pp. 1005-1010,2005."中提出了一種借 助局部線性來(lái)近似全局非線性的方法將照片轉(zhuǎn)化成合成畫像。該方法實(shí)施方式是:首先將 訓(xùn)練集中的照片-畫像對(duì)及待變換照片劃分成相同大小及相同重疊區(qū)域的圖像塊，對(duì)于待 變換照片的每一個(gè)照片塊在訓(xùn)練照片塊中尋找它的K個(gè)近鄰照片塊，然后將K個(gè)照片塊對(duì)應(yīng) 的畫像塊進(jìn)行加權(quán)組合得到待合成畫像塊，最后將所有的待合成畫像塊融合得到合成畫 像。但是該方法存在的不足之處是：由于尋找近鄰時(shí)只利用了照片塊的信息而忽略了訓(xùn)練 畫像塊的作用，導(dǎo)致合成結(jié)果存在噪聲和模糊等現(xiàn)象。
[000引其二，是基于馬爾可夫網(wǎng)絡(luò)模型的人臉畫像合成方法，如Wang等人在文獻(xiàn) ('X.Wang,and X . Tang , ('Face Photo-Sketch Synthesis and Recognition ," IEEE Transactions on Pattern Analysis and Machine Intelligence ,31(11),1955-1967, 2009."中提出了一種基于馬爾可夫網(wǎng)絡(luò)模型的人臉畫像合成方法。該方法實(shí)施方式是:首 先將訓(xùn)練集中的畫像-照片對(duì)及測(cè)試照片分塊，然后根據(jù)測(cè)試照片塊與訓(xùn)練照片塊之間的 關(guān)系W及相鄰位置的畫像塊之間的關(guān)系，建立馬爾可夫網(wǎng)絡(luò)模型，對(duì)每個(gè)測(cè)試照片塊尋找 一個(gè)最佳的訓(xùn)練畫像塊作為待合成畫像塊，最后將所有的待合成畫像塊融合得到合成畫 像。但是該方法存在的不足之處是：由于每個(gè)照片塊位置只選擇一個(gè)訓(xùn)練畫像塊進(jìn)行畫像 合成，導(dǎo)致合成結(jié)果存在形變。
[0006]其S，基于馬爾科夫權(quán)重網(wǎng)絡(luò)的人臉畫像合成方法，如Zhou等人在文獻(xiàn)巧.Zhou， Z . Kuang , and K. Wong , ('Markov Weight Fields for Face Sketch Synthesis ," in Proc. IE邸 Int.Conference on Computer Vision,pp. 1091-1097,2012."中提出了一種基 于加權(quán)的馬爾科夫網(wǎng)絡(luò)模型的人臉畫像合成方法。該方法與上面的基于馬爾科夫網(wǎng)絡(luò)模型 不同的是將線性組合引入進(jìn)馬爾科夫網(wǎng)絡(luò)，從而克服了因?yàn)榛隈R爾科夫網(wǎng)絡(luò)方法選擇一 個(gè)畫像塊而導(dǎo)致的形變問(wèn)題。但是該方法由于沒(méi)有考慮訓(xùn)練畫像塊的作用使得尋找的近鄰 塊并不準(zhǔn)確，導(dǎo)致合成結(jié)果噪聲較多。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于克服上述現(xiàn)有方法的不足，提出一種基于禪合近鄰索引的人臉 畫像合成方法，W提高合成畫像的圖像質(zhì)量。
[0008] 實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案包括如下：
[0009] (1)從照片-畫像對(duì)集中取出M張照片組成訓(xùn)練照片樣本集Tp,并取出與訓(xùn)練照片 樣本集Tp中的照片一一對(duì)應(yīng)的M張畫像組成訓(xùn)練畫像樣本集Ts,將剩余照片-畫像對(duì)組成測(cè) 試樣本集，從測(cè)試樣本集中選取一張測(cè)試照片L，2《M《U-l，U為照片-畫像對(duì)集中的照片- 畫像對(duì)個(gè)數(shù)；
[0010] (2)對(duì)所有圖像進(jìn)行劃分，得到訓(xùn)練照片集樣本塊集合R和訓(xùn)練畫像集樣本塊集合 Q;
[0011] (3)將訓(xùn)練照片樣本塊集合R與對(duì)應(yīng)的畫像樣本塊集合Q劃分為N個(gè)子集，并將子集 組成集合：
[0012] Rn={Ri，…，Rj,…，RnI
[OOU] QN={Qi，...，Qj，...，QN}
[0014]其中，Rn表示所有訓(xùn)練照片樣本塊子集組成的集合，Rj表示訓(xùn)練照片樣本塊第j個(gè) 子集，Qn表示所有訓(xùn)練畫像樣本塊子集組成的集合，Qj表示訓(xùn)練畫像樣本塊第j個(gè)子集，1《 j《N;
[001引 （4)對(duì)于每一對(duì)訓(xùn)練照片塊ri巧日訓(xùn)練畫像塊g/，1《i，1《j《N，在對(duì)應(yīng)位置的 訓(xùn)練照片塊子集扣和訓(xùn)練畫像塊子集化聯(lián)合尋找K個(gè)歐式距離下的近鄰對(duì)，從而建立起每一 對(duì)訓(xùn)練照片塊和訓(xùn)練畫像塊指向其K個(gè)近鄰照片塊-畫像塊對(duì)的索引；
[0016] (5)對(duì)于測(cè)試照片塊集合P中的每一個(gè)測(cè)試照片塊從其對(duì)應(yīng)的訓(xùn)練照片塊子集 Rj中根據(jù)歐式距離尋找最近的照片塊，記為馬?，同時(shí)從訓(xùn)練畫像塊子集A中取出對(duì)應(yīng)的畫 像塊fy，其中
[0017] (6)對(duì)每一個(gè)測(cè)試照片樣本塊取出其最近鄰照片塊索引得到K個(gè)訓(xùn)練照片塊 并記作{與，..一;，...，吟}，其對(duì)應(yīng)的畫像塊為{嗦..一，;.，...，>'尸};通過(guò)馬爾科夫權(quán)重網(wǎng)絡(luò)，得 到重構(gòu)權(quán)值W, = (W。，…:，My,…，f .其中T表示轉(zhuǎn)置，1《1《Ki;
[001引（7)利用步驟(6)得到的畫像塊(片，…，如和得到的權(quán)值，根據(jù)下式得到每 個(gè)測(cè)試照片塊pj對(duì)應(yīng)的待合成畫像塊
[0019]
[0020] (8)迭代執(zhí)行步驟（5)-(7)直至得到N塊待合成畫像塊，并將N個(gè)合成畫像塊 {si，…，sV-，sW}進(jìn)行組合，得到與測(cè)試照片L對(duì)應(yīng)的合成畫像。
[0021] 本發(fā)明由于在近鄰選擇時(shí)將訓(xùn)練畫像塊和照片塊的作用同時(shí)考慮在內(nèi)，使得圖像 的細(xì)節(jié)更加完整，提高了合成圖像的質(zhì)量。
【附圖說(shuō)明】
[0022] 圖1為本發(fā)明的實(shí)現(xiàn)流程圖；
[0023] 圖2為用發(fā)明與現(xiàn)有的四種方法在XM2VTS數(shù)據(jù)庫(kù)上的合成畫像的對(duì)比結(jié)果圖。
【具體實(shí)施方式】
[0024] 本發(fā)明的核屯、思想是:通過(guò)禪合近鄰索引的思想提出一種人臉畫像合成方法，將 訓(xùn)練畫像塊和訓(xùn)練照片塊在近鄰尋找中的作用都得W體現(xiàn)，提高合成結(jié)果的圖像質(zhì)量。
[00巧]參照?qǐng)D1，本發(fā)明的實(shí)施步驟如下：
[0026] 步驟1，劃分訓(xùn)練畫像樣本集、訓(xùn)練照片樣本集和測(cè)試樣本集。
[0027] 從照片-畫像對(duì)集中取出M張照片組成訓(xùn)練照片樣本集Tp,并取出與訓(xùn)練照片樣本 集Tp中的照片一一對(duì)應(yīng)的M張畫像組成訓(xùn)練畫像樣本集Ts,將剩余照片-畫像對(duì)組成測(cè)試樣 本集，從測(cè)試樣本集中選取一張測(cè)試照片L，2《M《U-1，U為照片-畫像對(duì)集中的照片-畫像 對(duì)個(gè)數(shù)。
[0028] 步驟2,對(duì)訓(xùn)練畫像樣本集中的畫像、訓(xùn)練照片樣本集中的照片和測(cè)試照片進(jìn)行圖 像塊劃分。
[0029] 常用的圖像劃分方法是將圖像劃分為相同大小的矩形圖像塊，并且相鄰的圖像塊 在水平或豎直方向上保留一定程度的重疊，其劃分步驟如下：
[0030] (2a)將測(cè)試照片L劃分成相同大小及相同重疊程度的N個(gè)圖像塊，并組成測(cè)試照片 塊集合P:
[00；31] P={pi,…，pJ，...，pN}，
[00創(chuàng)其中，P嗦示測(cè)試照片中的第j個(gè)照片塊，
[0033] (2b)將訓(xùn)練照片樣本集Tp中的M張照片劃分成相同大小及相同重疊程度的N個(gè)圖 像塊，并組成訓(xùn)練照片集樣本塊集合：
[0034]
[00對(duì)其中，R表示訓(xùn)練照片集樣本塊集合，ri嗦示第i張照片中的第j個(gè)照片塊， M；
[0036] (2c)將訓(xùn)練畫像樣本集Ts中的M張畫像劃分成相同大小及相同重疊程度的圖像塊 并組成訓(xùn)練畫像集樣本塊集合：
[0037]
[0038] 其中，Q表示訓(xùn)練畫像集樣本塊集合，g/表示第i張畫像中的第i個(gè)畫像塊；
[0039] 步驟3,將訓(xùn)練照片樣本塊集合R與對(duì)應(yīng)的畫像樣本塊集合Q劃分為N個(gè)子集，并將 子集組成集合。
[0040] 將訓(xùn)練照片樣本塊集合R劃分為:Ri，…，Rj,…，Rn,得到所有訓(xùn)練照片樣本塊子集 組成集合：
[OOW Rn= {Ri，…，Rj，…，Rn}，其中Rj表示訓(xùn)練照片樣本塊第j個(gè)子集：
[0042]將訓(xùn)練畫像樣本塊集合Q劃分為:Qi，…瓜，…，Qn,得到所有訓(xùn)練畫像樣本塊子集 組成集合：
[0043] Qn=地，…，Qj，…，Qn}，其中Qj表示訓(xùn)練畫像樣本塊第j個(gè)子集，1《j《N。
[0044] 步驟4,建立訓(xùn)練照片塊子集和訓(xùn)練畫像塊子集中每一對(duì)照片塊-畫像塊到其K個(gè) 近鄰對(duì)的索引。
[0045] 對(duì)于每一對(duì)訓(xùn)練照片塊n巧日訓(xùn)練畫像塊f/，1《i，1《j《N，在對(duì)應(yīng)位置的訓(xùn)練 照片塊子集咕和訓(xùn)練畫像塊子集化聯(lián)合尋找K個(gè)歐式距離下的近鄰對(duì)，從而建立起每一對(duì)訓(xùn) 練照片塊和訓(xùn)練畫像塊指向其K個(gè)近鄰照片塊-畫像塊對(duì)的索引，具體步驟為：
[0046] (4a)將訓(xùn)練照片塊ri巧日對(duì)應(yīng)的訓(xùn)練畫像塊g/拼接的放在一起，組成一個(gè)新的圖像 塊方
[0047] (4b)將所有新的圖像塊為劃分為N個(gè)子集，并將子集組成集合：
[004引 z={Zi，...，Zj，...，ZN};
[0049]其中，Z表示所有新的訓(xùn)練圖像塊子集組成的集合,?表示新的訓(xùn)練圖像塊集合的 第j個(gè)子集，其中
[0化0] (4c)將(4a)中拼接的新圖像塊2/在新的訓(xùn)練圖像子集Zj中按照歐式距離尋找K個(gè) 近鄰，建立起運(yùn)K個(gè)近鄰照片-畫像對(duì)到訓(xùn)練照片塊ri巧日對(duì)應(yīng)的訓(xùn)練畫像塊知的索引。
[0051] 步驟5,尋找每一測(cè)試照片塊的最近鄰。
[0052] 對(duì)于測(cè)試照片塊集合P中的每一個(gè)測(cè)試照片塊從其對(duì)應(yīng)的訓(xùn)練照片塊子集Rj中 根據(jù)歐式距離尋找最近的照片塊，記為^，同時(shí)從訓(xùn)練畫像塊子集化中取出％對(duì)應(yīng)的畫像塊 Iy其中1《j《N，具體步驟為：
[0053] (5a)對(duì)于測(cè)試照片塊其對(duì)應(yīng)位置的訓(xùn)練照片塊子集為扣，求解扣中每一個(gè)訓(xùn)練 照片塊索引到K個(gè)近鄰照片塊的均值，其中1《j《N;
[0054] (56)根據(jù)1)^與訓(xùn)練照片塊子集1?^中每一個(gè)訓(xùn)練照片塊對(duì)應(yīng)的1(近鄰照片塊均值的 歐式距離，選擇最小距離對(duì)應(yīng)的訓(xùn)練照片塊作為最近鄰，記為。
[0055] 步驟6,利用馬爾科夫權(quán)重網(wǎng)絡(luò)求解重構(gòu)權(quán)值。
[0化6] 對(duì)每一個(gè)測(cè)試照片樣本塊取出其最近鄰照片塊索引得到K個(gè)訓(xùn)練照片塊并記 作扭...為...，蛛}，其對(duì)應(yīng)的畫像塊為挺，...，如..，炒}姻過(guò)馬爾科夫權(quán)重網(wǎng)絡(luò)，得到重 構(gòu)權(quán)值Wy二(vi'd，…，W,./，…，M'y，f，其中T表示轉(zhuǎn)置，1《1《Ki;
[0057] 所述馬爾科夫權(quán)重網(wǎng)絡(luò)權(quán)值求解參考文獻(xiàn)巧.Zhou, Z.Kuang, and K.Wong, ('Markov Weight Fields for Face Sketch Synthesis，，，in Proceedings of IEEE Conference on Computer Vision and Pattern 民ecognition，2012,pp. 1091-1097，，。
[005引步驟7,求解待合成畫像塊sJ。
[0059] 利用步驟(6)得到的畫像塊{如..，>';，...，.呼}和得到的權(quán)值，根據(jù)下式得到每個(gè)測(cè) 試照片塊pj對(duì)應(yīng)的待合成畫像塊
[0060] + +
[0061]步驟8,求解并融合N個(gè)待合成畫像塊得到最終合成畫像。
[0062] 迭代執(zhí)行步驟5-7共N次，直至得到每個(gè)測(cè)試照片塊P巧f應(yīng)的待合成畫像塊，并將 得到的N個(gè)合成畫像塊，…，…，進(jìn)行組合，得到與測(cè)試照片L對(duì)應(yīng)的合成畫像，其 中，
[0063] 本發(fā)明的效果可W通過(guò)W下仿真實(shí)驗(yàn)做進(jìn)一步的說(shuō)明。
[0064] 1.仿真條件
[00化]本發(fā)明是在中央處理器為Intel(R)Core 17-4790 3.6G監(jiān)、內(nèi)存16G、WIND0WS 7操 作系統(tǒng)上，使用美國(guó)Mathworks公司開發(fā)的MATLAB軟件進(jìn)行的仿真。數(shù)據(jù)庫(kù)采用XM2VTS數(shù)據(jù) 庫(kù)。
[0066] 實(shí)驗(yàn)中所用的對(duì)比方法包括如下巧中：
[0067] 一是基于局部線性嵌入的方法，實(shí)驗(yàn)中記為化E ;參考文獻(xiàn)為Q. Liu, X. Tang, H.Jin,H.Lu,and S.Ma.A Nonlinear Approach for Face Sketch Synthesis and 民ecognition.In Proc.IEEE Int.Conference on Computer Vision,pp.1005-1010,2005；
[0068] 二是基于馬爾科夫隨機(jī)場(chǎng)的方法，實(shí)驗(yàn)中記為MRF ;參考文獻(xiàn)為X. Wang ,and X.Tang.Face Photo-Sketch Synthesis and 民ecognition. IEEE Transactions on Pattern Analysis and Machine Intelligence,31(11),1955-1967,2009；
[0069] 蘭是基于馬爾可夫權(quán)重場(chǎng)模型的方法，實(shí)驗(yàn)中記為麗F;參考文獻(xiàn)為H. Zhou， Z.Kuang,and K. Wong . Markov Weight Fields for Face Sketch Synthesis.In Proc.IEEE Int.Conference on Computer Vision,pp.1091-1097,2012〇
[0070] 2.仿真內(nèi)容
[0071 ]實(shí)驗(yàn):照片到畫像的合成
[0072] 用本發(fā)明方法和現(xiàn)有基于局部線性的方法化E、基于馬爾可夫隨機(jī)場(chǎng)的方法MRFW 及基于馬爾可夫權(quán)重場(chǎng)的方法MWF，在XM2VTS數(shù)據(jù)庫(kù)上進(jìn)行照片到畫像的合成，實(shí)驗(yàn)結(jié)果如 圖2,其中：
[0073] 圖2(a)為原始照片；
[0074] 圖2(b)為基于局部線性的方法LLE合成的畫像；
[0075] 圖2(c)為基于馬爾可夫隨機(jī)場(chǎng)的方法MRF合成的畫像；
[0076] 圖2(d)為基于馬爾可夫權(quán)重場(chǎng)的方法MWF合成的畫像；
[0077] 圖2(e)為本發(fā)明方法合成的畫像。
[0078] 由實(shí)驗(yàn)1結(jié)果可見，由于本發(fā)明借助了禪合近鄰索引的思想，將訓(xùn)練畫像塊和訓(xùn)練 照片塊的作用同時(shí)考慮在近鄰選擇的過(guò)程中，使得合成結(jié)果優(yōu)于其他的人臉畫像合成方 法，驗(yàn)證了本發(fā)明的先進(jìn)性。
【主權(quán)項(xiàng)】
1. 基于耦合近鄰索引的人臉畫像合成方法，包括： (1) 從照片-畫像對(duì)集中取出M張照片組成訓(xùn)練照片樣本集Tp，并取出與訓(xùn)練照片樣本集 TP*的照片一一對(duì)應(yīng)的M張畫像組成訓(xùn)練畫像樣本集T s，將剩余照片-畫像對(duì)組成測(cè)試樣本 集，從測(cè)試樣本集中選取一張測(cè)試照片L，2彡M彡U-I，U為照片-畫像對(duì)集中的照片-畫像對(duì) 個(gè)數(shù)； (2) 對(duì)所有圖像進(jìn)行劃分，得到訓(xùn)練照片集樣本塊集合R和訓(xùn)練畫像集樣本塊集合Q; (3) 將訓(xùn)練照片樣本塊集合R與對(duì)應(yīng)的畫像樣本塊集合Q劃分為N個(gè)子集，并將子集組成 集合：其中，Rn表示所有訓(xùn)練照片樣本塊子集組成的集合，心表示訓(xùn)練照片樣本塊第j個(gè)子集， Qn表示所有訓(xùn)練畫像樣本塊子集組成的集合，(^表示訓(xùn)練畫像樣本塊第j個(gè)子集，KjSN; (4) 對(duì)于每一對(duì)訓(xùn)練照片塊d和訓(xùn)練畫像塊^1彡1彡M，彡N，在對(duì)應(yīng)位置的訓(xùn)練 照片塊子集&和訓(xùn)練畫像塊子集仏聯(lián)合尋找K個(gè)歐式距離下的近鄰對(duì)，從而建立起每一對(duì)訓(xùn) 練照片塊和訓(xùn)練畫像塊指向其K個(gè)近鄰照片塊-畫像塊對(duì)的索引； (5) 對(duì)于測(cè)試照片塊集合P中的每一個(gè)測(cè)試照片塊f，從其對(duì)應(yīng)的訓(xùn)練照片塊子集&中 根據(jù)歐式距離尋找最近的照片塊，記為:?-同時(shí)從訓(xùn)練畫像塊子集仏中取出S對(duì)應(yīng)的畫像塊 1;產(chǎn)其中KjSN; (6) 對(duì)每一個(gè)測(cè)試照片樣本塊少，取出其最近鄰照片塊_索引得到K個(gè)訓(xùn)練照片塊并記 作^ 5其對(duì)應(yīng)的畫像塊為 構(gòu)權(quán)值坪? ^?其中τ表不轉(zhuǎn)置，I<I<Κι; (7) 利用步驟(6)得到的畫像塊_和得到的權(quán)值，根據(jù)下式得到每個(gè)測(cè)試 照片塊Pj對(duì)應(yīng)的待合成畫像塊Sj:(8) 迭代執(zhí)仃步驟（5)-(7)夏全得到N塊待合成畫像塊，開將N個(gè)合成畫像塊{S1，…， s\…，s N}進(jìn)行組合，得到與測(cè)試照片L對(duì)應(yīng)的合成畫像。2. 根據(jù)權(quán)利要求1中基于耦合近鄰索引的人臉畫像合成方法，其特征在于，其中所述步 驟(2)，對(duì)所有圖像進(jìn)行劃分，得到訓(xùn)練照片集樣本塊集合R和訓(xùn)練畫像集樣本塊集合Q，其 步驟如下： (2a)將測(cè)試照片L劃分成相同大小及相同重疊程度的N個(gè)圖像塊，并組成測(cè)試照片塊集 合P:其中V表示測(cè)試照片中的第j個(gè)照片塊，KjSN; (2b)將訓(xùn)練照片樣本集Tp中的M張照片劃分成相同大小及相同重疊程度的N個(gè)圖像塊， 并組成訓(xùn)練照片集樣本塊集合：其中，R表示訓(xùn)練照片集樣本塊集合，r J表示第i張照片中的第j個(gè)照片塊，Ki<M; (2c)將訓(xùn)練畫像樣本集Ts中的M張畫像劃分成相同大小及相同重疊程度的圖像塊并組 成訓(xùn)練畫像集樣本塊集合：其中，Q表示訓(xùn)練畫像集樣本塊集合，嚷#表示第i張畫像中的第i個(gè)畫像塊。3. 根據(jù)權(quán)利要求1中基于耦合近鄰索引的人臉畫像合成方法，其特征在于，其中所述步 驟(4)，對(duì)于每一對(duì)訓(xùn)練畫像塊和訓(xùn)練照片塊，在對(duì)應(yīng)位置的訓(xùn)練照片塊子集和訓(xùn)練畫像塊 子集合中聯(lián)合尋找K個(gè)歐式距離下的近鄰對(duì)，其步驟如下： (4a)將訓(xùn)練照片塊W和對(duì)應(yīng)的訓(xùn)練畫像塊《拼接的放在一起，組成一個(gè)新的圖像塊略s (4b)將所有新的圖像塊W劃分為N個(gè)子集，并將子集組成集合： Z= {Ζι, ··· ,Zj, ··· ,Zn}； 其中，Z表示所有新的訓(xùn)練圖像塊子集組成的集合，&表示新的訓(xùn)練圖像塊集合的第j個(gè) 子集，其中KjSN; (4c)將(4a)中拼接的新圖像塊#在新的訓(xùn)練圖像子集Z沖按照歐式距離尋找K個(gè)近鄰， 建立起這K個(gè)近鄰照片-畫像對(duì)到訓(xùn)練照片塊d和對(duì)應(yīng)的訓(xùn)練畫像塊矣的索引。4. 根據(jù)權(quán)利要求1中基于耦合近鄰索引的人臉畫像合成方法，其特征在于，其中步驟 (5)中根據(jù)歐式距離求解測(cè)試照片塊在對(duì)應(yīng)位置訓(xùn)練照片塊子集中的最近鄰，其步驟如下： (5a)對(duì)于測(cè)試照片塊少，其對(duì)應(yīng)位置的訓(xùn)練照片塊子集為Rj，求解Rj中每一個(gè)訓(xùn)練照片 塊索引到K個(gè)近鄰照片塊的均值，其中I < j SN; (5b)根據(jù)f與訓(xùn)練照片塊子集Rj中每一個(gè)訓(xùn)練照片塊對(duì)應(yīng)的K近鄰照片塊均值的歐式 距離，選擇最小距離對(duì)應(yīng)的訓(xùn)練照片塊作為最近鄰，記為％。
【文檔編號(hào)】G06T5/50GK106023120SQ201610224500
【公開日】2016年10月12日
【申請(qǐng)日】2016年4月12日
【發(fā)明人】王楠楠, 孫雷雨, 高新波, 李潔, 張宇航, 于昕曄, 朱明瑞, 馬卓奇, 査文錦, 曹兵
【申請(qǐng)人】西安電子科技大學(xué)