一種人物攝影圖像的質(zhì)量分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像智能處理領(lǐng)域，特別涉及一種人物攝影圖像的質(zhì)量分類方法。
【背景技術(shù)】
[0002] 隨著社交網(wǎng)絡(luò)的發(fā)展，越來越多人通過網(wǎng)絡(luò)來進(jìn)行社會交流。在交流方式多元化 的今天，圖像漸漸成為網(wǎng)絡(luò)社交元素的主力之一。圖像比文本更具形象，更能快速準(zhǔn)確傳達(dá) 用戶的現(xiàn)狀、情感。由于網(wǎng)絡(luò)社交是以人為主體的，且根據(jù)網(wǎng)絡(luò)調(diào)查結(jié)果顯示，將近一半的 社交圖像都是以人為主題的，而且由于人們的網(wǎng)絡(luò)觀賞與閱讀習(xí)慣，他們更傾向于在有人 物的社交圖像花更多的閱讀時間。因此，含有人物的圖像在網(wǎng)絡(luò)社交元素中具有發(fā)揮著很 高的作用。
[0003] 在圖像的質(zhì)量分類方面，美國賓夕法尼亞大學(xué)的學(xué)者Datta等率先把圖像視覺特 征應(yīng)用到圖像美學(xué)質(zhì)量評判中，實(shí)現(xiàn)了圖像高低美學(xué)質(zhì)量的分類和圖像美學(xué)質(zhì)量分?jǐn)?shù)的自 動評估。他們綜合提取了全局與局部的視覺特征，包括亮度、飽和度、色彩、灰度、相似度、紋 理、形狀與方位比例、區(qū)域分布、景深以及三分法則等56個特征數(shù)據(jù)，通過特征選擇得到15 個圖像特征，實(shí)現(xiàn)對圖像的美學(xué)評分。然而，作者并沒有深入考慮從更細(xì)致的方面進(jìn)行特征 的提煉，因此僅有的特征難以在圖像評估中獲得較高的正確率。
[0004] 在含有人物的圖像美學(xué)質(zhì)量研宄中，美國康奈爾大學(xué)的學(xué)者Li等人對包含人臉 的社交圖像進(jìn)行了美學(xué)質(zhì)量評估的研宄，并且構(gòu)建了一個帶有美學(xué)質(zhì)量評分的人物圖庫， 并得到其他相關(guān)研宄學(xué)者的采用，他們在亮度對比、色彩一致性、背景復(fù)雜度和清晰度對比 等基本美學(xué)特征的基礎(chǔ)上，加入了人臉的簡單表情特征，位置，關(guān)系等特征以及部分構(gòu)圖特 征，并使用SVM與SVR算法進(jìn)行美學(xué)分類與回歸，實(shí)驗(yàn)結(jié)果顯示，其特征集對人物圖像美學(xué) 質(zhì)量具有一定的分類能力。
[0005] 由于人物圖像具有一定的特殊性，在一般圖像美學(xué)的質(zhì)量分類中難以取得較高的 分類正確率。目前，已有一些學(xué)者對人物圖像美學(xué)算法進(jìn)行了相關(guān)研宄，但是對人臉相關(guān)特 征的挖掘還是不夠深入，無法全面體現(xiàn)人物攝影圖像的質(zhì)量。

【發(fā)明內(nèi)容】

[0006] 為了克服現(xiàn)有技術(shù)的上述缺點(diǎn)與不足，本發(fā)明的目的在于提供一種人物攝影圖像 的質(zhì)量分類方法，對人臉相關(guān)特征進(jìn)行深入挖掘，分類準(zhǔn)確率高。
[0007] 本發(fā)明的目的通過以下技術(shù)方案實(shí)現(xiàn)：
[0008] 一種人物攝影圖像的質(zhì)量分類方法，包括以下步驟：
[0009] (1)從已根據(jù)人物攝影圖像的質(zhì)量劃分為不同質(zhì)量等級的樣本圖片庫中，為每個 質(zhì)量等級隨機(jī)選取多張人物圖像作為該質(zhì)量等級的樣本圖像；
[0010] (2)提取樣本圖像的全局特征；所述全局特征包括色調(diào)搭配特征、梯度特征、灰度 對比特征、銳度特征；
[0011] (3)采用人臉檢測技術(shù)，并且使用人臉關(guān)鍵點(diǎn)檢測算法獲取臉部特征點(diǎn)；
[0012] (4)提取樣本圖像的人臉特征；所述人臉特征包括臉內(nèi)基本特征、位置關(guān)系特征、 臉部光影特征、臉部幾何比例特征、人臉顯著度和表情特征；
[0013] (4-1)提取臉內(nèi)基本特征，所述臉內(nèi)基本特征包括臉像素特征和臉計(jì)數(shù)特征；
[0014] 所述臉像素特征包括臉部區(qū)域的梯度均值及其標(biāo)準(zhǔn)差、色調(diào)均值及其標(biāo)準(zhǔn)差、飽 和度均值及其標(biāo)準(zhǔn)差、亮度均值及其標(biāo)準(zhǔn)差；
[0015] 所述臉計(jì)數(shù)特征包括臉數(shù)目、臉尺寸、所有臉面積總和；
[0016] (4-2)提取位置關(guān)系特征：采用最小生成樹算法對人臉區(qū)域的位置分布進(jìn)行距離 的計(jì)算，并計(jì)算人臉最大距離、人臉最小距離、人臉平均距離、人臉緊密度，所述人臉緊密度 即平均距離與人臉矩形區(qū)域的面積之比；
[0017] (4-3)提取臉部光影特征：對人臉區(qū)域的9對模板對進(jìn)行光影特征值計(jì)算；其中所 述9對模板對的位置分別為鼻子的左側(cè)與右側(cè)區(qū)域、鼻梁與人中附近區(qū)域、上嘴唇與下嘴 唇區(qū)域、下巴的左邊側(cè)與右邊側(cè)區(qū)域、左臉頰正面與側(cè)面區(qū)域、右臉頰正面與側(cè)面區(qū)域、左 眼的左眼角與右眼的右眼角區(qū)域、左眼窩與左眼眉區(qū)域、右眼窩與右眼眉區(qū)域；第k對模板 的光影特征值計(jì)算方法如下：
【主權(quán)項(xiàng)】
1. 一種人物攝影圖像的質(zhì)量分類方法，其特征在于，包括以下步驟： (1) 從已根據(jù)人物攝影圖像的質(zhì)量劃分為不同質(zhì)量等級的樣本圖片庫中，為每個質(zhì)量 等級隨機(jī)選取多張人物圖像作為該質(zhì)量等級的樣本圖像； (2) 提取樣本圖像的全局特征；所述全局特征包括色調(diào)搭配特征、梯度特征、灰度對比 特征、銳度特征； (3) 采用人臉檢測技術(shù)，并且使用人臉關(guān)鍵點(diǎn)檢測算法獲取臉部特征點(diǎn)； (4) 提取樣本圖像的人臉特征；所述人臉特征包括臉內(nèi)基本特征、位置關(guān)系特征、臉部 光影特征、臉部幾何比例特征、人臉顯著度和表情特征； (4-1)提取臉內(nèi)基本特征，所述臉內(nèi)基本特征包括臉像素特征和臉計(jì)數(shù)特征； 所述臉像素特征包括臉部區(qū)域的梯度均值及其標(biāo)準(zhǔn)差、色調(diào)均值及其標(biāo)準(zhǔn)差、飽和度 均值及其標(biāo)準(zhǔn)差、亮度均值及其標(biāo)準(zhǔn)差； 所述臉計(jì)數(shù)特征包括臉數(shù)目、臉尺寸、所有臉面積總和； (4-2)提取位置關(guān)系特征：采用最小生成樹算法對人臉區(qū)域的位置分布進(jìn)行距離的計(jì) 算，并計(jì)算人臉最大距離、人臉最小距離、人臉平均距離、人臉緊密度，所述人臉緊密度即平 均距離與人臉矩形區(qū)域的面積之比； (4-3)提取臉部光影特征：對人臉區(qū)域的9對模板對進(jìn)行光影特征值計(jì)算；其中所述 9對模板對的位置分別為鼻子的左側(cè)與右側(cè)區(qū)域、鼻梁與人中附近區(qū)域、上嘴唇與下嘴唇區(qū) 域、下巴的左邊側(cè)與右邊側(cè)區(qū)域、左臉頰正面與側(cè)面區(qū)域、右臉頰正面與側(cè)面區(qū)域、左眼的 左眼角與右眼的右眼角區(qū)域、左眼窩與左眼眉區(qū)域、右眼窩與右眼眉區(qū)域；第k對模板的光 影特征值計(jì)算方法如下：
其中，Tkl，1\2為模板，v(x，y)為模板中像素點(diǎn)（X，y)在圖像HSV通道中的亮度值； (4-4)提取臉部幾何比例特征：所述臉部幾何比例特征包括左眼的長度、右眼的長度、 眼間長度占臉寬的比例，以及鼻子高度占鼻尖到下巴的距離的比例、人臉?biāo)椒较虻男D(zhuǎn) 角度、人臉傾斜角度； 人臉?biāo)椒较虻男D(zhuǎn)角度的計(jì)算方法如下： Spin = ED (C1, C2)/ED (C3, C4) C1指左太陽穴特征點(diǎn)，C4指右太陽穴特征點(diǎn)，C2指左眼的右眼角特征點(diǎn)；C 3指右眼的左 眼角上的特征點(diǎn)；ED (C1, C2)為C1, C2之間的歐式距離；ED (C 3, C4)為C3, C4之間的歐式距離； 當(dāng)Spin〉1時表示人臉向右邊的旋轉(zhuǎn)角度，當(dāng)Spin〈l時表示向左邊的旋轉(zhuǎn)程度； 人臉傾斜角度的計(jì)算方法如下： Incline = (Cly-C4y)/Lface Cly，C4y分別是C i，C4兩點(diǎn)的垂直坐標(biāo)；L f_為人臉矩形區(qū)域的對角線長度，在計(jì)算中， InclineX)表示人臉向右傾斜的角度，lncline〈0則表示人臉向左傾斜的角度； (4-5)提取表情特征：在獲得步驟（3)中的臉部的特征點(diǎn)后，提取表情特征；所述表情 特征包括眼長寬比、眼彎曲比、嘴長寬比、嘴彎曲比； EyeShape1, EyeShape2，Mou