專利名稱：眼鏡檢測方法和裝置的制作方法
技術領域：
本發(fā)明涉及模式識別技術領域，特別是涉及一種眼鏡檢測方法和裝置。
背景技術：
眼鏡是最常見的佩飾物，檢測出人臉圖像中是否佩戴眼鏡，并能計算出眼鏡的位置和形狀，對提高人臉識別算法性能、人臉合成、人臉卡通和人臉識別具有重要的實用價值。例如，在人臉識別時，如果在佩戴眼鏡的人臉中檢測出眼鏡的位置，即可以通過去除眼鏡獲得沒有眼鏡的裸臉。由于受眼鏡形狀的多樣性及圖像質量等因素的影響，眼鏡檢測存在許多難點。例如，早期的眼鏡檢測主要采用圖像處理和模板匹配的方法，根據(jù)像素灰度值的不連續(xù)變化來檢測眼鏡的下邊框和眼鏡鼻梁，然后通過兩眼之間區(qū)域的邊緣信息來檢測眼鏡；后期的眼鏡檢測主要使用三維霍夫(Hough)變換方法檢測眼鏡。但是，由于不同光線的影響，成像后通過圖像處理和Hough方法得到的圖像過度依賴于圖像邊緣，故存在噪聲，且噪聲干擾會導致經(jīng)常無法獲得特征點或準確的特征點，因此檢測的準確率比較低。為提高檢測的準確率，某些已有方法嘗試采用小波特征來進行眼鏡檢測，但小波變換是時間頻率的局部化分析，它通過伸縮平移運算對信號逐步進行多尺度細化，最終達到高頻處時間細分，低頻處頻率細分；根據(jù)“失之毫厘，謬以千里”，如果初始的人臉位置不準確，將影響各個尺度和方向上的信息的準確性，因此，小波特征對初始人臉位置的要求很尚ο總之，需要本領域技術人員迫切解決的一個技術問題就是如何能夠在對初始人臉位置沒有過高要求的前提下，提高眼鏡檢測的精度。

發(fā)明內容
本發(fā)明所要解決的技術問題是提供一種眼鏡檢測方法和裝置，對初始人臉位置沒有過高要求，且能夠提高眼鏡檢測的精度。為了解決上述問題，本發(fā)明公開了一種眼鏡檢測方法，包括從待檢測人臉圖像中獲取眼鏡區(qū)域圖像；根據(jù)單眼區(qū)域分類器對所述眼鏡區(qū)域圖像進行第一判別，并依據(jù)第一判別結果進行檢測，所述檢測的過程包括如果該第一判別結果的絕對值大于預設置信閾值，則依據(jù)該第一判別結果輸出是否佩戴眼鏡的檢測結果；如果該第一判別結果的絕對值小于等于所述預設置信閾值，則根據(jù)雙眼區(qū)域分類器對所述眼鏡區(qū)域圖像進行第二判別，并依據(jù)第二判別結果輸出是否佩戴眼鏡的檢測結
: O優(yōu)選的，所述單眼區(qū)域分類器為通過以下步驟獲得的分類器獲取單眼區(qū)域圖像樣本；
提取所述單眼區(qū)域圖像樣本的LBP特征；依據(jù)所述LBP特征構造單眼區(qū)域分類器；所述根據(jù)單眼區(qū)域分類器對所述眼鏡區(qū)域圖像進行第一判別的步驟，包括提取所述眼鏡區(qū)域圖像的LBP特征；將所述LBP特征輸入到所述單眼區(qū)域分類器中，輸出第一判別結果。優(yōu)選的，所述依據(jù)LBP特征構造單眼區(qū)域分類器的步驟，包括構造LBP特征訓練集{(Xi，yi)}，其中，i = 1，. . .，n，Xi為某一單眼區(qū)域圖像樣本的LBP特征，y,為該單眼區(qū)域圖像樣本所屬的樣本類別，在其屬于佩戴眼鏡類別時yi = 1， 在其屬于不佩戴眼鏡類別時Yi = -1，η為單眼區(qū)域圖像樣本的數(shù)量；針對所述LBP特征訓練集，訓練獲得作為單眼區(qū)域分類器的支持向量機模型
η
/(χ) =+ ,其中，Sgn為符號函數(shù)，b*為分類閾值，》為訓練得到的
^(Xi
最優(yōu)分類參數(shù)；所述依據(jù)第一判別結果進行檢測的過程包括在該第一判別結果的絕對值大于1+ δ，δ > 0時，如果該第一判別結果為正數(shù)，則輸出佩戴眼鏡的檢測結果，如果該第一判別結果為負數(shù)，則輸出未佩戴眼鏡的檢測結果；在該第一判別結果的絕對值小于等于1+ δ，δ > 0時，則根據(jù)雙眼區(qū)域分類器對所述眼鏡區(qū)域圖像進行第二判別，并依據(jù)第二判別結果輸出是否佩戴眼鏡的檢測結果。優(yōu)選的，所述雙眼區(qū)域分類器為通過以下步驟獲得的分類器獲取雙眼區(qū)域圖像樣本；提取所述雙眼區(qū)域圖像樣本的LBP特征；依據(jù)所述LBP特征構造雙眼區(qū)域分類器；所述根據(jù)雙眼區(qū)域分類器對所述眼鏡區(qū)域圖像進行第二判別的步驟，包括提取所述眼鏡區(qū)域圖像的LBP特征；將所述LBP特征輸入到所述雙眼區(qū)域分類器中，輸出第二判別結果。優(yōu)選的，所述依據(jù)LBP特征構造雙眼區(qū)域分類器的步驟，包括構造LBP特征訓練集Kx' i，y'》}，其中，i = 1，· · ·，m，χ' i為某一雙眼區(qū)域圖像樣本的LBP特征，y' i為該雙眼區(qū)域圖像樣本所屬的樣本類別，在其屬于佩戴眼鏡類別時y' i = 1，在其屬于不佩戴眼鏡類別時y' iZ-Lm為雙眼區(qū)域圖像樣本的數(shù)量；針對所述LBP特征訓練集，訓練獲得作為雙眼區(qū)域分類器的支持向量機模型
m
/(x) = sgn{^^.j.(x..x) + Z)}其中，Sgn為符號函數(shù)，b為分類閾值，α i為訓練得到的
最優(yōu)分類參數(shù)；所述依據(jù)第二判別結果輸出是否佩戴眼鏡的檢測結果的步驟為，如果該第二判別結果為正數(shù)，則輸出佩戴眼鏡的檢測結果，如果該第二判別結果為負數(shù)，則輸出未佩戴眼鏡的檢測結果。優(yōu)選的，所述從待檢測人臉圖像中獲取眼鏡區(qū)域圖像的步驟，包括對所述待檢測人臉圖像進行眼睛定位，得到眼睛位置；根據(jù)所述眼睛位置，對所述待檢測人臉圖像進行歸一化操作；
7
從歸一化后的待檢測人臉圖像中割取預設大小的裸眼圖像，作為眼鏡區(qū)域圖像。優(yōu)選的，所述LBP特征包括LBP特征、一致性LBP特征或者半LBP特征。優(yōu)選的，所述方法還包括在所述眼睛定位失敗時，根據(jù)特殊眼鏡分類器對待檢測人臉圖像進行檢測，輸出是否佩戴特殊眼鏡的檢測結果。優(yōu)選的，所述特殊眼鏡分類器為通過以下步驟獲得的分類器獲取特殊眼鏡人臉圖像樣本；提取所述特殊眼鏡人臉圖像樣本的LBP特征；依據(jù)所述LBP特征構造特殊眼鏡分類器；所述根據(jù)特殊眼鏡分類器對待檢測人臉圖像進行檢測的步驟，包括提取所述待檢測人臉圖像的LBP特征；從所述特殊眼鏡分類器中獲取距離所述LBP特征最近的K個特殊眼鏡人臉圖像樣本，其中，K為自然數(shù)；依據(jù)所述K個特殊眼鏡人臉圖像樣本的類別，確定并輸出所述LBP特征所屬的類別。優(yōu)選的，通過如下公式計算所述LBP特征S1到某一特殊眼鏡人臉圖像樣本&的距罔
權利要求
1.一種眼鏡檢測方法，其特征在于，包括 從待檢測人臉圖像中獲取眼鏡區(qū)域圖像；根據(jù)單眼區(qū)域分類器對所述眼鏡區(qū)域圖像進行第一判別，并依據(jù)第一判別結果進行檢測，所述檢測的過程包括如果該第一判別結果的絕對值大于預設置信閾值，則依據(jù)該第一判別結果輸出是否佩戴眼鏡的檢測結果；如果該第一判別結果的絕對值小于等于所述預設置信閾值，則根據(jù)雙眼區(qū)域分類器對所述眼鏡區(qū)域圖像進行第二判別，并依據(jù)第二判別結果輸出是否佩戴眼鏡的檢測結果。
2.如權利要求1所述的方法，其特征在于，所述單眼區(qū)域分類器為通過以下步驟獲得的分類器獲取單眼區(qū)域圖像樣本； 提取所述單眼區(qū)域圖像樣本的LBP特征； 依據(jù)所述LBP特征構造單眼區(qū)域分類器；所述根據(jù)單眼區(qū)域分類器對所述眼鏡區(qū)域圖像進行第一判別的步驟，包括 提取所述眼鏡區(qū)域圖像的LBP特征；將所述LBP特征輸入到所述單眼區(qū)域分類器中，輸出第一判別結果。
3.如權利要求2所述的方法，其特征在于，所述依據(jù)LBP特征構造單眼區(qū)域分類器的步驟，包括構造LBP特征訓練集{(Xi，yi)}，其中，i = 1，...，n，Xi為某一單眼區(qū)域圖像樣本的 LBP特征，yi為該單眼區(qū)域圖像樣本所屬的樣本類別，在其屬于佩戴眼鏡類別時yi = 1，在其屬于不佩戴眼鏡類別時Yi = -1，η為單眼區(qū)域圖像樣本的數(shù)量；針對所述LBP特征訓練集，訓練獲得作為單眼區(qū)域分類器的支持向量機模型
4.如權利要求1所述的方法，其特征在于，所述雙眼區(qū)域分類器為通過以下步驟獲得的分類器獲取雙眼區(qū)域圖像樣本； 提取所述雙眼區(qū)域圖像樣本的LBP特征； 依據(jù)所述LBP特征構造雙眼區(qū)域分類器；所述根據(jù)雙眼區(qū)域分類器對所述眼鏡區(qū)域圖像進行第二判別的步驟，包括 提取所述眼鏡區(qū)域圖像的LBP特征；將所述LBP特征輸入到所述雙眼區(qū)域分類器中，輸出第二判別結果。
5.如權利要求4所述的方法，其特征在于，所述依據(jù)LBP特征構造雙眼區(qū)域分類器的步驟，包括構造LBP特征訓練集Kx' i，y'}，其中，i = l，...，m，x' i為某一雙眼區(qū)域圖像樣本的LBP特征，y' i為該雙眼區(qū)域圖像樣本所屬的樣本類別，在其屬于佩戴眼鏡類別時 1’ i = 1，在其屬于不佩戴眼鏡類別時y' i = -，!!!為雙眼區(qū)域圖像樣本的數(shù)量；針對所述LBP特征訓練集，訓練獲得作為雙眼區(qū)域分類器的支持向量機模型
6.如權利要求1所述的方法，其特征在于，所述從待檢測人臉圖像中獲取眼鏡區(qū)域圖像的步驟，包括對所述待檢測人臉圖像進行眼睛定位，得到眼睛位置；根據(jù)所述眼睛位置，對所述待檢測人臉圖像進行歸一化操作；從歸一化后的待檢測人臉圖像中割取預設大小的裸眼圖像，作為眼鏡區(qū)域圖像。
7.如權利要求2至5中任一項所述的方法，其特征在于，所述LBP特征包括LBP特征、 一致性LBP特征或者半LBP特征。
8.如權利要求6所述的方法，其特征在于，還包括在所述眼睛定位失敗時，根據(jù)特殊眼鏡分類器對待檢測人臉圖像進行檢測，輸出是否佩戴特殊眼鏡的檢測結果。
9.如權利要求8所述的方法，其特征在于，所述特殊眼鏡分類器為通過以下步驟獲得的分類器獲取特殊眼鏡人臉圖像樣本；提取所述特殊眼鏡人臉圖像樣本的LBP特征；依據(jù)所述LBP特征構造特殊眼鏡分類器；所述根據(jù)特殊眼鏡分類器對待檢測人臉圖像進行檢測的步驟，包括 提取所述待檢測人臉圖像的LBP特征；從所述特殊眼鏡分類器中獲取距離所述LBP特征最近的K個特殊眼鏡人臉圖像樣本， 其中，K為自然數(shù)；依據(jù)所述K個特殊眼鏡人臉圖像樣本的類別，確定并輸出所述LBP特征所屬的類別。
10.如權利要求9所述的方法，其特征在于，通過如下公式計算所述LBP特征S1到某一特殊眼鏡人臉圖像樣本&的距離:
11.一種眼鏡檢測裝置，其特征在于，包括獲取模塊，用于從待檢測人臉圖像中獲取眼鏡區(qū)域圖像； 第一判別模塊，用于根據(jù)單眼區(qū)域分類器對所述眼鏡區(qū)域圖像進行第一判別；及檢測模塊，用于依據(jù)第一判別結果進行檢測；其中，所述檢測模塊包括第一輸出子模塊，用于在該第一判別結果的絕對值大于預設置信閾值時，依據(jù)該第一判別結果輸出是否佩戴眼鏡的檢測結果；第二判別子模塊，用于在該第一判別結果的絕對值小于等于所述預設置信閾值時，則根據(jù)雙眼區(qū)域分類器對所述眼鏡區(qū)域圖像進行第二判別；及第二輸出子模塊，用于依據(jù)第二判別結果輸出是否佩戴眼鏡的檢測結果。
12.如權利要求11所述的裝置，其特征在于，還包括單眼區(qū)域分類器構造模塊，包括 單眼樣本獲取子模塊，用于獲取單眼區(qū)域圖像樣本；單眼提取子模塊，用于提取所述單眼區(qū)域圖像樣本的LBP特征；及單眼構造子模塊，用于依據(jù)所述LBP特征構造單眼區(qū)域分類器； 所述第一判別模塊包括第一特征提取子模塊，用于提取所述眼鏡區(qū)域圖像的LBP特征；及第一判別輸出子模塊，用于將所述LBP特征輸入到所述單眼區(qū)域分類器中，輸出第一判別結果。
13.如權利要求12所述的裝置，其特征在于，所述單眼構造子模塊包括單眼訓練集構造單元，用于構造LBP特征訓練集{(Xi，yi)}，其中，i = 1，. . .，n，Xi為某一單眼區(qū)域圖像樣本的LBP特征，yi為該單眼區(qū)域圖像樣本所屬的樣本類別，在其屬于佩戴眼鏡類別時Yi = 1，在其屬于不佩戴眼鏡類別時Yi = _l，n為單眼區(qū)域圖像樣本的數(shù)量； 及單眼訓練單元，用于針對所述LBP特征訓練集，訓練獲得作為單眼區(qū)域分類器的支持向量機模型
14.如權利要求11所述的裝置，其特征在于，還包括雙眼區(qū)域分類器構造模塊，包括 雙眼樣本獲取子模塊，用于獲取雙眼區(qū)域圖像樣本；雙眼提取子模塊，用于提取所述雙眼區(qū)域圖像樣本的LBP特征； 雙眼構造子模塊，用于依據(jù)所述LBP特征構造雙眼區(qū)域分類器； 所述第二判別子模塊包括第二特征提取單元，用于提取所述眼鏡區(qū)域圖像的LBP特征； 第二判別輸出單元，用于將所述LBP特征輸入到所述雙眼區(qū)域分類器中，輸出第二判別結果。
15.如權利要求14所述的裝置，其特征在于，所述雙眼構造子模塊包括雙眼訓練集構造單元，用于構造LBP特征訓練集{(x' i，y'i)}，其中，i = l，...，m， x' i為某一雙眼區(qū)域圖像樣本的LBP特征，y' i為該雙眼區(qū)域圖像樣本所屬的樣本類別，在其屬于佩戴眼鏡類別時y' i = 1，在其屬于不佩戴眼鏡類別時y' i=-l，m為雙眼區(qū)域圖像樣本的數(shù)量；及雙眼訓練單元，用于針對所述LBP特征訓練集，訓練獲得作為雙眼區(qū)域分類器的支持向量機模型
16.如權利要求11所述的裝置，其特征在于，所述獲取模塊包括眼鏡定位子模塊，用于對所述待檢測人臉圖像進行眼睛定位，得到眼睛位置； 歸一化子模塊，用于根據(jù)所述眼睛位置，對所述待檢測人臉圖像進行歸一化操作；及割取子模塊，用于從歸一化后的待檢測人臉圖像中割取預設大小的裸眼圖像，作為眼鏡區(qū)域圖像。
17.如權利要求12至15中任一項所述的裝置，其特征在于，所述LBP特征包括LBP特征、一致性LBP特征或者半LBP特征。
18.如權利要求16所述的裝置，其特征在于，還包括特殊眼鏡檢測模塊，用于在所述眼睛定位失敗時，根據(jù)特殊眼鏡分類器對待檢測人臉圖像進行檢測，輸出是否佩戴特殊眼鏡的檢測結果。
19.如權利要求18所述的裝置，其特征在于，還包括特殊眼鏡分類器構造模塊，包括 特殊眼鏡樣本獲取子模塊，用于獲取特殊眼鏡人臉圖像樣本；特殊提取子模塊，用于提取所述特殊眼鏡人臉圖像樣本的LBP特征；及特殊構造子模塊，用于依據(jù)所述LBP特征構造特殊眼鏡分類器； 所述特殊眼鏡檢測模塊包括第三特征提取子模塊，用于提取所述待檢測人臉圖像的LBP特征； K緊鄰獲取子模塊，用于從所述特殊眼鏡分類器中獲取距離所述LBP特征最近的K個特殊眼鏡人臉圖像樣本，其中，K為自然數(shù)；及確定輸出子模塊，用于依據(jù)所述K個特殊眼鏡人臉圖像樣本的類別，確定并輸出所述 LBP特征所屬的類別。
20.如權利要求19所述的裝置，其特征在于，還包括距離計算模塊，用于通過如下公式計算所述LBP特征S1到某一特殊眼鏡人臉圖像樣本&的距離γ fi — 2"d= η,+η,-η^其中，叫，n2分別為S1和&具有的LBP特征的數(shù)目，n12為S1 Π &的 LBP特征交集的數(shù)目，η代表交集。
全文摘要
本發(fā)明提供了一種眼鏡檢測方法和裝置，其中的方法具體包括從待檢測人臉圖像中獲取眼鏡區(qū)域圖像；根據(jù)單眼區(qū)域分類器對所述眼鏡區(qū)域圖像進行第一判別，并依據(jù)第一判別結果進行檢測，所述檢測的過程包括如果該第一判別結果的絕對值大于預設置信閾值，則依據(jù)該第一判別結果輸出是否佩戴眼鏡的檢測結果；如果該第一判別結果的絕對值小于等于所述預設置信閾值，則根據(jù)雙眼區(qū)域分類器對所述眼鏡區(qū)域圖像進行第二判別，并依據(jù)第二判別結果輸出是否佩戴眼鏡的檢測結果。本發(fā)明對初始人臉位置沒有過高要求，且能夠提高眼鏡檢測的精度。
文檔編號G06K9/66GK102163288SQ201110085419
公開日2011年8月24日 申請日期2011年4月6日 優(yōu)先權日2011年4月6日
發(fā)明者崔國勤 申請人:北京中星微電子有限公司