專利名稱：基于面部圖像特征的圖像處理方法
技術領域：
本發(fā)明專利涉及圖像處理領域，用于測定人體面部狀態(tài)，具體涉及一種基于面部圖像特征的圖像處理方法。
背景技術：
在圖像處理領域，針對臉部特征的處理方法有多種多樣，最常見的是基本算法選取( I)基于幾何特征的方法基于幾何特征的方法(Geometrical Features Based)是早期的人臉識別算法。該·方法要求選取的特征矢量有一定的獨特性，既要反映不同人臉的差異，還要具有一定的彈性，以減少或者消除光照差異等影響。幾何特征向量是以人臉器官的形狀和幾何關系為基礎的特征向量，其分量通常包括人臉指定兩點間的歐式距離、曲率、角度等。(2)基于神經(jīng)網(wǎng)絡的方法神經(jīng)網(wǎng)絡用于(Neural Network Based)人臉識別較早。早期用于人臉識別的神經(jīng)網(wǎng)絡主要是Kohonen自聯(lián)想映射神經(jīng)網(wǎng)絡，當人臉圖像受噪聲污染嚴重或部分缺損時，用Kohonen網(wǎng)絡恢復完整的人臉的效果較好。Cottrell等人使用級聯(lián)BP神經(jīng)網(wǎng)絡進行人臉識別，對部分受損的、光照有所變化的人臉圖像識別能力也較好?；谏窠?jīng)網(wǎng)絡的方法將人臉直接用灰度圖(二維矩陣)表征，通過訓練把模式的特性隱含在神經(jīng)網(wǎng)絡的結構和參數(shù)之中，即設計特定結構神經(jīng)網(wǎng)絡作為決策分類器。所選用的神經(jīng)網(wǎng)絡有反向傳播神經(jīng)網(wǎng)絡(Back Propagation NN),卷積神經(jīng)網(wǎng)絡(Convolution NN),支持向量機(SVM)等。(3)基于代數(shù)特征的方法這類算法是采用代數(shù)特征向量，即人臉圖像在由“特征臉”張成的降維子空間上的投影?；诖鷶?shù)特征識別的主要原理是利用統(tǒng)計方法提取特征，從而形成子空間進行識別?；诖鷶?shù)特征的方法的基本處理過程為將圖像看作一個數(shù)值矩陣，對其進行SVD分解，得到的奇異值作為人臉圖像的描述。由于奇異值向量與圖像有一一對應關系而且具有較好的穩(wěn)定性和各種變換的不變性，代數(shù)特征反映了圖像的本質，可以用做人臉特征的描述。并且該方法將K-L變換用于人臉圖像的最優(yōu)表示。4)當前主流算法(I)特征臉(eigenface)算法特征臉方法的優(yōu)點①圖像原始灰度數(shù)據(jù)直接用來學習識別，不需任何低中級處理；②不需要人臉的幾何和反射知識；③通過低維可以有效的對高維數(shù)據(jù)進行壓縮；④與其它匹配方法相比，識別簡單有效。(2)基于Fisher線性判別分析算法Fisher線性判別準則是模式識別里的經(jīng)典算法，F(xiàn)isher準則假設了不同類別在模式空間是線性可分的，而引起它們可分的主要原因是不同人臉之間的差異。可應用于疲勞判斷來表示同一個人在不同環(huán)境及健康狀況下的面部差異。(3)彈性圖匹配方法彈性圖匹配方法(Elastic Graph Matching)是一種基于動態(tài)鏈接結構(DynamicLink Architecture, DLA)的方法。它將人臉用格狀的稀疏圖(即拓撲圖)表示，圖中的節(jié)點用圖像位置的Gabor小波分解得到的特征向量標記，圖的邊用連接節(jié)點的距離向量標記。(4)局部特征分析算法局部特征分析算法(LFA:Local Feature Analysis)是利用人 臉的先驗結構知識和人臉圖像的灰度分布知識，先粗略找出人臉的特征點，然后利用人臉彈性圖來對其進行調整，最后在各個特征點處計算Gabor變換系數(shù)集合，并以此來表示人臉的特征。(5)非線性子空間算法非線性子空間分析法(Non-Linear SubSpace)它代表了一種主流發(fā)展趨勢。主要有基于內(nèi)核機方法(如K-SVM，K-PCA, K-LDA)、局部線性嵌入方法(LLE)、拉普拉斯特征臉方法(LE)等。其主要思路用較少數(shù)量的特征對樣本進行描述，采用非線性映射實現(xiàn)降維，構造人臉特征子空間，進而通過分類器，實現(xiàn)人臉識別與特征跟蹤。3、基于知識建模的人臉檢測方法基于知識的方法利用人臉特征知識建立若干規(guī)則，將人臉檢測問題轉化為假設和驗證問題。器官分布方法雖然人臉在外觀上變化很大，但還是遵循一些普遍適用的規(guī)則。如五官的空間位置分布等。檢測圖像中是否有人臉，即測試該圖像中是存在滿足這些規(guī)則的圖像塊。一般先直接檢測幾個器官可能分布的位置，將這些位置點分別組合，用器官分布的幾何關系作為分類器進行篩選，找到可能存在的人臉。提取輪廓方法人臉的輪廓可以看成一個近似橢圓，人臉檢測可通過橢圓檢測來完成。對任意一幅圖像，首先進行邊緣檢測，并對細化后的邊緣提取曲線特征，然后計算各曲線組合成人臉的評估函數(shù)來檢測人臉?？梢圆捎肏ough變換來進行，基本思想是將圖像空間中的檢測問題轉換到參數(shù)空間，通過在參數(shù)空間里進行簡單的累加統(tǒng)計完成檢測任務，用大多數(shù)邊界點滿足的某種參數(shù)形式來描述圖像的區(qū)域邊界曲線，對于一些被噪聲干擾或間斷區(qū)域邊界的圖像具有很好的容錯性和魯棒性，但是H)u曲變換的計算量很大，嚴重影響識別速度。利用顏色、紋理的方法人的面部膚色受亮度影響較大，受色度影響較弱，在顏色空間中的分布相對比較集中，顏色信息在一定程度上可以將人臉和背景區(qū)分。與其他檢測方法相比，利用顏色知識檢測出的人臉區(qū)域不夠準確，由于膚色特征可以用幾個簡單的參數(shù)表示，計算速度快。利用運動的方法若輸入圖像為動態(tài)圖像序列，則可以利用與人臉或人臉的器官相對于背景的運動來檢測人臉，比如利用眨眼或說話等動作的探測來實現(xiàn)人臉與背景的分離。對稱性人臉具有一定軸對稱性，各器官也有一定的對稱性。有的學者提出基于對稱性檢測的方法，檢測一個圓形區(qū)域的對稱性，從而確定是否為人臉?；谥R的方法是一種自上而下的方式。它其中一個困難是如何將人類知識轉化成為有效的規(guī)則如果規(guī)則制定得太細，那么可能有許多人臉無法通過規(guī)則的驗證；如果規(guī)則制定得太寬泛，那么可能許多非人臉會被誤判為人臉。但是，這些方法存在如下缺點；目前的圖像處理算法對高清臉部圖像的處理速度較慢，很容易將高清臉部圖像的細節(jié)信息丟失，臉部的信息量減少，致使臉部特征處理丟掉很多有用信息。另外臉部圖像很容易受外部光照等因素的影響，上述算法很難濾除干擾信息。發(fā)明的目的是提出一種方便、快捷的臉部圖像分析處理方法，用于判斷臉部狀態(tài)。

發(fā)明內(nèi)容
針對上述缺陷或不足，本發(fā)明的目的在于提出一種基于HIS空間和紋理圖像的新型的基于面部圖像特征的圖像處理方法。具體如下 包括如下步驟I)采集多組面部早晨、晚間兩種不同狀態(tài)的照片，分別讀入面部RGB圖像，將圖像轉換到HSI空間，得到HIS空間中的色相、飽和度和亮度三個參數(shù)，分別對三個參數(shù)計算特征值，并求出每組特征值的平均值；2)計算每個參數(shù)的差異百分比D = abs (P-Z)/max (P，Z)，其中，P代表晚間狀態(tài)時的特征值的平均值、Z代表早晨狀態(tài)時的特征值的平均值；將三個參數(shù)差異百分比求和，得到sum= E D作為彩色標準；3)采集某一狀態(tài)下面部照片，計算HSI空間的色相、飽和度和亮度三個參數(shù)的特征值，根據(jù)上述D的計算公式計算每個參數(shù)的差異百分比，公式中的P即為上述某一狀態(tài)時的特征值，Z為早晨狀態(tài)時的特征值的平均值，對三個參數(shù)的差異百分比求和，得到testsum ;與sum比較得到人體狀態(tài)判斷參數(shù)cl, cl = testsum/sum, cl越大,人體狀態(tài)越接近晚間狀態(tài)。進一步地，所述步驟I)中還計算三個參數(shù)的合成方差和合成標準差的均值，并在步驟2)中計算合成方差和合成標準差差異百分比，求色相、飽和度和亮度以及合成方差和合成標準差的差異百分比之和作為彩色標準。進一步地，RGB圖像轉換到HSI空間的方法如下
r n , R+G+R/=-
3
I,-H =—[90-arctan(/-7V3)+{0;(i > BA SOlG < //}]，其中——-
360(t — B
「 n . 6'./y)S = I--v 7
/其中，I是亮度；H是色調；S是色飽和度。進一步地，還包括如下步驟將所述早晨、晚間兩種不同狀態(tài)的RGB圖像轉換為灰度圖像，并分別生成灰度共生矩陣P(i, j)=#{(xl,yl), (x2,y2) G MXN| f (xl, yl)=i, f (x2, y2)=j}其中，(xl, yl)、(x2, y2)為圖像(MXN)中任意兩點的坐標，f(x，y)為一幅二維數(shù)字圖象，其大小為MXN ；#{x}表示集合X中的元素個數(shù)，P為NgXNg的矩陣，Ng正整數(shù)；
根據(jù)所述灰度共生矩陣，計算灰度圖像的能量、對比度、熵、相關值、慣性矩以及每個參數(shù)的標準差；計算這五個參數(shù)的特征值及各自標準差的平均值；計算早晨、晚間兩種狀態(tài)下每個參數(shù)的標準差的差異百分比D = abs (P-Z)/max (P，Z)，其中，P代表晚間狀態(tài)時的標準差的平均值、Z代表早晨狀態(tài)時的標準差的平均值；并計算五個標準差的差異百分比之和sum= E D作為紋理標準；采集某一狀態(tài)下面部照片，計算灰度圖像的能量、對比度、熵、相關性、慣性矩，并計算這五個參數(shù)的特征值；根據(jù)上述D的計算公式計算每個特征值的差異百分比之和testsum，公式中的P即為上述某一狀態(tài)時的特征值，Z為早晨狀態(tài)時的特征值的平均值；與sum比較得到人體狀態(tài)判斷參數(shù)c2, c2 = testsum/sum, c2越大,人體狀態(tài)越接近晚間狀態(tài)；所述Cl和c2同時作為該某一狀態(tài)下的判定人體狀態(tài)的依據(jù)。進一步地，對步驟2)中利用掩膜處理計算圖像的HSI空間分量特征值。本發(fā)明的有益效果是本發(fā)明提出了一種新型的面部圖像處理方法，利用HSI彩色空間掩膜處理面部彩色圖像，可以濾除光照等外界因素對圖片的細節(jié)信息的影響，另外顏色、飽和度分量可以提取面部圖像的細節(jié)信息；利用灰度共生矩陣計算面部圖像的紋理信息。該方法兼顧處理彩色和紋理方面的特征，能完整描述面部細節(jié)信息及用來測量人體狀態(tài)。本發(fā)明可以應用于智能手機等平臺，方便大眾及時測定身體狀態(tài)。


圖I是本發(fā)明的實施流程圖。
具體實施例方式下面結合附圖對本發(fā)明做詳細描述。如圖I所示，本發(fā)明包括如下步驟一.彩色圖像I.采集多組面部早晨、兩晚間種不同狀態(tài)的照片，分別讀入面部RGB圖像，將圖像轉換到HSI空間，對每組的色相、飽和度和亮度分別計算特征值，以及三者的合成方差和合成標準差，并計算各自的均值。數(shù)據(jù)如表1，2所示表I早晨面部彩色特征量
權利要求
1.基于面部圖像特征的圖像處理方法，其特征在于，包括如下步驟 1)采集多組面部早晨、晚間兩種不同狀態(tài)的照片，分別讀入面部RGB圖像，將圖像轉換到HSI空間，得到HIS空間中的色相、飽和度和亮度三個參數(shù)，分別對三個參數(shù)計算特征值，并求出每組特征值的平均值； 2)計算每個參數(shù)的差異百分比D= abs (P-Z)/max(P，Z)，其中，P代表晚間狀態(tài)時的特征值的平均值、Z代表早晨狀態(tài)時的特征值的平均值；將三個參數(shù)差異百分比求和，得到sum= E D作為彩色標準； 3)采集某一狀態(tài)下面部照片，計算HSI空間的色相、飽和度和亮度三個參數(shù)的特征值，根據(jù)上述D的計算公式計算每個參數(shù)的差異百分比，公式中的P即為上述某一狀態(tài)時的特征值，Z為早晨狀態(tài)時的特征值的平均值，對三個參數(shù)的差異百分比求和，得到testsum ;與sum比較得到人體狀態(tài)判斷參數(shù)cl, cl=testsum/sum, cl越大,人體狀態(tài)越接近晚間狀態(tài)。
2.根據(jù)權利要求I所述的基于面部圖像特征的圖像處理方法，其特征在于所述步驟I)中還計算三個參數(shù)的合成方差和合成標準差的均值，并在步驟2)中計算合成方差和合成標準差差異百分比，求色相、飽和度和亮度以及合成方差和合成標準差的差異百分比之和作為彩色標準。
3.根據(jù)權利要求I所述的基于面部圖像特征的圖像處理方法，其特征在于，RGB圖像轉換到HSI空間的方法如下其中，I是売度；H是色調；S是色飽和度。
4.根據(jù)權利要求I所述的基于面部圖像特征的圖像處理方法，其特征在于，還包括如下步驟 1)將所述早晨、晚間兩種不同狀態(tài)的RGB圖像轉換為灰度圖像，并分別生成灰度共生矩陣P(i, j)=#{(xl, yl), (x2, y2) G MXN| f (xl, yl)=i, f (x2, y2)=j} 其中，(xl，yl)、(x2，y2)為圖像(MXN)中任意兩點的坐標，f (x，y)為一幅二維數(shù)字圖象，其大小為MXN ；#{x}表示集合X中的元素個數(shù)，P為NgXNg的矩陣，Ng是正整數(shù)； 2)根據(jù)所述灰度共生矩陣，計算灰度圖像的能量、對比度、熵、相關值、慣性矩以及每個參數(shù)的標準差；計算這五個參數(shù)的特征值及各自標準差的平均值； 計算早晨、晚間兩種狀態(tài)下每個參數(shù)的標準差的差異百分比D = abs (P-Z)/max (P, Z)，其中，P代表晚間狀態(tài)時的標準差的平均值、Z代表早晨狀態(tài)時的標準差的平均值；并計算五個標準差的差異百分比之和sum= E D作為紋理標準； 3)采集某一狀態(tài)下面部照片，計算灰度圖像的能量、對比度、熵、相關性、慣性矩，并計算這五個參數(shù)的特征值；根據(jù)上述D的計算公式計算每個特征值的差異百分比之和testsum，公式中的P即為上述某一狀態(tài)時的特征值，Z為早晨狀態(tài)時的特征值的平均值；與sum比較得到人體狀態(tài)判斷參數(shù)c2,c2 = testsum/sum, c2越大,人體狀態(tài)越接近晚間狀態(tài)；所述Cl和c2同時作為該某一狀態(tài)下的人體狀態(tài)判定的依據(jù)。
5.根據(jù)權利要求I所述的基于面部圖像特征的圖像處理方法，其特征在于對步驟2)中利用掩膜處理計算圖像的HSI空間分量特征值。
全文摘要
一種基于人體面部圖像特征檢測的圖像處理方法，根據(jù)對多個測試者早晚面部圖像的HSI空間分量，得到早晨與晚間狀態(tài)時最大特征區(qū)域和區(qū)域的顏色、色差，形成顏色特征向量。再利用共生矩陣得到最大特征區(qū)域的紋理特征向量。通過對數(shù)據(jù)庫數(shù)據(jù)顏色特征向量和紋理特征向量的總結構建得到一套判定準則，并據(jù)此提出一種狀態(tài)判定方法。本發(fā)明可以方便大眾及時進行狀態(tài)檢測，本發(fā)明可以應用于智能手機，方便快捷，具有很好的應用前景。
文檔編號G06K9/00GK102799872SQ201210247479
公開日2012年11月28日 申請日期2012年7月17日 優(yōu)先權日2012年7月17日
發(fā)明者周秦武, 張軍, 張嘯宇, 強敢峯, 張鳳華, 蔡云麗 申請人:西安交通大學