r>[0059] 為便于理解，下面對本發(fā)明實施例中的一種人臉識別的眼鏡消除方法進行詳細描 述，請參閱圖2,本發(fā)明實施例中一種人臉識別的眼鏡消除方法另一個實施例包括：
[0060] 201、采集人臉圖像，并對得到的多個圖像幀進行灰度化處理，得到多張第一圖 像；
[0061] 首先，可以采集人臉圖像，并對得到的多個圖像幀進行灰度化處理，得到多張第一 圖像。需要說明的是，本實施例中可以采集人臉的近紅外圖像，采用的近紅外攝像頭可以具 有如下特性：1.可上下45度范圍內(nèi)自動轉(zhuǎn)動；2.波段850nm;3.攝像頭周圍布設近紅外補 光燈，攝像頭啟動，光源打開。
[0062] 因此，可以理解的是，該攝像頭以固定的頻率或時間間隔對人臉進行連續(xù)的拍攝， 得到多個圖像幀，也即多幀圖像。然后對這些圖像進行灰度化處理，得到對應的多張第一圖 像。
[0063] 202、對該第一圖像進行人臉檢測，獲取人臉區(qū)域；
[0064] 在得到多張第一圖像之后，可以對該第一圖像進行人臉檢測，獲取人臉區(qū)域。其 中，人臉檢測的方法有兩類：一類是基于機器學習的方法，如基于Haar分類器的人臉檢測 方法；另一類是基于膚色的檢測方法，或是融合上述兩種方法；考慮到用戶膚色的多樣性， 自適應閾值較難獲取。故本步驟202可以采用OpenCV庫的人臉檢測算法進行人臉檢測，該 算法是基于Haar分類器實現(xiàn)的。另外，考慮到OpenCV庫的訓練樣本都是可見光環(huán)境下的 圖像庫，本發(fā)明可以預先將多幅人臉圖像（或具體為人臉的近紅外圖像）擴充至該Haar分 類器中的OpenCV庫中作為原始訓練樣本，重新進行級聯(lián)訓練得到新的數(shù)據(jù)模型。例如，用 70000幅近紅外圖像擴充原始訓練樣本，重新進行級聯(lián)訓練得到新的數(shù)據(jù)模型。重建的數(shù)據(jù) 模型能夠較準確的對近紅外人臉圖像進行人臉區(qū)域定位。
[0065] 203、獲取該人臉區(qū)域中的眼部區(qū)域圖像；
[0066] 在獲取到人臉區(qū)域之后，可以獲取該人臉區(qū)域中的眼部區(qū)域圖像。其中，獲取該人 臉區(qū)域中的眼部區(qū)域圖像具體可以包括：
[0067] A、獲取該人臉區(qū)域的兩個對角頂點坐標；
[0068] B、根據(jù)該兩個對角頂點坐標以及預設的眼部區(qū)域相對位置得到眼部區(qū)域圖像。
[0069] 例如，據(jù)人臉區(qū)域的頂點坐標，通過下面公式（1)計算得雙眼所在的矩形區(qū)域RI， 并對RI進行二值化處理，得到二值化后的眼部區(qū)域圖像。
[0070] 設人臉區(qū)域的左上角頂點坐標為（FRleft，F(xiàn)Rtop)，右下角頂點坐標為 (FR right，F(xiàn)Rbottom )，寬、高分別記為FRwldth, FRtelght。由如下公式計算可得雙眼所在的矩形區(qū)域
[0072] RI的二值化的初始閾值是通過灰度直方圖統(tǒng)計所得，再根據(jù)二值圖像像素分布調(diào) 整閾值，可以減少非眼睛區(qū)域其他高亮度噪聲的干擾。
[0073] 204、對該眼部區(qū)域圖像進行二值化處理；
[0074] 在獲取該人臉區(qū)域中的眼部區(qū)域圖像之后，可以對該眼部區(qū)域圖像進行二值化處 理，如步驟203中描述。
[0075] 205、計算該眼部區(qū)域圖像的反光度；
[0076] 在對該眼部區(qū)域圖像進行二值化處理之后，可以計算該眼部區(qū)域圖像的反光度。 可以理解的是，對于二值化圖像而言，反光度即由圖像上高亮度像素（灰度值為1)的個數(shù) 反應，因此，步驟205可以具體為：
[0077] 計算該眼部區(qū)域圖像上所有連通域內(nèi)包含的高亮度像素的個數(shù)之和，該高亮度像 素為灰度值為1的像素，其中，高亮度像素個數(shù)越多眼鏡反光度越高。具體計算公式（2)如 下：
[0079] 其中S1是第i個連通域內(nèi)灰度值為1的像素個數(shù)和，m是高亮度像素形成的連通 域個數(shù)。
[0080] 206、判斷是否存在任一該第一圖像上人臉區(qū)域的該反光度大于預設的標準閾值， 若是，則執(zhí)行步驟207,若否，則執(zhí)行步驟211 ;
[0081] 在計算該眼部區(qū)域圖像的反光度之后，可以判斷是否存在任一該第一圖像上人臉 區(qū)域的該反光度大于預設的標準閾值，若是，則執(zhí)行步驟207,若否，則執(zhí)行步驟211。
[0082] 需要說明的是，近紅外光源從某一角度照射至鏡片會引起強烈反光，形成高亮度 連通區(qū)域，而任意角度照射在眼睛上不會形成高亮度連通區(qū)域。由于采集攝像頭是上下轉(zhuǎn) 動且補充近紅外光的，若戴眼鏡，一定存在多個照射角度使得反光度高于某個閾值。依據(jù)這 一原理，眼鏡檢測的判斷準則為：對間隔采樣的多幀（比如五幀）圖像，若有一幀圖像反光 度大于預設的標準閾值則判定為戴眼鏡，反之，未戴眼鏡。
[0083] 承接上述步驟205中的描述可知，若K彡Κδ，則判定為戴眼鏡，反之，不戴眼鏡。Κ δ 為眼鏡檢測閾值（即標準閾值），可通過實驗設定。
[0084] 207、篩選出該反光度不大于預設的第一反光閾值的該第一圖像作為第二圖像；
[0085] 若存在任一該第一圖像上人臉區(qū)域的該反光度大于預設的標準閾值，則可以認為 人臉上戴有眼鏡，因此，可以篩選出該反光度不大于預設的第一反光閾值的該第一圖像作 為第二圖像。
[0086] 其中，需要說明的是，本步驟通過反光度篩選獲取反光度較低，不影響瞳孔準確定 位的圖像。由于光源的角度和強度不斷變化，故得到的圖像幀序列反光度不同。反光度篩 選是通過閾值控制圖像反光度來實現(xiàn)的：若圖像I的反光度K < δ，則通過篩選轉(zhuǎn)入下一 步鏡框消除。其中，上述第一反光閾值可以預先計算得出，具體包括：
[0087] Α、采集不少于預設數(shù)量級的戴眼鏡的人臉近紅外圖像；
[0088] B、從該人臉近紅外圖像中篩選出瞳孔定位準確的圖像組成標準圖像集；
[0089] C、計算該標準圖像集中所有圖像的反光度；
[0090] D、獲取該所有圖像的反光度的最大值，作為該第一反光閾值。
[0091] 例如，第一反光閾值δ通過數(shù)據(jù)實驗得到：將采集的10000幅戴眼鏡圖像I1，… ，1 1(]_進行人臉特征點定位算法測試。挑選出瞳孔定位準確的圖像集Α，利用反光度計算公 式計算A中所有圖像的反光度K 1，…，Kn (Ν < 10000)，取最大值為第一反光閾值δ。
[0092] 208、在該第二圖像上定位眼鏡框的鏡框區(qū)域；
[0093] 在篩選出該反光度不大于預設的第一反光閾值的該第一圖像作為第二圖像之后， 可以在該第二圖像上定位眼鏡框的鏡框區(qū)域。
[0094] 需要說明的是，眼鏡框架定位可以采用GVF-Snake方法，通過能量函數(shù)控制初始 輪廓逐步演化至目標輪廓GI。由于該方法基于區(qū)域邊緣信息，不依賴圖像灰度特征，因此 輪廓曲線在演化過程中受噪聲和虛假邊界的抗性較高，且該方法對初始輪廓不敏感。本步 驟的初始輪廓可以采用Canny檢測方法得到：對圖像進行高斯濾波，在眼鏡區(qū)域RI使用 Canny算子提取眼鏡輪廓S。。
[0095] 209、修復該第二圖像上的該鏡框區(qū)域，得到消除鏡框的目標圖像；
[0096] 在該第二圖像上定位眼鏡框的鏡框區(qū)域之后，可以修復該第二圖像上的該鏡框區(qū) 域，得到消除鏡框的目標圖像?？梢岳斫獾氖牵坨R框架區(qū)域的消除常用的方法有PCA重 建、設定掩碼模板處理、特征元補償、加權平均插值等。其中PCA重建與特征元補償方法需 要大量的戴眼鏡人臉數(shù)據(jù)庫與不戴眼鏡數(shù)據(jù)庫做模型訓練，而實際應用中較難獲取此類樣 本。掩碼模板處理方法的模板設定對圖像本身依賴性較大，該方法泛化性能不佳。
[0097] 本發(fā)明采用加權平均插值的方法，對目標輪廓GI內(nèi)的像素點Pjx。，y。)，用已知 像素點的灰度值來估i-
N是窗口內(nèi)P。鄰域像素點總數(shù)， G(X1J1)是窗口內(nèi)卩0鄰域像素點的灰度值，ω工為權值。
[0098] 其中，眼鏡框架遮擋部分