[發明專利]融合Cortex?A7的實時視頻超分辨率處理方法

有效

• 申請號: 201410406695.3
• 申請日: 2014-08-18
• 公開（公告）號: CN104200498B
• 公開（公告）日: 2017-05-03
• 發明（設計）人: 蘇秉華;唐佳林;莊廣利
• 申請（專利權）人: 北京理工大學珠海學院
• 主分類號: G06T9/00
• 分類號: G06T9/00
• 代理公司: 廣州嘉權專利商標事務所有限公司44205
• 代理人: 鄭瑩

技術領域

本發明涉及視頻圖像處理領域，尤其是融合Cortex-A7的實時視頻超分辨率處理方法。

背景技術

目前，對大多數成像設備而言，其獲取的圖像分辨率還很低，而更換設備需要大量的物力和人力投入。同時在視頻圖像采集中，由于受成像設備精度或設備與目標的距離、目標的運動及噪聲等多種因素的影響，其得到的通常是具有噪聲、模糊和分辨率比較低的視頻圖像，卻很難獲得一幅理想分辨率圖像。有限的圖像分辨率會影響到系統的性能，如低分辨率圖像會降低系統的識別性能。這往往給目標識別、身份辨認或刑事偵查等工作帶來困難，無法滿足實際的需求。因此，業內迫切需要研究一種新的超分辨率技術，可以將同一場景下的若干幀低分辨率圖像通過信號處理的方法恢復為一幀高分辨率圖像，以降低設備的成本。

目前主流的超分辨率算法包括基于插值的算法和基于重建的方法。其中，基于插值的算法，具有較低的算法復雜度，但其沒有利用圖像的先驗信息，導致恢復的圖像過平滑。而基于重建的方法受限于低分辨率圖像的數量以及錯誤的配準，適應性較差。利用高斯馬爾可夫隨機場模型作為圖像的先驗信息可以改善這種情況。然而在低分辨率圖像的數量有限時，基于高斯馬爾可夫隨機場模型的超分辨率算法容易丟失重要的細節信息，失真率較高。此外，現有的目前的超分辨率算法仍局限在處理單圖像上，處理實時視頻流的技術尚未成熟。如果仍沿用現有的超分辨率算法來處理實時視頻流，會導致其處理速度較慢、處理成本較高和處理質量較低。

發明內容

為了解決上述技術問題，本發明的目的是：提供一種實時、失真率較低、處理速度較快、處理成本較低和質量較高的，融合Cortex-A7的實時視頻超分辨率處理方法。

本發明解決其技術問題所采用的技術方案是：

融合Cortex-A7的實時視頻超分辨率處理方法，包括：

A、進行視頻采樣，獲取低分辨率視頻幀并輸入到SOC片上系統中；

B、對低分辨率視頻幀依次進行復雜度處理、特征向量提取和樣本集訓練，從而得到需要進行匹配的特征向量，所述樣本集采用高分辨率的高頻分量構建而成；

C、根據需要進行匹配的特征向量，采用改進的基于聚類字典自學習及特征稀疏表示的超分辨率算法并結合SOC片上系統的編解碼技術，對低分辨率視頻幀進行超分辨率處理，從而輸出高分辨率視頻幀流。

進一步，所述步驟C，其包括：

C1、構建具備主特征改進的基于聚類字典自學習及特征稀疏表示的超分辨率算法；

C2、根據需要進行匹配的特征向量和構建的超分辨率算法對低分辨率視頻幀進行超分辨率處理，從而輸出高分辨率視頻幀流。

進一步，所述步驟C1，其包括：

C11、建立一個過完備數據庫；

C12、計算輸入的低分辨率視頻圖像塊的稀疏表示系數；

C13、計算低分辨率字典下的稀疏編碼系數和高分辨率字典下的稀疏編碼系數；

C14、根據低分辨率視頻圖像塊的稀疏表示系數、稀疏編碼系數、過完備數據庫中的高分辨率圖像庫和低分辨率字典重建出高分辨率視頻圖像塊；

C15、采用聚類算法和主成分分析法提取視頻圖像塊集合，然后采用K-SVD算法對高、低分辨率圖像塊集合進行聯合訓練；

C16、根據聯合訓練的結果采用正交匹配追蹤法得到具備主特征改進的基于聚類字典自學習及特征稀疏表示的超分辨率算法。

進一步，所述步驟C13，其具體為：

計算低分辨率字典下的稀疏編碼系數和高分辨率字典下的稀疏編碼系數，所述低分辨率字典下的稀疏編碼系數和高分辨率字典下的稀疏編碼系數的計算公式分別為：

其中，K_L為低分辨率字典函數，表示低分辨率圖像中的視頻流，ρ為矩陣范數的給定參數，表示經過推導后理想的低分辨率字典函數約束項，ε是經過特征處理后的復雜正則化參數，L為代替稀疏編碼的范數；

K_H為高分辨率字典函數，表示高分辨率圖像中的視頻流，表示經過推導后理想的高分辨率字典函數約束項，H為代替稀疏編碼的范數。

進一步，所述步驟C15，其具體為：

采用聚類算法和主成分分析法提取視頻圖像塊集合，然后采用K-SVD算法對高、低分辨率圖像塊集合進行聯合訓練，從而得到聯合訓練的結果數據，所述聯合訓練的結果數據{K_H,K_L,δ,ω}為：