一種人臉圖像處理方法
【專利摘要】本發(fā)明提供的人臉圖像處理方法包括：接收其中包括同一人的臉的第一人臉圖像和第二人臉圖像，所述第一人臉圖像包括第一人臉部分與第一背景部分，所述第二人臉圖像包括第二人臉部分與第二背景部分；將所述第一人臉圖像和所述第二人臉圖像保存在圖像數(shù)據(jù)庫(kù)中；從所述第一人臉圖像中提取第一人臉部分并且從所述第二人臉圖像中提取第二人臉部分；分別提取所述第一人臉部分的第一人臉特征向量和所述第二人臉部分的第二人臉特征向量；根據(jù)所述第一人臉特征向量和所述第二人臉特征向量判斷所述第一人臉圖像和所述第二人臉圖像中包含的臉是誰(shuí)的臉。有效促進(jìn)了人臉識(shí)別和檢測(cè)的針對(duì)性和準(zhǔn)確性。
【專利說(shuō)明】一種人臉圖像處理方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種人臉識(shí)別方法，特別涉及一種人臉圖像處理方法。

【背景技術(shù)】
[0002]從上個(gè)世紀(jì)六十年代以來(lái)，隨著計(jì)算機(jī)和電子技術(shù)的迅猛發(fā)展，人們開(kāi)始利用計(jì)算機(jī)視覺(jué)和模式識(shí)別等技術(shù)對(duì)人臉進(jìn)行研究。近年來(lái)，隨著相關(guān)技術(shù)的不斷發(fā)展和實(shí)際需求的口益增加，自動(dòng)人臉圖像分析已經(jīng)引起了越來(lái)越多的關(guān)注，新的研究成果和實(shí)用系統(tǒng)不斷涌現(xiàn)。
[0003]然而現(xiàn)有的人臉圖像處理方法大多基于單張人臉圖像進(jìn)行處理，使得后續(xù)的識(shí)別檢測(cè)不準(zhǔn)確并且沒(méi)有針對(duì)性。雖然有些方法是基于多張人臉圖像進(jìn)行處理，但是都是基于正面人臉進(jìn)行的處理，后續(xù)檢測(cè)和識(shí)別時(shí)依然存在特征不足、檢測(cè)不夠準(zhǔn)確等問(wèn)題。另外，現(xiàn)有的人臉圖像處理方法中，基于整個(gè)人臉圖像進(jìn)行特征提取和檢測(cè)，但是這樣的方法不可避免地帶來(lái)噪音，即背景部分可能對(duì)特征提取產(chǎn)生影響，同時(shí)在特征提取過(guò)程也增加了復(fù)雜度。再有，雖然現(xiàn)有技術(shù)針對(duì)人臉圖像的處理提出了多種可行的算法，但是各個(gè)算法都獨(dú)立進(jìn)行，
[0004]并沒(méi)有充分發(fā)揮各自的優(yōu)勢(shì)。
[0005]針對(duì)相關(guān)技術(shù)中所存在的上述問(wèn)題，目前尚未提出有效的解決方案。因此，本發(fā)明提出了一種人臉圖像處理方法，毋庸置疑，本發(fā)明的人臉圖像處理方法經(jīng)過(guò)適當(dāng)?shù)男薷耐瑯舆m于識(shí)別其他圖像。


【發(fā)明內(nèi)容】

[0006]為解決上述現(xiàn)有技術(shù)所存在的問(wèn)題，本發(fā)明提出了一種人臉圖像處理方法。通過(guò)本發(fā)明的方法解決現(xiàn)有技術(shù)中存在的上述缺陷。一方面，通過(guò)處理多張人臉圖像加強(qiáng)人臉識(shí)別和檢測(cè)，尤其是通過(guò)處理同一人的側(cè)面圖像和正面圖像，即通過(guò)采集同一人的側(cè)面人臉特征和正面人臉特征進(jìn)行人臉識(shí)別和檢測(cè)，使得成功率更高。第二方面，通過(guò)通過(guò)首先分離人臉圖像中的人臉部分和背景部分，然后僅針對(duì)人臉部分進(jìn)行人臉識(shí)別和檢測(cè)，使得特征提取更準(zhǔn)確，并且簡(jiǎn)化了識(shí)別和檢測(cè)算法。第三方面，通過(guò)結(jié)合Mean shift算法和k-means算法,尤其是基于Mean shift算法和k_means算法創(chuàng)新了從人臉圖像中提取人臉部分的方法，使得經(jīng)過(guò)本申請(qǐng)的人臉圖像處理后，對(duì)人臉的檢測(cè)成功率更高，對(duì)人臉的識(shí)別更準(zhǔn)確。
[0007]所述方法包括:接收其中包括同一人的臉的第一人臉圖像和第二人臉圖像，所述第一人臉圖像包括第一人臉部分與第一背景部分，所述第二人臉圖像包括第二人臉部分與第二背景部分；將所述第一人臉圖像和所述第二人臉圖像保存在圖像數(shù)據(jù)庫(kù)中；從所述第一人臉圖像中提取第一人臉部分并且從所述第二人臉圖像中提取第二人臉部分；分別提取所述第一人臉部分的第一人臉特征向量和所述第二人臉部分的第二人臉特征向量；根據(jù)所述第一人臉特征向量和所述第二人臉特征向量判斷所述第一人臉圖像和所述第二人臉圖像中包含的臉是誰(shuí)的臉。
[0008]優(yōu)選地，所述第一人臉圖像的人臉部分是人臉的側(cè)面圖像，所述第二人臉圖像的人臉部分是人臉的正面圖像。
[0009]優(yōu)選地，所述從所述第一人臉圖像中提取第一人臉部分并且從所述第二人臉圖像中提取第二人臉部分包括:利用Mean shift算法對(duì)第一人臉圖像進(jìn)行劃分得到多個(gè)第一子圖像；利用Mean shift算法對(duì)第二人臉圖像進(jìn)行劃分得到多個(gè)第二子圖像；基于所述多個(gè)第一子圖像將所述第一人臉圖像劃分為第一人臉部分和第一背景部分；基于所述多個(gè)第二子圖像將所述第二人臉圖像劃分為第二人臉部分和第二背景部分。
[0010]優(yōu)選地，，所述基于所述多個(gè)第一子圖像將所述第一人臉圖像劃分為第一人臉部分和第一背景部分包括:提取所述多個(gè)第一子圖像的多個(gè)第一特征向量；基于所述多個(gè)第一特征向量將所述第一人臉圖像劃分為第一人臉部分和第一背景部分。
[0011]優(yōu)選地，所述基于所述多個(gè)第二子圖像將所述第二人臉圖像劃分為第二人臉部分和第二背景部分包括:提取所述多個(gè)第二子圖像的多個(gè)第二特征向量；基于所述多個(gè)第二特征向量將所述第二人臉圖像劃分為第二人臉部分和第二背景部分。
[0012]優(yōu)選地，所述提取所述多個(gè)第一子圖像的多個(gè)第一特征向量包括:提取所述多個(gè)第一子圖像中的每一個(gè)的位置特征、顏色特征和紋理特征；采用掃描線算法確定所述多個(gè)第一子圖像中的每一個(gè)的位置特征、顏色特征和紋理特征所占權(quán)重；基于所述多個(gè)第一子圖像中的每一個(gè)的不同權(quán)重的位置特征、顏色特征和紋理特征生成多個(gè)第一特征向量。
[0013]優(yōu)選地，所述提取所述多個(gè)第二子圖像的多個(gè)第二特征向量包括:提取所述多個(gè)第二子圖像中的每一個(gè)的位置特征、顏色特征和紋理特征；采用掃描線算法確定所述多個(gè)第二子圖像中的每一個(gè)的位置特征、顏色特征和紋理特征所占權(quán)重；基于所述多個(gè)第二子圖像中的每一個(gè)的不同權(quán)重的位置特征、顏色特征和紋理特征生成多個(gè)第二特征向量。
[0014]優(yōu)選地，所述基于所述第一特征向量將所述第一人臉圖像劃分為第一人臉部分和第一背景部分包括:建立第一鄰接圖，所述第一鄰接圖中的多個(gè)頂點(diǎn)與所述多個(gè)第一特征向量具有一一映射關(guān)系；在所述第一鄰接圖上構(gòu)建第一最小生成樹(shù)并計(jì)算所述第一最小生成樹(shù)中的任意兩個(gè)頂點(diǎn)之間的距離；使用核密度估計(jì)算法估計(jì)所述第一最小生成樹(shù)中的每個(gè)頂點(diǎn)的概率密度并形成第一概率密度空間；在第一概率密度空間中進(jìn)行k-mean算法以分離所述第一人臉部分和所述第一背景部分。
[0015]優(yōu)選地，所述基于所述多個(gè)第二子圖像將所述第二人臉側(cè)面圖像劃分為第二人臉部分和第二背景部分包括:建立第二鄰接圖，所述第二鄰接圖中的多個(gè)頂點(diǎn)與所述多個(gè)第二特征向量具有一一映射關(guān)系；在所述第二鄰接圖上構(gòu)建第二最小生成樹(shù)并計(jì)算所述第二最小生成樹(shù)中的任意兩個(gè)頂點(diǎn)之間的距離；使用核密度估計(jì)算法估計(jì)所述第二最小生成樹(shù)中的每個(gè)頂點(diǎn)的概率密度并形成第二概率密度空間；在第二概率密度空間中進(jìn)行k-mean算法以分離所述第二人臉部分和所述第二背景部分。
[0016]優(yōu)選地，所述根據(jù)所述第一人臉特征向量和所述第二人臉特征向量判斷所述第一人臉圖像和所述第二人臉圖像中包含的臉是誰(shuí)的臉包括:由所述第一人臉特征向量和第二人臉特征向量構(gòu)建人臉特征向量V ;進(jìn)行所述人臉特征向量V與原始人臉特征庫(kù)中存儲(chǔ)的原始人臉特征向量之間的距離測(cè)量以及相關(guān)度測(cè)量；根據(jù)所述距離測(cè)量和相關(guān)度測(cè)量的結(jié)果判斷所述第一人臉圖像和所述第二人臉圖像中包含的臉是誰(shuí)的臉。

【專利附圖】

【附圖說(shuō)明】
[0017]圖1是根據(jù)本發(fā)明實(shí)施例的人臉圖像檢測(cè)方法的流程圖。

【具體實(shí)施方式】
[0018]多種方式可以用于實(shí)施本發(fā)明，包括實(shí)施為方法，過(guò)程，裝置，系統(tǒng)及其結(jié)合。在本說(shuō)明書(shū)中，這些實(shí)施或者本發(fā)明可以采用的任何其他形式可以稱為技術(shù)。一般而言，可以在本發(fā)明的范圍內(nèi)變更公開(kāi)的方法的步驟順序。
[0019]下文與圖示本發(fā)明原理的附圖一起提供對(duì)本發(fā)明一個(gè)或者多個(gè)實(shí)施例的詳細(xì)描述。結(jié)合這樣的實(shí)施例描述本發(fā)明，但是本發(fā)明不限于任何實(shí)施例。本發(fā)明的范圍僅由權(quán)利要求書(shū)限定，并且本發(fā)明涵蓋諸多替代、修改和等同物。在下文描述中闡述諸多具體細(xì)節(jié)以便提供對(duì)本發(fā)明的透徹理解。出于示例的目的而提供這些細(xì)節(jié)，并且無(wú)這些具體細(xì)節(jié)中的一些或者所有細(xì)節(jié)也可以根據(jù)權(quán)利要求書(shū)實(shí)現(xiàn)本發(fā)明。
[0020]本發(fā)明的目的在于提供一種人臉圖像處理方法。在人臉圖像處理方法中，首先要確定人臉圖像，人臉圖像可以是包含人臉面部圖像和背景圖像的圖像，其中人臉面部圖像可以是多個(gè)，即在人臉圖像中包括多個(gè)人臉。人臉圖像也可以是經(jīng)過(guò)裁剪的人臉圖像，如去除大部分背景圖像而使得圖像主體為人臉的人臉圖像。另外，人臉圖像可以是具有特定統(tǒng)一背景并且實(shí)時(shí)進(jìn)行拍照的人臉圖像。在本發(fā)明優(yōu)選實(shí)施例中，接收包含有人臉正面圖像的人臉圖像以及包含有人臉側(cè)面圖像的人臉圖像。
[0021]人臉圖像識(shí)別包括圖像處理、圖像檢測(cè)等重要技術(shù)，其中大部分處理都需要基于原始圖像進(jìn)行，因此保存原始圖像是必要的。本發(fā)明中所接收的多個(gè)人臉圖像保存在圖像數(shù)據(jù)庫(kù)中，也可以直接保存在存儲(chǔ)器中，包括暫存在內(nèi)存中，長(zhǎng)期保存在硬盤(pán)中，或者直接保存在SD卡、閃存卡等小型快速存儲(chǔ)器中。
[0022]本發(fā)明的人臉圖像處理方法中，首先提出了從人臉圖像中提取人臉部分的方法，具體地，利用Mean shift算法對(duì)人臉圖像進(jìn)行劃分得到多個(gè)子圖像。由于Mean shift算法在圖像劃分中具有廣泛的應(yīng)用，因此本發(fā)明首先利用Mean shift算法基于收斂點(diǎn)進(jìn)行初步劃分。接著，提取所述多個(gè)子圖像中的每一個(gè)的位置特征、顏色特征和紋理特征。采用掃描線算法確定所述多個(gè)子圖像中的每一個(gè)的位置特征、顏色特征和紋理特征所占權(quán)重。基于所述多個(gè)子圖像中的每一個(gè)的不同權(quán)重的位置特征、顏色特征和紋理特征生成多個(gè)特征向量。進(jìn)一步，建立鄰接圖，所述鄰接圖中的多個(gè)頂點(diǎn)與所述多個(gè)特征向量具有一一映射關(guān)系。在所述鄰接圖上構(gòu)建最小生成樹(shù)并計(jì)算所述最小生成樹(shù)中的任意兩個(gè)頂點(diǎn)之間的距離。使用核密度估計(jì)算法估計(jì)所述最小生成樹(shù)中的每個(gè)頂點(diǎn)的概率密度并形成概率密度空間。在概率密度空間中進(jìn)行k-means算法以分離所述人臉圖像的人臉部分和背景部分。即利用k-means算法進(jìn)行聚類最終將人臉圖像劃分為人臉部分和背景部分。
[0023]原始人臉圖像樣本庫(kù)或樣本庫(kù)中保存有事先收集的原始人臉圖像樣本或?qū)嶒?yàn)人臉圖像樣本，并在樣本庫(kù)中存儲(chǔ)有這些樣本的表達(dá)，包括上述前述的人臉圖像的特征點(diǎn)、所述特征點(diǎn)的特征值、以及所述人臉是誰(shuí)的臉。所有在樣本庫(kù)中的人臉被認(rèn)為是已注冊(cè)的人臉。通過(guò)將所提取的人臉圖像的特征點(diǎn)和/或特征值與樣本庫(kù)中所注冊(cè)的人臉圖像的特征點(diǎn)和/或特征值進(jìn)行比對(duì)，確定待識(shí)別的人臉圖像是誰(shuí)的臉，即是否是已注冊(cè)的人臉。其中上述比對(duì)可以是直接比對(duì)、向量比對(duì)、得分比對(duì)等等。并且上述比對(duì)可以是絕對(duì)相等的比對(duì)或在誤差范圍內(nèi)的比對(duì)。以向量比對(duì)為例，計(jì)算特征值Vl，V2，...，Vn，并以矢量V進(jìn)行表示，比較矢量V與人臉庫(kù)中的人臉模型矢量，分類器根據(jù)比較結(jié)果確定是否比對(duì)成功。具體地，進(jìn)行矢量V與人臉庫(kù)中的人臉模型矢量之間的距離測(cè)量以及相關(guān)度測(cè)量，并根據(jù)所述距離測(cè)量和相關(guān)度測(cè)量的結(jié)果確定是否比對(duì)成功。在本發(fā)明中，提出了根據(jù)人臉圖像中的人臉部分提取人臉特征向量，并根據(jù)所述人臉特征向量判斷人臉?biāo)鶎俚姆椒?。具體包括，由人臉特征向量構(gòu)建人臉特征向量V，其中人臉特征向量V中包括從人臉側(cè)面部分中提取的人臉特征向量Vl和從人臉正面部分中提取的人臉特征向量V2 ;進(jìn)行所述人臉特征向量V與原始人臉特征庫(kù)中存儲(chǔ)的原始人臉特征向量之間的距離測(cè)量以及相關(guān)度測(cè)量；根據(jù)所述距離測(cè)量和相關(guān)度測(cè)量的結(jié)果判斷所述第一人臉圖像和所述第二人臉圖像中包含的臉是誰(shuí)的臉。
[0024]圖1是根據(jù)本發(fā)明實(shí)施例的人臉檢測(cè)方法的流程圖。如圖1所示，實(shí)施本發(fā)明的具體步驟如下:步驟一，接收其中包括同一人的臉的第一人臉圖像和第二人臉圖像，所述第一人臉圖像包括第一人臉部分與第一背景部分，所述第二人臉圖像包括第二人臉部分與第二背景部分。其中，所述第一人臉圖像的人臉部分是人臉的側(cè)面圖像，所述第二人臉圖像的人臉部分是人臉的正面圖像，接收包含人臉側(cè)面圖像的第一人臉圖像和包含人臉正面圖像的第二人臉圖像，使得后續(xù)可以實(shí)現(xiàn)同時(shí)提取到人臉正面圖像的特征向量以及人臉側(cè)面圖像的特征向量，有助于更加準(zhǔn)確地進(jìn)行后續(xù)的檢測(cè)和識(shí)別。步驟二，將所述第一人臉圖像和所述第二人臉圖像保存在圖像數(shù)據(jù)庫(kù)中，其中所述圖像數(shù)據(jù)庫(kù)優(yōu)選關(guān)系型數(shù)據(jù)庫(kù)。步驟三，從所述第一人臉圖像中提取第一人臉部分并且從所述第二人臉圖像中提取第二人臉部分，通過(guò)提取所述第一人臉部分和第二人臉部分，使得后續(xù)的特征提取更具針對(duì)性，減少背景部分可能帶來(lái)的負(fù)面影響。步驟四，分別提取所述第一人臉部分的第一人臉特征向量和所述第二人臉部分的第二人臉特征向量；也就是說(shuō)，基于步驟三中所提取的第一人臉部分和第二人臉部分，進(jìn)一步提取所述第一人臉部分中的第一人臉特征向量以及第二人臉部分中的第二人臉特征向量，或者說(shuō)，進(jìn)一步提取所述第一人臉部分中的側(cè)面人臉特征向量以及第二人臉部分中的正面人臉特征向量。針對(duì)正面人臉特征向量可以包括眉眼鼻嘴等人臉特征的特征表達(dá)值，例如，眉眼鼻嘴等的幾何特征。針對(duì)側(cè)面人臉特征向量可以包括線形特征值，例如輪廓特征，更具體地，例如鼻尖、內(nèi)眼角等的形狀和凹凸特征。步驟五，根據(jù)所述第一人臉特征向量和所述第二人臉特征向量判斷所述第一人臉圖像和所述第二人臉圖像中包含的臉是誰(shuí)的臉，即確定人臉的所屬，即確定包含有同一人的臉部圖像的第一人臉圖像和第二人臉圖像中的人臉是誰(shuí)的臉。
[0025]在本發(fā)明優(yōu)選實(shí)施例中，所述從所述第一人臉圖像中提取第一人臉部分并且從所述第二人臉圖像中提取第二人臉部分包括:利用Mean shift算法對(duì)第一人臉圖像進(jìn)行劃分得到多個(gè)第一子圖像。利用Mean shift算法對(duì)第二人臉圖像進(jìn)行劃分得到多個(gè)第二子圖像。此處，借助于Mean shift算法通過(guò)迭代移動(dòng)尋找收斂點(diǎn)的方法，將第一人臉圖像和第二人臉圖像進(jìn)行初步的劃分?；谒龆鄠€(gè)第一子圖像將所述第一人臉圖像劃分為第一人臉部分和第一背景部分?；谒龆鄠€(gè)第二子圖像將所述第二人臉圖像劃分為第二人臉部分和第二背景部分。此處，需要進(jìn)一步基于上述初步的劃分結(jié)果，即基于所述多個(gè)第一子圖像和所述多個(gè)第二字圖像，使用聚合算法實(shí)現(xiàn)將多個(gè)第一子圖像中的人臉部分進(jìn)行聚合以生成所述第一人臉部分，即側(cè)面人臉部分。將多個(gè)第二子圖像中的人臉部分進(jìn)行聚合以生成所述第二人臉部分，即正面人臉部分。
[0026]在本發(fā)明優(yōu)選實(shí)施例中，所述基于所述多個(gè)第一子圖像將所述第一人臉圖像劃分為第一人臉部分和第一背景部分包括:提取所述多個(gè)第一子圖像的多個(gè)第一特征向量。基于所述多個(gè)第一特征向量將所述第一人臉圖像劃分為第一人臉部分和第一背景部分。所述基于所述多個(gè)第二子圖像將所述第二人臉圖像劃分為第二人臉部分和第二背景部分包括:提取所述多個(gè)第二子圖像的多個(gè)第二特征向量?；谒龆鄠€(gè)第二特征向量將所述第二人臉圖像劃分為第二人臉部分和第二背景部分。此處，所述多個(gè)第一特征向量是基于所述多個(gè)第一子圖像的位置特征、顏色特征和紋理特征。所述多個(gè)第二特征向量是基于所述多個(gè)第二子圖像的位置特征、顏色特征和紋理特征。
[0027]在本發(fā)明優(yōu)選實(shí)施例中，所述提取所述多個(gè)第一子圖像的多個(gè)第一特征向量包括:提取所述多個(gè)第一子圖像中的每一個(gè)的位置特征、顏色特征和紋理特征。采用掃描線算法確定所述多個(gè)第一子圖像中的每一個(gè)的位置特征、顏色特征和紋理特征所占權(quán)重。基于所述多個(gè)第一子圖像中的每一個(gè)的不同權(quán)重的位置特征、顏色特征和紋理特征生成多個(gè)第一特征向量。所述提取所述多個(gè)第二子圖像的多個(gè)第二特征向量包括:提取所述多個(gè)第二子圖像中的每一個(gè)的位置特征、顏色特征和紋理特征。采用掃描線算法確定所述多個(gè)第二子圖像中的每一個(gè)的位置特征、顏色特征和紋理特征所占權(quán)重?；谒龆鄠€(gè)第二子圖像中的每一個(gè)的不同權(quán)重的位置特征、顏色特征和紋理特征生成多個(gè)第二特征向量。此處，不僅提取了位置特征、顏色特征和紋理特征，而且計(jì)算了位置特征、顏色特征和紋理特征所占權(quán)重。利用不同權(quán)重的位置特征、顏色特征和紋理特征生成多個(gè)特征向量使得特征向量更具代表性，有利于人臉圖像劃分的準(zhǔn)確實(shí)現(xiàn)。
[0028]在本發(fā)明優(yōu)選實(shí)施例中，所述基于所述第一特征向量將所述第一人臉圖像劃分為第一人臉部分和第一背景部分包括:建立第一鄰接圖，所述第一鄰接圖中的多個(gè)頂點(diǎn)與所述多個(gè)第一特征向量具有一一映射關(guān)系。在所述第一鄰接圖上構(gòu)建第一最小生成樹(shù)并計(jì)算所述第一最小生成樹(shù)中的任意兩個(gè)頂點(diǎn)之間的距離。使用核密度估計(jì)算法估計(jì)所述第一最小生成樹(shù)中的每個(gè)頂點(diǎn)的概率密度并形成第一概率密度空間。在第一概率密度空間中進(jìn)行k-mean算法以分離所述第一人臉部分和所述第一背景部分。所述基于所述多個(gè)第二子圖像將所述第二人臉側(cè)面圖像劃分為第二人臉部分和第二背景部分包括:建立第二鄰接圖，所述第二鄰接圖中的多個(gè)頂點(diǎn)與所述多個(gè)第二特征向量具有一一映射關(guān)系。在所述第二鄰接圖上構(gòu)建第二最小生成樹(shù)并計(jì)算所述第二最小生成樹(shù)中的任意兩個(gè)頂點(diǎn)之間的距離。使用核密度估計(jì)算法估計(jì)所述第二最小生成樹(shù)中的每個(gè)頂點(diǎn)的概率密度并形成第二概率密度空間。在第二概率密度空間中進(jìn)行k-mean算法以分離所述第二人臉部分和所述第二背景部分。此處，借助于鄰接圖、最小生成樹(shù)和密度估計(jì)算法為k-means算法做好數(shù)據(jù)準(zhǔn)備，最終利用k-means算法的高聚合性實(shí)現(xiàn)將多個(gè)子圖像中的人臉部分進(jìn)行聚合，同時(shí)將多個(gè)子圖像中的背景部分進(jìn)行聚合，最終將人臉圖像劃分為人臉部分以及背景部分。此處，針對(duì)第一人臉圖像和第二人臉圖像的處理步驟是一致的。
[0029]在本發(fā)明優(yōu)選實(shí)施例中，所述根據(jù)所述第一人臉特征向量和所述第二人臉特征向量判斷所述第一人臉圖像和所述第二人臉圖像中包含的臉是誰(shuí)的臉包括:由所述第一人臉特征向量和第二人臉特征向量構(gòu)建人臉特征向量V。進(jìn)行所述人臉特征向量V與原始人臉特征庫(kù)中存儲(chǔ)的原始人臉特征向量之間的距離測(cè)量以及相關(guān)度測(cè)量。根據(jù)所述距離測(cè)量和相關(guān)度測(cè)量的結(jié)果判斷所述第一人臉圖像和所述第二人臉圖像中包含的臉是誰(shuí)的臉。此處，第一人臉特征向量包括特征值V11, V12,Vln，其中η是大于2的整數(shù)。由上述多個(gè)特征值V1PVw...，Vln構(gòu)成第一人臉特征向量VI,第二人臉特征向量包括特征值v21, V22,...,vW其中η是大于2的整數(shù)。由上述多個(gè)特征值v21, v22,..., ν2η構(gòu)成第二人臉特征向量V2,并由第一人臉特征向量Vl和第二人臉特征向量V2構(gòu)成人臉特征向量V。進(jìn)行所述人臉特征向量V與原始人臉特征庫(kù)中存儲(chǔ)的原始人臉特征向量之間的距離測(cè)量以及相關(guān)度測(cè)量；根據(jù)所述距離測(cè)量和相關(guān)度測(cè)量的結(jié)果判斷所述第一人臉圖像和所述第二人臉圖像中包含的臉是誰(shuí)的臉。
[0030]綜上所述，根據(jù)本發(fā)明的人臉圖像處理方法，有效促進(jìn)了人臉識(shí)別和檢測(cè)的針對(duì)性和準(zhǔn)確性。
[0031]顯然，本領(lǐng)域的技術(shù)人員應(yīng)該理解，上述的本發(fā)明的各步驟可以用通用的計(jì)算系統(tǒng)來(lái)實(shí)現(xiàn)，它們可以集中在單個(gè)的計(jì)算系統(tǒng)上，或者分布在多個(gè)計(jì)算系統(tǒng)所組成的網(wǎng)絡(luò)上，可選地，它們可以用計(jì)算系統(tǒng)可執(zhí)行的程序代碼來(lái)實(shí)現(xiàn)，從而，可以將它們存儲(chǔ)在存儲(chǔ)系統(tǒng)中由計(jì)算系統(tǒng)來(lái)執(zhí)行。這樣，本發(fā)明不限制于任何特定的硬件和軟件結(jié)合。
[0032]應(yīng)當(dāng)理解的是，本發(fā)明的上述【具體實(shí)施方式】?jī)H僅用于示例性說(shuō)明或解釋本發(fā)明的原理，而不構(gòu)成對(duì)本發(fā)明的限制。因此，在不偏離本發(fā)明的精神和范圍的情況下所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。此外，本發(fā)明所附權(quán)利要求旨在涵蓋落入所附權(quán)利要求范圍和邊界、或者這種范圍和邊界的等同形式內(nèi)的全部變化和修改例。
【權(quán)利要求】
1.一種人臉圖像處理方法，所述方法包括: 接收其中包括同一人的臉的第一人臉圖像和第二人臉圖像，所述第一人臉圖像包括第一人臉部分與第一背景部分，所述第二人臉圖像包括第二人臉部分與第二背景部分；將所述第一人臉圖像和所述第二人臉圖像保存在圖像數(shù)據(jù)庫(kù)中； 從所述第一人臉圖像中提取第一人臉部分并且從所述第二人臉圖像中提取第二人臉部分； 分別提取所述第一人臉部分的第一人臉特征向量和所述第二人臉部分的第二人臉特征向量； 根據(jù)所述第一人臉特征向量和所述第二人臉特征向量判斷所述第一人臉圖像和所述第二人臉圖像中包含的臉是誰(shuí)的臉。
2.根據(jù)權(quán)利要求1所述的人臉圖像處理方法，其特征在于，所述第一人臉圖像的人臉部分是人臉的側(cè)面圖像，所述第二人臉圖像的人臉部分是人臉的正面圖像。
3.根據(jù)權(quán)利要求1所述的人臉圖像處理方法，其特征在于，所述從所述第一人臉圖像中提取第一人臉部分并且從所述第二人臉圖像中提取第二人臉部分包括: 利用Mean shift算法對(duì)第一人臉圖像進(jìn)行劃分得到多個(gè)第一子圖像； 利用Mean shift算法對(duì)第二人臉圖像進(jìn)行劃分得到多個(gè)第二子圖像； 基于所述多個(gè)第一子圖像將所述第一人臉圖像劃分為第一人臉部分和第一背景部分； 基于所述多個(gè)第二子圖像將所述第二人臉圖像劃分為第二人臉部分和第二背景部分。
4.根據(jù)權(quán)利要求3所述的人臉圖像處理方法，其特征在于，所述基于所述多個(gè)第一子圖像將所述第一人臉圖像劃分為第一人臉部分和第一背景部分包括: 提取所述多個(gè)第一子圖像的多個(gè)第一特征向量； 基于所述多個(gè)第一特征向量將所述第一人臉圖像劃分為第一人臉部分和第一背景部分。
5.根據(jù)權(quán)利要求3所述的人臉圖像處理方法，其特征在于，所述基于所述多個(gè)第二子圖像將所述第二人臉圖像劃分為第二人臉部分和第二背景部分包括: 提取所述多個(gè)第二子圖像的多個(gè)第二特征向量； 基于所述多個(gè)第二特征向量將所述第二人臉圖像劃分為第二人臉部分和第二背景部分。
6.根據(jù)權(quán)利要求4所述的人臉圖像處理方法，其特征在于，所述提取所述多個(gè)第一子圖像的多個(gè)第一特征向量包括: 提取所述多個(gè)第一子圖像中的每一個(gè)的位置特征、顏色特征和紋理特征； 采用掃描線算法確定所述多個(gè)第一子圖像中的每一個(gè)的位置特征、顏色特征和紋理特征所占權(quán)重； 基于所述多個(gè)第一子圖像中的每一個(gè)的不同權(quán)重的位置特征、顏色特征和紋理特征生成多個(gè)第一特征向量。
7.根據(jù)權(quán)利要求5所述的人臉圖像處理方法，其特征在于，所述提取所述多個(gè)第二子圖像的多個(gè)第二特征向量包括: 提取所述多個(gè)第二子圖像中的每一個(gè)的位置特征、顏色特征和紋理特征； 采用掃描線算法確定所述多個(gè)第二子圖像中的每一個(gè)的位置特征、顏色特征和紋理特征所占權(quán)重； 基于所述多個(gè)第二子圖像中的每一個(gè)的不同權(quán)重的位置特征、顏色特征和紋理特征生成多個(gè)第二特征向量。
8.根據(jù)權(quán)利要求4所述的人臉圖像處理方法，其特征在于，所述基于所述第一特征向量將所述第一人臉圖像劃分為第一人臉部分和第一背景部分包括: 建立第一鄰接圖，所述第一鄰接圖中的多個(gè)頂點(diǎn)與所述多個(gè)第一特征向量具有一一映射關(guān)系； 在所述第一鄰接圖上構(gòu)建第一最小生成樹(shù)并計(jì)算所述第一最小生成樹(shù)中的任意兩個(gè)頂點(diǎn)之間的距離； 使用核密度估計(jì)算法估計(jì)所述第一最小生成樹(shù)中的每個(gè)頂點(diǎn)的概率密度并形成第一概率密度空間； 在第一概率密度空間中進(jìn)行k-mean算法以分離所述第一人臉部分和所述第一背景部分。
9.根據(jù)權(quán)利要求5所述的人臉圖像處理方法，其特征在于，所述基于所述多個(gè)第二子圖像將所述第二人臉側(cè)面圖像劃分為第二人臉部分和第二背景部分包括: 建立第二鄰接圖，所述第二鄰接圖中的多個(gè)頂點(diǎn)與所述多個(gè)第二特征向量具有一一映射關(guān)系； 在所述第二鄰接圖上構(gòu)建第二最小生成樹(shù)并計(jì)算所述第二最小生成樹(shù)中的任意兩個(gè)頂點(diǎn)之間的距離； 使用核密度估計(jì)算法估計(jì)所述第二最小生成樹(shù)中的每個(gè)頂點(diǎn)的概率密度并形成第二概率密度空間； 在第二概率密度空間中進(jìn)行k-mean算法以分離所述第二人臉部分和所述第二背景部分。
10.根據(jù)權(quán)利要求1所述的人臉圖像處理方法，其特征在于，所述根據(jù)所述第一人臉特征向量和所述第二人臉特征向量判斷所述第一人臉圖像和所述第二人臉圖像中包含的臉是誰(shuí)的臉包括: 由所述第一人臉特征向量和第二人臉特征向量構(gòu)建人臉特征向量V ; 進(jìn)行所述人臉特征向量V與原始人臉特征庫(kù)中存儲(chǔ)的原始人臉特征向量之間的距離測(cè)量以及相關(guān)度測(cè)量； 根據(jù)所述距離測(cè)量和相關(guān)度測(cè)量的結(jié)果判斷所述第一人臉圖像和所述第二人臉圖像中包含的臉是誰(shuí)的臉。
【文檔編號(hào)】G06K9/46GK104134058SQ201410348898
【公開(kāi)日】2014年11月5日 申請(qǐng)日期:2014年7月21日 優(yōu)先權(quán)日:2014年7月21日
【發(fā)明者】劉勇, 楊霖, 蔣浩 申請(qǐng)人:成都萬(wàn)維圖新信息技術(shù)有限公司