專利名稱：人臉識別方法及系統(tǒng)、人臉圖像的眼鏡框去除方法與裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理與模式識別領(lǐng)域，特別涉及一種人臉識別方法及系統(tǒng)、人臉 圖像的眼鏡框去除方法與裝置。
背景技術(shù)：
人臉識別作為一種重要的身份鑒別技術(shù)，在安全、金融、人機交互、信息、教育等諸 多領(lǐng)域有著廣泛的應(yīng)用前景。目前的人臉識別系統(tǒng)通過將模板庫中的模板圖像與待識別人 臉形成的識別圖像(人臉圖像)相比較來進行人臉識別，在模板圖像與識別圖像獲取條件 基本一致時有很好的識別效果。但識別圖像存在遮擋物而模板圖像無遮擋時，會由于圖像 之間特征的差異而降低識別率，其中眼鏡的遮擋尤為突出，由于眼鏡鏡框紋理、形狀、位置、 鏡片顏色、模糊程度和鏡片反光等因素的變化，使待識別人臉圖像穩(wěn)定性下降，因此眼鏡遮 擋的人臉識別難以進行。而隨著日常生活中人們配帶眼鏡的比例越來越高，眼鏡對人臉的 遮擋則成為了人臉識別中必須解決的一個問題，現(xiàn)有技術(shù)對該問題進行了不斷的研究和討 論。
目前主要的解決眼鏡遮擋的人臉識別方法可以分為兩類一類是圖像分塊，從遮 擋圖像中獲得未被遮擋的圖像特征；另一類是眼鏡消除，從遮擋圖像中消除眼鏡，獲得無眼 鏡的對應(yīng)圖像。
1、基于圖像分塊的方法
基于圖像分塊的方法把人臉圖像劃分成很多小塊，檢測每一塊是否被遮擋，從而 從未被遮擋的小塊中提取特征作為該圖像的特征進行識別。比較典型的是Hyun Jun Oh等 人在“In Proceedings of Asian Conference on ComputerVision,Vol. 3851,pp. 120-129, Jan. 2006”上提到的方法，其把人臉分成很多小塊，利用最近鄰的分類方法檢測每一小塊是 否為遮擋區(qū)域，繼而從未被遮擋的小塊中獲取圖像特征進行識別。特征的選擇是根據(jù)大量 的樣本分成同樣的小塊后獲得的每一塊的NMF(Nonnegative Matrix Factorization)特 征。這類方法過于依賴區(qū)域檢測結(jié)果，區(qū)域檢測的方法一般為從訓(xùn)練樣本學習出分類器進 行檢測，本身檢測的結(jié)果便會有誤差。同時區(qū)域劃分的方法在粗劃分時容易造成圖像大面 積的丟失，使得未被遮擋的圖像區(qū)域難以描述整幅圖像特征，而進行細劃分時，雖然對整張 人臉特征的描述更為準確，但也給識別的效率帶來了負擔。
2、基于眼鏡(眼鏡框)消除的方法
基于眼鏡消除的方法一般通過學習戴眼鏡圖像與對應(yīng)無眼鏡圖像之間的關(guān) 系來消除圖像中的眼鏡遮擋。其主要思路是用主成分分析(PCA, PrincipalComponent Analysis)的方法訓(xùn)練一批沒有配戴眼鏡的圖像，投影戴眼鏡的人臉圖像到該空間以獲得 無眼鏡圖像特征對戴眼鏡圖像的描述，從而重建出對應(yīng)摘掉眼鏡的人臉圖像。最早由Saito 在 “ International Conference on ImageProcessing，，，Vol. 4, pp. 197-201, Oct. 1999，， 中提出，之后又有 Du 等人在《Pattern Recognition Letters)), Vol. 26, pp. 2215-2220, Oct. 2005上做了一定的改進先利用閾值強化重建的圖像與原圖像之間的差異獲得眼鏡的區(qū)域，通過迭代的方法逐漸消除原圖中眼鏡區(qū)域，使得重建的圖像更為真實。在這其中， 應(yīng)用了各種眼鏡檢測的方法，比如主動形狀模型(active shape model)、snake模型、人工 神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks)、Hough變換等方法,但這類方法的問題在于過 于依賴眼鏡檢測的結(jié)果，而由于眼鏡的多樣性，本身眼鏡檢測就難以達到要求；重建圖像存 在失真，重建圖像由訓(xùn)練樣本線性組成，必然與原圖存在差異；對于鏡片模糊或者有反光 的情況以及鏡框顏色較深的情況都表現(xiàn)很差，重建圖像中總會有眼鏡框和黑斑等遺留的存 在，需要特定的戴眼鏡與對應(yīng)無眼鏡樣本進行學習。
隨著社會對安全需求的日益增長，人臉識別正在智能安全監(jiān)控中扮演著越來越重 要的角色，然而由于受眼鏡框等遮擋物的影響，人臉識別的可靠性也經(jīng)受著考驗，為了盡可 能減少眼鏡框遮擋對人臉識別的影響，有必要提供一種有效的針對戴眼鏡人臉圖像的眼鏡 框去除方法。
相關(guān)技術(shù)還可參考公開號為CN 102034079A的中國專利申請，該專利申請公開了 一種眼鏡遮擋下的人臉識別方法和系統(tǒng)。發(fā)明內(nèi)容
本發(fā)明要解決的問題是提供一種戴眼鏡人臉圖像的眼鏡框去除方法，能便捷、有 效地去除戴眼鏡人臉圖像中的眼鏡框，進而提高人臉識別率。
為解決上述問題，本發(fā)明技術(shù)方案提供一種人臉圖像的眼鏡框去除方法，包括
對輸入的戴眼鏡的人臉圖像中的雙眼進行檢測定位，并基于定位后的結(jié)果對所述 人臉圖像進行幾何校正，形成第一圖像；
從所述第一圖像中提取出眼睛預(yù)估區(qū)域，獲得第二圖像，并對所述第二圖像進行 數(shù)學形態(tài)學處理以確定眼鏡框的位置；
基于所述第一圖像，建立人臉的膚色模型；
在所述第二圖像中，對確定出位置的眼鏡框的每個像素點進行插值，并以所述膚 色模型對眼鏡框的部分像素點的插值結(jié)果進行修正，再經(jīng)去噪處理后形成第九圖像；
以所述第九圖像替代所述第一圖像中的眼睛預(yù)估區(qū)域，合成后輸出去除眼鏡框后 的人臉圖像。
可選的，從所述第一圖像中提取眼睛預(yù)估區(qū)域包括
基于對雙眼進行檢測定位后的結(jié)果獲得雙眼的坐標；
根據(jù)雙眼的坐標計算出雙眼之間的距離D ；
以雙眼中心為原點，向上、下、左、右四個方向擴展D的預(yù)定倍數(shù)后獲得所述眼睛 預(yù)估區(qū)域。
可選的，所述向上、下、左、右四個方向擴展D的預(yù)定倍數(shù)包括向上擴展O. 2D，向 下擴展O. 5D，向左、右各擴展1. 1D。
可選的，對所述第二圖像進行數(shù)學形態(tài)學處理以確定眼鏡框的位置包括
對所述第二圖像進行卷積濾波操作，形成第三圖像；
將所述第三圖像與預(yù)先設(shè)置的眼睛模板進行與運算操作，形成第四圖像；
對所述第四圖像進行二值化操作，形成第五圖像；
對所述第五圖像進行數(shù)學形態(tài)學操作，形成第六圖像，確定所述第六圖像中的白像素部分為眼鏡框的位置。
可選的，所述預(yù)先設(shè)置的眼睛模板包括適于屏蔽所述第三圖像中的眼球的掩模區(qū) 域，所述掩模區(qū)域按與所述第二圖像的尺寸相適應(yīng)的比例進行設(shè)置。
可選的，所述掩模區(qū)域為兩個相同大小的橢圓，所述橢圓的短軸長度為第二圖像 高度的1/4，長軸長度為第二圖像寬度的1/8，兩個橢圓中心的縱坐標位于第二圖像高度的 1/2處，橫坐標分別位于第二圖像寬度的1/4處、3/4處。
可選的，對所述第二圖像進行卷積濾波操作，形成第三圖像包括分別以預(yù)設(shè)模板 及其轉(zhuǎn)置模板對所述第二圖像進行卷積濾波操作，輸出兩個濾波結(jié)果的絕對值之和，形成 所述第三圖像。
可選的，所述預(yù)設(shè)模板是基于Sobel算子建立的。
可選的，所述數(shù)學形態(tài)學操作包括閉運算操作、去除小面積連通域的操作。
可選的，所述在所述第二圖像中，對確定出位置的眼鏡框的每個像素點進行插值， 并以所述膚色模型對眼鏡框的部分像素點的插值結(jié)果進行修正，再經(jīng)去噪處理后形成第九 圖像包括
在所述第二圖像上，相應(yīng)于所述第六圖像中的白像素部分，基于所述膚色模型具 有的均值參數(shù)對每個像素點進行插值，形成第七圖像；
在所述第七圖像上，相應(yīng)于所述第六圖像中的白像素部分，基于向所述膚色模型 投影后得到的膚色概率值對眼鏡框的部分像素點的插值結(jié)果進行修正，形成第八圖像；
在所述第八圖像上，相應(yīng)于所述第六圖像中的白像素部分，進行中值濾波操作以 去除孤立噪聲，形成所述第九圖像。
可選的，所述在所述第二圖像上，相應(yīng)于所述第六圖像中的白像素部分，基于所述 膚色模型具有的均值參數(shù)對每個像素點進行插值，形成第七圖像包括
選取像素點的鄰域，并確定第一閾值，所述第一閾值為區(qū)分眼鏡框灰度與其周圍 皮膚灰度的分割閾值；
若像素點的灰度值大于所述均值參數(shù)，則使用該像素點的鄰域中低于所述第一閾 值的像素均值更新該像素點的灰度值，否則使用該像素點的鄰域中高于所述第一閾值的像 素均值更新該像素點的灰度值；
遍歷所有像素點后，形成所述第七圖像。
可選的，所述在所述第七圖像上，相應(yīng)于所述第六圖像中的白像素部分，基于向所 述膚色模型投影后得到的膚色概率值對眼鏡框的部分像素點的插值結(jié)果進行修正，形成第 八圖像包括
對每個像素點向所述膚色模型投影，得到每個像素點的膚色概率值；
若某個像素點的膚色概率值大于第二閾值，則以所述第二圖像中該像素點的灰度 值對所述第七圖像中相對應(yīng)像素點的灰度值進行更新；
遍歷所有像素點后，形成所述第八圖像。
可選的，所述第二閾值為O. 002 O. 01。
可選的，所述膚色模型為高斯模型。
為解決上述問題，本發(fā)明技術(shù)方案還提供一種人臉識別方法，包括以上述眼鏡框 去除方法對輸入的戴眼鏡的人臉圖像中的眼鏡框進行去除，再對去除眼鏡框后輸出的人臉圖像進行人臉識別。
為解決上述問題，本發(fā)明技術(shù)方案還提供一種人臉圖像的眼鏡框去除裝置，包 括
預(yù)處理單元，適于對輸入的戴眼鏡的人臉圖像中的雙眼進行檢測定位，并基于定 位后的結(jié)果對所述人臉圖像進行幾何校正，形成第一圖像；
提取單元，適于從所述第一圖像中提取出眼睛預(yù)估區(qū)域，獲得第二圖像；
數(shù)學形態(tài)學處理單元，適于對所述第二圖像進行數(shù)學形態(tài)學處理以確定眼鏡框的 位置；
膚色模型建立單元，適于基于所述第一圖像，建立人臉的膚色模型；
插值單元，適于在所述第二圖像中，對確定出位置的眼鏡框的每個像素點進行插 值，并以所述膚色模型對眼鏡框的部分像素點的插值結(jié)果進行修正，再經(jīng)去噪處理后形成 第九圖像；
圖像合成單元，適于以所述第九圖像替代所述第一圖像中的眼睛預(yù)估區(qū)域，合成 后輸出去除眼鏡框后的人臉圖像。
為解決上述問題，本發(fā)明技術(shù)方案還提供一種包括上述人臉圖像的眼鏡框去除裝 置的人臉識別系統(tǒng)。
與現(xiàn)有技術(shù)相比，本發(fā)明的技術(shù)方案具有以下優(yōu)點
通過對輸入的戴眼鏡的人臉圖像中的雙眼進行檢測定位，并基于定位后的結(jié)果對 所述人臉圖像進行幾何校正，然后提取出眼睛預(yù)估區(qū)域并對其進行數(shù)學形態(tài)學處理以確定 眼鏡框的位置，繼而對確定出位置的眼鏡框的每個像素點進行插值，再使用膚色模型對眼 鏡框的部分像素點的插值結(jié)果進行修正，最后將經(jīng)中值濾波去噪處理后的結(jié)果合成進原 圖，從而能便捷、有效地去除戴眼鏡的人臉圖像中的眼鏡框，進而提高了人臉識別率。
其中，通過使用膚色模型對眼鏡框的部分像素點的插值結(jié)果進行修正，能減少由 于眼鏡框位置不精確所帶來的部分像素插值結(jié)果不準確，從而達到對所述人臉圖像中的眼 鏡框更好的去除效果。


圖1是本發(fā)明實施方式提供的人臉圖像的眼鏡框去除方法的流程示意圖2至圖9是本發(fā)明實施例的人臉圖像的眼鏡框去除的實際示例圖10是提取眼睛預(yù)估區(qū)域的示意圖11是眼睛模板的示意圖12是本發(fā)明實施方式提供的人臉圖像的眼鏡框去除裝置的結(jié)構(gòu)示意圖。
具體實施方式
現(xiàn)有技術(shù)難以便捷、有效地去除戴眼鏡人臉圖像的眼鏡框，從而會因眼鏡框的遮 擋而造成人臉識別率的降低。本技術(shù)方案首先使用人眼定位技術(shù)對輸入的戴眼鏡的人臉圖 像中雙眼的位置進行定位，并基于定位后的結(jié)果對所述人臉圖像進行幾何校正，然后提取 出眼睛預(yù)估區(qū)域并對其進行數(shù)學形態(tài)學處理以確定眼鏡框的位置，繼而對確定出位置的眼 鏡框的每個像素點進行插值，并為了減少眼鏡框位置不精確所帶來的部分像素插值結(jié)果不準確，再使用膚色模型對該部分像素進行修正，最后將經(jīng)中值濾波去噪處理后的結(jié)果合成 進原圖，從而獲得去除了眼鏡框的人臉圖像，進而提高了人臉識別率。
為使本發(fā)明的上述目的、特征和優(yōu)點能夠更為明顯易懂，下面結(jié)合附圖對本發(fā)明 的具體實施方式
做詳細的說明。
在以下描述中闡述了具體細節(jié)以便于充分理解本發(fā)明。但是本發(fā)明能夠以多種不 同于在此描述的其它方式來實施，本領(lǐng)域技術(shù)人員可以在不違背本發(fā)明內(nèi)涵的情況下做類 似推廣。因此本發(fā)明不受下面公開的具體實施方式
的限制。
圖1是本發(fā)明實施方式提供的人臉圖像的眼鏡框去除方法的流程示意圖。如圖1 所示，所述人臉圖像的眼鏡框去除方法包括
步驟S101，對輸入的戴眼鏡的人臉圖像中的雙眼進行檢測定位，并基于定位后的 結(jié)果對所述人臉圖像進行幾何校正，形成第一圖像；
步驟S102，從所述第一圖像中提取出眼睛預(yù)估區(qū)域，獲得第二圖像，并對所述第二 圖像進行數(shù)學形態(tài)學處理以確定眼鏡框的位置；
步驟S103，基于所述第一圖像，建立人臉的膚色模型；
步驟S104，在所述第二圖像中，對確定出位置的眼鏡框的每個像素點進行插值，并 以所述膚色模型對眼鏡框的部分像素點的插值結(jié)果進行修正，再經(jīng)去噪處理后形成第九圖 像；
步驟S105，以所述第九圖像替代所述第一圖像中的眼睛預(yù)估區(qū)域，合成后輸出去 除眼鏡框后的人臉圖像。
圖2至圖9是本發(fā)明實施例的人臉圖像的眼鏡框去除的實際示例圖。下面結(jié)合圖1以及圖2至圖9，以具體實施例對上述人臉圖像的眼鏡框去除方法作詳細說明。
首先，執(zhí)行步驟S101，對輸入的戴眼鏡的人臉圖像中的雙眼進行檢測定位，并基于 定位后的結(jié)果對所述人臉圖像進行幾何校正，形成第一圖像。本實施例中，輸入的待處理的 人臉圖像為戴眼鏡的人臉圖像，并且該人臉圖像為人臉灰度圖像。實際情況中，在對輸入的 人臉圖像進行識別前，還需要判斷輸入的人臉圖像是否為配戴眼鏡的人臉圖像，是則以本 發(fā)明實施方式提供的人臉圖像的眼鏡框去除方法對輸入的人臉圖像中的眼鏡框進行去除 處理后再開始人臉識別，否則便直接對輸入的人臉圖像進行人臉識別，當然，對于未配戴眼 鏡的人臉圖像進行人臉識別時，步驟SlOl對輸入的人臉圖像進行預(yù)處理的過程一般仍需 要執(zhí)行。
需要說明的是，雖然本發(fā)明實施方式提供的人臉圖像的眼鏡框去除方法更多地應(yīng) 用于人臉識別中，但其并不局限于人臉識別，也可以單獨作為一種圖像處理的方法對配戴 眼鏡的人臉圖像進行眼鏡框的去除處理。
本實施例中，對輸入的人臉灰度圖像進行兩點(雙眼)檢測定位，可采用現(xiàn)有技術(shù) 中任意一種人眼定位方法，例如AdaBoost方法、人工神經(jīng)網(wǎng)絡(luò)法、模板匹配法、灰度投影法 等等。至于各種人眼定位技術(shù)為本領(lǐng)域技術(shù)人員所公知，在此不再贅述。
步驟SlOl是對輸入的人臉圖像進行預(yù)處理的過程。對于各種人臉識別的方法，人 臉圖像的標準化都是很重要的，對最終的識別結(jié)果也有著直接的影響。這里的標準化主要 是指在各幅人臉圖像中，人臉的關(guān)鍵部位在圖像中的相對位置是否都是一樣的。由于通常 是利用整幅圖像的信息進行人臉識別的，對于不經(jīng)過任何處理的原始圖像，人臉部位在圖像中的位置都是有所偏移的，這會影響人臉的正確識別。所以需要對輸入的人臉圖像進行 幾何校正，以使不同輸入情況下的人臉圖像最后都統(tǒng)一到同樣的大小，并且人臉關(guān)鍵部位 也盡量保持一致。幾何校正主要包括縮放、旋轉(zhuǎn)、翻轉(zhuǎn)?？s放就是把原始圖像中包含的人 臉縮放到統(tǒng)一的大小，其依據(jù)是人眼的坐標(通過上述人眼定位技術(shù)獲得)。人眼是人面部 很重要的一個部件，通過縮放處理，能保證雙眼間距離是相同，從而其他部位如鼻、嘴、臉頰 等位置也都保持在相對標準的位置。旋轉(zhuǎn)就是把原始圖像中人臉圖像進行平面內(nèi)的旋轉(zhuǎn)處 理，主要目的是使兩眼之間的連線保持在水平的位置。翻轉(zhuǎn)主要是考慮到有的人臉圖像可 能存在上下顛倒的問題，便可以通過翻轉(zhuǎn)來進行糾正，以使目標圖像中的人臉保持正面。因 為考慮到本發(fā)明實施方式所述的人臉圖像的眼鏡框去除方法具體是對輸入的戴眼鏡人臉 圖像中的眼鏡框的去除，而非局限于人臉識別，因此，為了便于后續(xù)步驟能夠準確提取出眼 睛預(yù)估區(qū)域并確定眼鏡框的位置，本實施例中，所述幾何校正主要包括水平校正，即采用人 眼定位技術(shù)獲得雙眼的位置(坐標)后，以雙眼連線為基準對人臉圖像進行水平校正。
通過步驟SlOl對輸入的戴眼鏡的人臉圖像進行預(yù)處理，并輸出第一圖像后，執(zhí)行 步驟S102，從所述第一圖像中提取出眼睛預(yù)估區(qū)域，獲得第二圖像，并對所述第二圖像進行 數(shù)學形態(tài)學處理以確定眼鏡框的位置。本實施例中，步驟S102中從所述第一圖像中提取眼 睛預(yù)估區(qū)域具體可包括
基于對雙眼進行檢測定位后的結(jié)果獲得雙眼的坐標；
根據(jù)雙眼的坐標計算出雙眼之間的距離D ；
以雙眼中心為原點，向上、下、左、右四個方向擴展D的預(yù)定倍數(shù)后獲得所述眼睛 預(yù)估區(qū)域。
圖10是提取眼睛預(yù)估區(qū)域的示意圖。參閱圖10，圖中示出了人臉圖像中的面部 主要部位，如眼、鼻、嘴、臉頰等，通過步驟SlOl可獲得雙眼的坐標，所述雙眼的坐標具體指 的是眼睛中心的坐標，如圖10所示，點A表示右眼(圖中左側(cè)的眼睛)的中心，點B表示左 眼(圖中右側(cè)的眼睛)的中心，假設(shè)A、B兩點的橫坐標分別為X1和X2，則雙眼之間的距離 D= IX1-X2I,而點O為兩眼中心，即線段AB的中點。確定眼睛預(yù)估區(qū)域時，以雙眼中心(點 O)為原點，向上、下、左、右四個方向擴展D的預(yù)定倍數(shù)后便可獲得所述眼睛預(yù)估區(qū)域，具體 實施時，所述預(yù)定倍數(shù)可根據(jù)實際情況進行設(shè)定。本實施例中，向上、下、左、右四個方向擴 展D的預(yù)定倍數(shù)包括向上擴展O. 2D，向下擴展O. 5D，向左、右各擴展1. 1D，如圖10中虛線 框所示區(qū)域即為所述眼睛預(yù)估區(qū)域。所述眼睛預(yù)估區(qū)域界定出了人臉圖像中眼睛部位、眼 鏡框所在的區(qū)域，能夠初步劃定眼鏡框所處的范圍，由此能更有針對性地確定出眼鏡框的 具體位置，減小后續(xù)步驟對眼鏡框進行去除處理時的計算量。需要說明的是，圖10中并未 對眼鏡框進行標示，一般眼鏡框會包含于所獲得的眼睛預(yù)估區(qū)域之中，因此只需要提取出 該眼睛預(yù)估區(qū)域進行后續(xù)處理即可。
在第一圖像中，裁剪出所獲得的眼睛預(yù)估區(qū)域，由所述眼睛預(yù)估區(qū)域形成第二圖 像后，便完成了對眼睛預(yù)估區(qū)域的提取。圖2是第二圖像的一個具體示例。如圖2所示，提 取出的眼睛預(yù)估區(qū)域中主要包括了雙眼以及眼鏡框，此時需要對第二圖像進行一系列的處 理才能確定出眼鏡框的位置，即確定出第二圖像中的眼鏡框由哪些像素點構(gòu)成。
本實施例中，步驟S102中對所述第二圖像進行數(shù)學形態(tài)學處理以確定眼鏡框的 位置具體可包括如下步驟
步驟S102b，對所述第二圖像進行卷積濾波操作，形成第三圖像；
步驟S102C，將所述第三圖像與預(yù)先設(shè)置的眼睛模板進行與運算操作，形成第四圖 像；
步驟S102d，對所述第四圖像進行二值化操作，形成第五圖像；
步驟S102e，對所述第五圖像進行數(shù)學形態(tài)學操作，形成第六圖像，確定所述第六 圖像中的白像素部分為眼鏡框的位置。
提取出所述眼睛預(yù)估區(qū)域形成第二圖像后，首先執(zhí)行步驟S102b，對所述第二圖像 進行卷積濾波操作，形成第三圖像。具體地，分別以預(yù)設(shè)模板及其轉(zhuǎn)置模板對所述第二圖像 進行卷積濾波操作，輸出兩個濾波結(jié)果的絕對值之和，形成第三圖像。本實施例中，所述預(yù) 設(shè)模板為基于索貝爾算子(Sobeloperator)建立的模板，Sobel算子是圖像處理中的算子 之一，主要用作邊緣檢測。Sobel算子是濾波算子的形式，用于提取圖像輪廓，可以利用快 速卷積函數(shù)，簡單有效，因此應(yīng)用廣泛。該算子包含兩組3X3的矩陣，分別為橫向及縱向， 將其與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。具體到本實施例， Sobel算子包含3X3的矩陣S及其轉(zhuǎn)置矩陣Si，即'I 2 I '
S= O O O-1 -2 -1「I O -1]
S'= 2 O -2I O -1
其中，所述預(yù)設(shè)模板為矩陣S，所述預(yù)設(shè)模板的轉(zhuǎn)置模板為矩陣S的轉(zhuǎn)置矩陣S'。
通過所述預(yù)設(shè)模板及其轉(zhuǎn)置模板對第二圖像進行卷積濾波操作后，形成第三圖 像。圖3是第三圖像的一個具體示例。如圖3所示，圖中已提取出眼鏡框的基本輪廓，但 是，眼睛中的眼球所形成的輪廓會對眼鏡框的輪廓造成一定影響，因此還需要屏蔽眼球的影響。
執(zhí)行步驟S102C，將所述第三圖像與預(yù)先設(shè)置的眼睛模板進行與運算操作，形成第 四圖像。具體地，所述預(yù)先設(shè)置的眼睛模板包括適于屏蔽所述第三圖像中的眼球的掩模區(qū) 域，所述掩模區(qū)域按與所述第二圖像的尺寸相適應(yīng)的比例進行設(shè)置。圖11是眼睛模板的示 意圖。參閱圖11，本實施例中，所述掩模區(qū)域為兩個相同大小的橢圓，所述橢圓的短軸長度 為第二圖像高度的1/4，長軸長度為第二圖像寬度的1/8，兩個橢圓中心的縱坐標位于第二 圖像高度的1/2處，橫坐標分別位于第二圖像寬度的1/4處、3/4處。當然，具體實施時，所 述掩模區(qū)域的大小以及所處的位置可根據(jù)實際情況進行微調(diào)，以確保獲得較佳的眼球屏蔽 效果。在其他實施例中，所述掩模區(qū)域也可以為其他形狀，例如矩形、菱形等，只要能實現(xiàn)對 眼球的屏蔽即可。通過將第三圖像與預(yù)先設(shè)置的眼睛模板進行與運算操作后，形成第四圖 像。圖4是第四圖像的一個具體示例。如圖4所示，圖中已屏蔽眼球?qū)ρ坨R框所產(chǎn)生的影 響，然而仍未形成較為清晰的眼鏡框輪廓，因此還需要作進一步的處理。
步驟S102d，對所述第四圖像進行二值化操作，形成第五圖像。二值化操作，是圖 像處理的基本操作，例如一個256級灰度的圖像，就是將圖像上的像素點的灰度值設(shè)置為O 或255，也就是將整個圖像呈現(xiàn)出明顯的黑白效果。將256個亮度等級的灰度圖像通過適當?shù)拈撝颠x取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。在數(shù)字圖像處理中，二值圖像占有非常重要的地位，首先，圖像的二值化有利于圖像的進一步處理，使圖像變得簡單，而且數(shù)據(jù)量減小，能凸顯出感興趣的目標的輪廓。其次，要進行二值化圖像的處理與分析，首先要把灰度圖像二值化，得到二值化圖像。例如可以將所有灰度大于或等于閾值的像素判定為屬于特定物體，其灰度值設(shè)置為255，否則這些像素點被排除在物體區(qū)域以外，灰度值設(shè)置為O，表示背景或者例外的物體區(qū)域。具體實施時，可使用各種已知的閾值確定方法，如最大類問方差法、最大熵方法、經(jīng)驗法等等，本實施例中，優(yōu)選采用最大類間方差法。通過對第四圖像進行二值化操作后，形成第五圖像。圖5是第五圖像的一個具體示例。如圖5所示，圖中已形成較為清晰的眼鏡框輪廓，但是眼鏡框的輪廓中存在較多的小面積孔洞區(qū)域，因此還需要作進一步處理。
執(zhí)行步驟S102e，對所述第五圖像進行數(shù)學形態(tài)學操作，形成第六圖像，確定所述第六圖像中的白像素部分為眼鏡框的位置。數(shù)學形態(tài)學(Mathemat1-cal Morphology)建立在集合論的基礎(chǔ)上，是用于研究幾何形狀和結(jié)構(gòu)的一種數(shù)學方法。近年來，數(shù)學形態(tài)學已發(fā)展為一種新型的數(shù)字圖像處理和模式識別領(lǐng)域的方法，應(yīng)用在圖像檢測、紋理分析、顆粒分析、特征生成、骨架化、形狀分析、壓縮、成分分析及細化等諸多領(lǐng)域。數(shù)學形態(tài)學用于圖像處理的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對應(yīng)形狀，以達到對圖像分析和識別的目的。數(shù)學形態(tài)學的基本運算包括膨脹、腐蝕、開啟和閉合。膨脹是將圖像中與目標物體接觸的所有背景點合并到物體中的過程，結(jié)果是使目標增大、孔徑縮小， 可以增補目標中的空間，使其形成連通域；腐蝕具有使目標縮小、目標內(nèi)孔增大以及外部孤立噪聲消除的效果；開啟具有消除圖像中細小物體，并在物體連接纖細處分離物體和平滑較大物體便捷的作用；而閉合具有填充物體影像內(nèi)細小空間，連接鄰近物體和平滑邊界的作用。本實施例中，步驟S102e中所述數(shù)學形態(tài)學操作包括閉運算操作、去除小面積連通域的操作。關(guān)于數(shù)學形態(tài)學操作的具體實現(xiàn)，可參考現(xiàn)有技術(shù)常用實現(xiàn)方式，在此不再詳細描述。通過對第五圖像進行數(shù)學形態(tài)學操作后，形成第六圖像。圖6是第六圖像的一個具體示例。如圖6所示，圖中已形成比較清晰、完整的眼鏡框輪廓，而且眼鏡框的輪廓中也幾乎不存在 小面積孔洞區(qū)域，因此通過第六圖像中的白像素部分便可確定出眼鏡框的位置，從而確定第二圖像中的眼鏡框由哪些像素點構(gòu)成。
通過步驟SlOl形成第一圖像后，為了能夠給后續(xù)步驟去除眼鏡框時提供表示膚色的像素點的灰度值參考依據(jù)，還需要執(zhí)行步驟S103，基于所述第一圖像，建立人臉的膚色模型。需要說明的是，步驟S103需基于步驟SlOl形成的第一圖像才能執(zhí)行，因此步驟S103 是在步驟SlOl之后執(zhí)行的，但是步驟S102與步驟S103的執(zhí)行順序則并無先后之分，可以先執(zhí)行步驟S102后執(zhí)行步驟S103，也可以先執(zhí)行步驟S103后執(zhí)行步驟S102，還可以將步驟S102、步驟S103同時執(zhí)行。一般膚色模型大致可區(qū)分為兩類參數(shù)式模型(Parametric) 與非參數(shù)式模型(Non-parametric),其兩者在膚色樣本訓(xùn)練所需的計算時間以及參數(shù)的儲存空間上都有很大差異。參數(shù)式膚色模型例如高斯模型(GM，Gaussian Model)、高斯混合模型(Gaussian Mixture Model)、捕圓邊界膚色模型(Elliptic boundary model)等；非參數(shù)式膚色模型例如貝氏分類器(Bayes classifier) ^Normalized Lookup Table (NLUT) > Self-OrganizingMap (SOM)等。
本實施例中，建立的所述膚色模型為參數(shù)式膚色模型中的高斯模型。具體地，從所述第一圖像中選取人臉部分像素，統(tǒng)計建立膚色高斯模型Ν( μ，σ)，其中，μ為該模型的均值參數(shù)，σ為該模型的標準差參數(shù)。具體實施時，為消除人臉圖像中的背景干擾，可以將所述第一圖像的四周各去除一部分后再進行統(tǒng)計。
完成步驟S102、步驟S103之后，執(zhí)行步驟S104，在所述第二圖像中，對確定出位置的眼鏡框的每個像素點進行插值，并以所述膚色模型對眼鏡框的部分像素點的插值結(jié)果進行修正，再經(jīng)去噪處理后形成第九圖像。具體實施時，步驟S104可包括如下步驟
步驟S104a，在所述第二圖像上，相應(yīng)于所述第六圖像中的白像素部分，基于所述膚色模型具有的均值參數(shù)對每個像素點進行插值，形成第七圖像；
步驟S104b，在所述第七圖像上，相應(yīng)于所述第六圖像中的白像素部分，基于向所述膚色模型投影后得到的膚色概率值對眼鏡框的部分像素點的插值結(jié)果進行修正，形成第八圖像;
步驟S104c，在所述第八圖像上，相應(yīng)于所述第六圖像中的白像素部分，進行中值濾波操作以去除孤立噪聲，形成所述第九圖像。
其中，步驟S104a具體可包括
選取像素點的鄰域，并確定第一閾值 ；
若像素點的灰度值大于所述均值參數(shù)，則使用該像素點的鄰域中低于所述第一閾值的像素均值更新該像素點的灰度值，否則使用該像素點的鄰域中高于所述第一閾值的像素均值更新該像素點的灰度值；
遍歷所有像素點后，形成所述第七圖像。
所述第一閾值是為了區(qū)分眼鏡框灰度與其周圍皮膚灰度的分割閾值，如果眼鏡框色度相對膚色來說更深(眼鏡框灰度大于周圍皮膚灰度)，則選取該像素點的鄰域中灰度值小于所述第一閾值的像素點進行插值，反之，則選取該像素點的鄰域中灰度值大于所述第一閾值的像素點進行插值，如此可使插值后的像素點與周圍背景膚色更接近，達到較佳的去除效果。具體實施時，可使用各種已知的閾值分割的確定方法，如最大類間方差法、最大熵方法、經(jīng)驗法等等確定所述第一閾值，本實施例優(yōu)選采用最大類間方差法。步驟S104a 中選取的鄰域可以為3X3、5X5、7X7等。
本實施例中，所述膚色模型為高斯模型，該模型的均值參數(shù)為μ，表示所統(tǒng)計的體現(xiàn)膚色的像素點灰度值的均值。如果像素點的灰度值大于μ，則說明是亮鏡框(相對于膚色來說，眼鏡框的灰度值較大)，使用鄰域中低于所述第一閾值的像素均值來更新像素的值；否則為暗鏡框(相對于膚色來說，眼鏡框的灰度值較小)，使用鄰域中高于第一閾值的像素均值來更新像素值。如此，便可將眼鏡框的像素點的灰度值調(diào)整為與周圍膚色的像素點的灰度值接近，從而在視覺上達到將眼鏡框去除的效果。通過步驟S104a的插值操作，可在一定程度上實現(xiàn)眼鏡框的去除，形成第七圖像。圖7是第七圖像的一個具體示例。如圖 7所示，圖中的眼鏡框已被去掉較多，但仍然未達到理想的效果，究其原因，是由于通過前述步驟所確定的眼鏡框位置不精確所帶來的部分像素插值結(jié)果不準確，因此還需要對眼鏡框的部分像素點的插值結(jié)果進行修正。
步驟S104b具體可包括
對每個像素點向所述膚色模型投影，得到每個像素點的膚色概率值；
若某個像素點的膚色概率值大于第二閾值，則以所述第二圖像中該像素點的灰度值對第七圖像中相對應(yīng)像素點的灰度值進行更新；
遍歷所有像素點后，形成所述第八圖像。
步驟S104b是對所述第七圖像上相應(yīng)于所述第六圖像中的白像素部分的每個像素點進行膚色偵測的過程。膚色偵測最主要是要藉由膚色模型來判斷所測的像素點是否為膚色點，由于膚色概率分布可能是為常態(tài)分布(NormalDistribution),本實施例中，所建立的膚色模型可以為高斯模型，因此經(jīng)由所述高斯模型來逼近其膚色概率分布，即可檢測出像素點的膚色概率值。具體地，每個像素點的膚色概率值P可按如下公式計算，即實現(xiàn)每個像素點向所述膚色模型投影
權(quán)利要求
1.一種人臉圖像的眼鏡框去除方法，其特征在于，包括對輸入的戴眼鏡的人臉圖像中的雙眼進行檢測定位，并基于定位后的結(jié)果對所述人臉圖像進行幾何校正，形成第一圖像；從所述第一圖像中提取出眼睛預(yù)估區(qū)域，獲得第二圖像，并對所述第二圖像進行數(shù)學形態(tài)學處理以確定眼鏡框的位置；基于所述第一圖像，建立人臉的膚色模型；在所述第二圖像中，對確定出位置的眼鏡框的每個像素點進行插值，并以所述膚色模型對眼鏡框的部分像素點的插值結(jié)果進行修正，再經(jīng)去噪處理后形成第九圖像；以所述第九圖像替代所述第一圖像中的眼睛預(yù)估區(qū)域，合成后輸出去除眼鏡框后的人臉圖像。
2.根據(jù)權(quán)利要求1所述的人臉圖像的眼鏡框去除方法，其特征在于，從所述第一圖像中提取眼睛預(yù)估區(qū)域包括基于對雙眼進行檢測定位后的結(jié)果獲得雙眼的坐標；根據(jù)雙眼的坐標計算出雙眼之間的距離D ；以雙眼中心為原點，向上、下、左、右四個方向擴展D的預(yù)定倍數(shù)后獲得所述眼睛預(yù)估區(qū)域。
3.根據(jù)權(quán)利要求2所述的人臉圖像的眼鏡框去除方法，其特征在于，所述向上、下、左、右四個方向擴展D的預(yù)定倍數(shù)包括向上擴展O. 2D，向下擴展O. 5D，向左、右各擴展1. 1D。
4.根據(jù)權(quán)利要求1所述的人臉圖像的眼鏡框去除方法，其特征在于，對所述第二圖像進行數(shù)學形態(tài)學處理以確定眼鏡框的位置包括對所述第二圖像進行卷積濾波操作，形成第三圖像；將所述第三圖像與預(yù)先設(shè)置的眼睛模板進行與運算操作，形成第四圖像；對所述第四圖像進行二值化操作，形成第五圖像；對所述第五圖像進行數(shù)學形態(tài)學操作，形成第六圖像，確定所述第六圖像中的白像素部分為眼鏡框的位置。
5.根據(jù)權(quán)利要求4所述的人臉圖像的眼鏡框去除方法，其特征在于，所述預(yù)先設(shè)置的眼睛模板包括適于屏蔽所述第三圖像中的眼球的掩模區(qū)域，所述掩模區(qū)域按與所述第二圖像的尺寸相適應(yīng)的比例進行設(shè)置。
6.根據(jù)權(quán)利要求5所述的人臉圖像的眼鏡框去除方法，其特征在于，所述掩模區(qū)域為兩個相同大小的橢圓，所述橢圓的短軸長度為第二圖像高度的1/4，長軸長度為第二圖像寬度的1/8，兩個橢圓中心的縱坐標位于第二圖像高度的1/2處，橫坐標分別位于第二圖像寬度的1/4處、3/4處。
7.根據(jù)權(quán)利要求4所述的人臉圖像的眼鏡框去除方法，其特征在于，對所述第二圖像進行卷積濾波操作，形成第三圖像包括分別以預(yù)設(shè)模板及其轉(zhuǎn)置模板對所述第二圖像進行卷積濾波操作，輸出兩個濾波結(jié)果的絕對值之和，形成所述第三圖像。
8.根據(jù)權(quán)利要求7所述的人臉圖像的眼鏡框去除方法，其特征在于，所述預(yù)設(shè)模板是基于Sobel算子建立的。
9.根據(jù)權(quán)利要求4所述的人臉圖像的眼鏡框去除方法，其特征在于，所述數(shù)學形態(tài)學操作包括閉運算操作、去除小面積連通域的操作。
10.根據(jù)權(quán)利要求4所述的人臉圖像的眼鏡框去除方法，其特征在于，所述在所述第二圖像中，對確定出位置的眼鏡框的每個像素點進行插值，并以所述膚色模型對眼鏡框的部分像素點的插值結(jié)果進行修正，再經(jīng)去噪處理后形成第九圖像包括在所述第二圖像上，相應(yīng)于所述第六圖像中的白像素部分，基于所述膚色模型具有的均值參數(shù)對每個像素點進行插值，形成第七圖像；在所述第七圖像上，相應(yīng)于所述第六圖像中的白像素部分，基于向所述膚色模型投影后得到的膚色概率值對眼鏡框的部分像素點的插值結(jié)果進行修正，形成第八圖像；在所述第八圖像上，相應(yīng)于所述第六圖像中的白像素部分，進行中值濾波操作以去除孤立噪聲，形成所述第九圖像。
11.根據(jù)權(quán)利要求10所述的人臉圖像的眼鏡框去除方法，其特征在于，所述在所述第二圖像上，相應(yīng)于所述第六圖像中的白像素部分，基于所述膚色模型具有的均值參數(shù)對每個像素點進行插值，形成第七圖像包括選取像素點的鄰域，并確定第一閾值，所述第一閾值為區(qū)分眼鏡框灰度與其周圍皮膚灰度的分割閾值；若像素點的灰度值大于所述均值參數(shù)，則使用該像素點的鄰域中低于所述第一閾值的像素均值更新該像素點的灰度值，否則使用該像素點的鄰域中高于所述第一閾值的像素均值更新該像素點的灰度值；遍歷所有像素點后，形成所述第七圖像。
12.根據(jù)權(quán)利要求10所述的人臉圖像的眼鏡框去除方法，其特征在于，所述在所述第七圖像上，相應(yīng)于所述第六圖像中的白像素部分，基于向所述膚色模型投影后得到的膚色概率值對眼鏡框的部分像素點的插值結(jié)果進行修正，形成第八圖像包括對每個像素點向所述膚色模型投影，得到每個像素點的膚色概率值；若某個像素點的膚色概率值大于第二閾值，則以所述第二圖像中該像素點的灰度值對所述第七圖像中相對應(yīng)像素點的灰度值進行更新；遍歷所有像素點后，形成所述第八圖像。
13.根據(jù)權(quán)利要求12所述的人臉圖像的眼鏡框去除方法，其特征在于，所述第二閾值為 O. 002 O. 01。
14.根據(jù)權(quán)利要求1所述的人臉圖像的眼鏡框去除方法，其特征在于，所述膚色模型為高斯模型。
15.一種人臉識別方法，其特征在于，以權(quán)利要求1至14任一項所述的眼鏡框去除方法對輸入的戴眼鏡人臉圖像中的眼鏡框進行去除，再對去除眼鏡框后輸出的人臉圖像進行人臉識別。
16.一種人臉圖像的眼鏡框去除裝置，其特征在于，包括預(yù)處理單元，適于對輸入的戴眼鏡的人臉圖像中的雙眼進行檢測定位，并基于定位后的結(jié)果對所述人臉圖像進行幾何校正，形成第一圖像；提取單元，適于從所述第一圖像中提取出眼睛預(yù)估區(qū)域，獲得第二圖像；數(shù)學形態(tài)學處理單元，適于對所述第二圖像進行數(shù)學形態(tài)學處理以確定眼鏡框的位置；膚色模型建立單元，適于基于所述第一圖像，建立人臉的膚色模型；插值單元，適于在所述第二圖像中，對確定出位置的眼鏡框的每個像素點進行插值，并以所述膚色模型對眼鏡框的部分像素點的插值結(jié)果進行修正，再經(jīng)去噪處理后形成第九像合成單元，適于以所述第九圖像替代所述第一圖像中的眼睛預(yù)估區(qū)域，合成后輸出去除眼鏡框后的人臉圖像。
17.根據(jù)權(quán)利要求16所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述預(yù)處理單元包括雙眼定位單元，適于對輸入的戴眼鏡的人臉圖像中的雙眼進行檢測定位；幾何校正單元，適于基于定位后的結(jié)果對所述人臉圖像進行幾何校正，形成第一圖像。
18.根據(jù)權(quán)利要求16所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述提取單元、數(shù)學形態(tài)學處理單元、膚色模型建立單元、插值單元集成于眼鏡框去除單元之中。
19.根據(jù)權(quán)利要求16所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述提取單元包括眼睛預(yù)估區(qū)域確定單元，適于基于對雙眼進行檢測定位后的結(jié)果獲得雙眼的坐標，根據(jù)雙眼的坐標計算出雙眼之間的距離D，以雙眼中心為原點，向上、下、左、右四個方向擴展D的預(yù)定倍數(shù)后獲得所述眼睛預(yù)估區(qū)域。
20.根據(jù)權(quán)利要求19所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述眼睛預(yù)估區(qū)域確定單元以雙眼中心為原點，向上擴展O. 2D，向下擴展O. 5D，向左、右各擴展1.1D后獲得所述眼睛預(yù)估區(qū)域。
21.根據(jù)權(quán)利要求16所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述數(shù)學形態(tài)學處理單元包括卷積濾波單元，適于對所述第二圖像進行卷積濾波操作，形成第三圖像；眼球屏蔽單元，適于將所述第三圖像與預(yù)先設(shè)置的眼睛模板進行與運算操作，形成第四圖像；二值化單元，適于對所述第四圖像進行二值化操作，形成第五圖像；數(shù)學形態(tài)學操作單元，適于對所述第五圖像進行數(shù)學形態(tài)學操作，形成第六圖像，所述第六圖像中的白像素部分確定出眼鏡框的位置。
22.根據(jù)權(quán)利要求21所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述眼球屏蔽單元預(yù)先設(shè)置的眼睛模板包括適于屏蔽所述第三圖像中的眼球的掩模區(qū)域，所述掩模區(qū)域按與所述第二圖像的尺寸相適應(yīng)的比例進行設(shè)置。
23.根據(jù)權(quán)利要求22所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述掩模區(qū)域為兩個相同大小的橢圓，所述橢圓的短軸長度為第二圖像高度的1/4，長軸長度為第二圖像寬度的1/8，兩個橢圓中心的縱坐標位于第二圖像高度的1/2處，橫坐標分別位于第二圖像寬度的1/4處、3/4處。
24.根據(jù)權(quán)利要求21所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述卷積濾波單元分別以預(yù)設(shè)模板及其轉(zhuǎn)置模板對所述第二圖像進行卷積濾波操作，輸出兩個濾波結(jié)果的絕對值之和，形成所述第三圖像。
25.根據(jù)權(quán)利要求24所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述預(yù)設(shè)模板是基于Sobel算子建立的。
26.根據(jù)權(quán)利要求21所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述數(shù)學形態(tài)學操作單元進行的數(shù)學形態(tài)學操作包括閉運算操作、去除小面積連通域的操作。
27.根據(jù)權(quán)利要求21所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述插值單元包括第一插值單元，適于在所述第二圖像上，相應(yīng)于所述第六圖像中的白像素部分，基于所述膚色模型具有的均值參數(shù)對每個像素點進行插值，形成第七圖像；第二插值單元，適于在所述第七圖像上，相應(yīng)于所述第六圖像中的白像素部分，基于向所述膚色模型投影后得到的膚色概率值對眼鏡框的部分像素點的插值結(jié)果進行修正，形成第八圖像；中值濾波單元，適于在所述第八圖像上，相應(yīng)于所述第六圖像中的白像素部分，進行中值濾波操作以去除孤立噪聲，形成所述第九圖像。
28.根據(jù)權(quán)利要求27所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述第一插值單元選取像素點的鄰域，并確定第一閾值，所述第一閾值為區(qū)分眼鏡框灰度與其周圍皮膚灰度的分割閾值，若像素點的灰度值大于所述均值參數(shù)，則使用該像素點的鄰域中低于所述第一閾值的像素均值更新該像素點的灰度值，否則使用該像素點的鄰域中高于所述第一閾值的像素均值更新該像素點的灰度值，遍歷所有像素點后，形成所述第七圖像。
29.根據(jù)權(quán)利要求27所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述第二插值單元對每個像素點向所述膚色模型投影，得到每個像素點的膚色概率值，若某個像素點的膚色概率值大于第二閾值，則以所述第二圖像中該像素點的灰度值對所述第七圖像中相對應(yīng)像素點的灰度值進行更新，遍歷所有像素點后，形成所述第八圖像。
30.根據(jù)權(quán)利要求29所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述第二閾值為 O. 002 O. 01。
31.根據(jù)權(quán)利要求16所述的人臉圖像的眼鏡框去除裝置，其特征在于，所述膚色模型為高斯模型。
32.—種人臉識別系統(tǒng)，其特征在于，包括權(quán)利要求16至31任一項所述的人臉圖像的眼鏡框去除裝置。
全文摘要
一種人臉圖像的眼鏡框去除方法，包括對輸入的戴眼鏡的人臉圖像中的雙眼進行檢測定位，并基于定位后的結(jié)果對所述人臉圖像進行幾何校正，形成第一圖像；從所述第一圖像中提取出眼睛預(yù)估區(qū)域，獲得第二圖像，并對所述第二圖像進行數(shù)學形態(tài)學處理以確定眼鏡框的位置；基于所述第一圖像，建立人臉的膚色模型；在所述第二圖像中，對確定出位置的眼鏡框的每個像素點進行插值，并以所述膚色模型對眼鏡框的部分像素點的插值結(jié)果進行修正，再經(jīng)去噪處理后形成第九圖像；以所述第九圖像替代所述第一圖像中的眼睛預(yù)估區(qū)域，合成后輸出去除眼鏡框后的人臉圖像。本發(fā)明的技術(shù)方案能便捷、有效地去除戴眼鏡人臉圖像中的眼鏡框，進而提高人臉識別率。
文檔編號G06K9/00GK103020579SQ20111028285
公開日2013年4月3日 申請日期2011年9月22日 優(yōu)先權(quán)日2011年9月22日
發(fā)明者王曉平, 曾文斌, 趙文忠 申請人:上海銀晨智能識別科技有限公司