一種正臉圖像的檢測方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及圖像技術(shù)領(lǐng)域，尤其設(shè)及一種正臉圖像的檢測方法和裝置。
【背景技術(shù)】
[0002] 隨著信息技術(shù)的快速發(fā)展，信息安全變的越來越重要，傳統(tǒng)的依靠證件號碼進(jìn)行 身份識別的技術(shù)，已經(jīng)不能滿足人們的需求。人臉識別技術(shù)通過提取人臉的特征，然后根據(jù) 運(yùn)些人臉特征進(jìn)行身份識別和驗證，具有安全性、方便性、不易被盜性，從而得到廣泛的應(yīng) 用，特別是在單位考勤、出入口檢查、刑事偵破、信息安全等領(lǐng)域，人臉識別技術(shù)具有廣泛的 應(yīng)用前景。
[0003] 在視頻監(jiān)控系統(tǒng)中，圖像處理設(shè)備在獲得人臉圖像(如視頻圖像)之后，可W從人 臉圖像中提取出人臉特征，并可W利用運(yùn)些人臉特征來進(jìn)行身份識別和驗證。在進(jìn)行身份 識別和驗證的過程中，通常需要使用正臉圖像的特征。
[0004] 在實際使用時，人臉圖像中包含的人臉可能存在傾斜或者偏轉(zhuǎn)等問題，如果使用 運(yùn)樣的人臉圖像進(jìn)行身份識別和驗證，對識別率會產(chǎn)生較大的影響，從而影響圖像處理設(shè) 備的識別性能。為了提高人臉識別的準(zhǔn)確率，則需要從人臉圖像中篩選出正臉圖像，并利用 正臉圖像進(jìn)行身份識別和驗證。
[0005] 目前，并沒有有效的從人臉圖像中篩選出正臉圖像的方式。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明提供一種正臉圖像的檢測方法，所述方法包括W下步驟：
[0007] 獲得待檢測的人臉圖像；
[0008] 利用所述人臉圖像的對稱軸將所述人臉圖像劃分為第一區(qū)域和第二區(qū)域；
[0009] 根據(jù)弱紋理區(qū)域的自相似性，從所述第一區(qū)域提取出M個弱紋理特征點;根據(jù)弱紋 理區(qū)域的自相似性，從所述第二區(qū)域提取出N個弱紋理特征點；
[0010] 利用所述第一區(qū)域的所述M個弱紋理特征點W及所述第二區(qū)域的所述N個弱紋理 特征點，檢測所述人臉圖像是否為正臉圖像。
[0011] 所述根據(jù)弱紋理區(qū)域的自相似性，從所述第一區(qū)域提取出M個弱紋理特征點的過 程，具體包括:針對所述第一區(qū)域中的每個第一像素點，W所述第一像素點為中屯、，W預(yù)設(shè) 大小R為半徑，得到所述第一像素點對應(yīng)的第一圓，并利用直徑鏡像將所述第一圓對稱的分 成兩個區(qū)域，并計算所述兩個區(qū)域的相關(guān)對稱性;如果所述相關(guān)對稱性大于預(yù)設(shè)闊值T，則 確定所述第一像素點具有弱紋理區(qū)域的自相似性，并確定所述第一像素點為弱紋理特征 占.
[0012] 所述根據(jù)弱紋理區(qū)域的自相似性，從所述第二區(qū)域提取出N個弱紋理特征點的過 程，具體包括:針對所述第二區(qū)域中的每個第二像素點，W所述第二像素點為中屯、，W預(yù)設(shè) 大小R為半徑，得到所述第二像素點對應(yīng)的第二圓，并利用直徑鏡像將所述第二圓對稱的分 成兩個區(qū)域，并計算所述兩個區(qū)域的相關(guān)對稱性;如果所述相關(guān)對稱性大于預(yù)設(shè)闊值T，則 確定所述第二像素點具有弱紋理區(qū)域的自相似性，并確定所述第二像素點為弱紋理特征 點。
[0013]針對所述第一像素點和所述第二像素點，所述計算所述兩個區(qū)域的相關(guān)對稱性的 過程，具體包括:利用如下公式計算所述兩個區(qū)域的相關(guān)對稱性：
[0015] 其中，P表示所述兩個區(qū)域中的一個區(qū)域，Q表示所述兩個區(qū)域中的另一個區(qū)域，F(xiàn) (P)表示P區(qū)域的特征提取算子，F(xiàn)(Q)表示Q區(qū)域的特征提取算子，叫表示P區(qū)域的特征平 均值，可0表示Q區(qū)域的特征平均值。
[0016] 利用所述第一區(qū)域的所述M個弱紋理特征點W及所述第二區(qū)域的所述N個弱紋理 特征點，檢測所述人臉圖像是否為正臉圖像的過程，具體包括：
[0017] 生成所述M個弱紋理特征點對應(yīng)的第一高斯混合模型GMM模型，并對所述第一 GMM 模型對應(yīng)的每個高斯核進(jìn)行參數(shù)擬合，得到所述每個高斯核對應(yīng)的中屯、與協(xié)方差;對所述 每個高斯核對應(yīng)的中屯、與協(xié)方差進(jìn)行求導(dǎo)處理，并根據(jù)求導(dǎo)處理的結(jié)果構(gòu)造所述第一 GMM 模型所對應(yīng)的第一特征向量；
[0018] 生成所述N個弱紋理特征點對應(yīng)的第二GMM模型，并對所述第二GMM模型對應(yīng)的每 個高斯核進(jìn)行參數(shù)擬合，得到所述每個高斯核對應(yīng)的中屯、與協(xié)方差;對所述每個高斯核對 應(yīng)的中屯、與協(xié)方差進(jìn)行求導(dǎo)處理，并根據(jù)求導(dǎo)處理的結(jié)果構(gòu)造所述第二GMM模型所對應(yīng)的 第二特征向量；
[0019] 利用第一特征向量和第二特征向量檢測所述人臉圖像是否為正臉圖像。
[0020] 所述利用第一特征向量和第二特征向量檢測所述人臉圖像是否為正臉圖像的過 程，具體包括:利用支持向量機(jī)SVM分類器對所述第一特征向量和所述第二特征向量進(jìn)行分 類，并利用分類結(jié)果確定所述人臉圖像是正臉圖像或者不是正臉圖像;其中，所述SVM分類 器的訓(xùn)練過程，具體包括：
[0021] 獲得已知是正臉圖像的多個訓(xùn)練圖像和已知不是正臉圖像的多個訓(xùn)練圖像；
[0022] 針對每個訓(xùn)練圖像，利用所述訓(xùn)練圖像的對稱軸將所述訓(xùn)練圖像劃分為第=區(qū)域 和第四區(qū)域;根據(jù)弱紋理區(qū)域的自相似性，從所述第=區(qū)域提取出L個弱紋理特征點；根據(jù) 弱紋理區(qū)域的自相似性，從所述第四區(qū)域提取出K個弱紋理特征點；生成所述L個弱紋理特 征點對應(yīng)的第=GMM模型，并對第=GMM模型對應(yīng)的每個高斯核進(jìn)行參數(shù)擬合，得到每個高 斯核對應(yīng)的中屯、與協(xié)方差，對每個高斯核對應(yīng)的中屯、與協(xié)方差進(jìn)行求導(dǎo)處理，并根據(jù)求導(dǎo) 處理的結(jié)果構(gòu)造第=GMM模型所對應(yīng)的第=特征向量;生成所述K個弱紋理特征點對應(yīng)的第 四GMM模型，并對第四GMM模型對應(yīng)的每個高斯核進(jìn)行參數(shù)擬合，得到每個高斯核對應(yīng)的中 屯、與協(xié)方差，對每個高斯核對應(yīng)的中屯、與協(xié)方差進(jìn)行求導(dǎo)處理，并根據(jù)求導(dǎo)處理的結(jié)果構(gòu) 造第四GMM模型所對應(yīng)的第四特征向量；
[0023] 利用所有訓(xùn)練圖像的第S特征向量和第四特征向量訓(xùn)練所述SVM分類器。
[0024] 本發(fā)明提供一種正臉圖像的檢測裝置，所述裝置具體包括：
[0025] 獲得模塊，用于獲得待檢測的人臉圖像；
[0026] 劃分模塊，用于利用人臉圖像的對稱軸將人臉圖像劃分為第一區(qū)域和第二區(qū)域；
[0027] 提取模塊，用于根據(jù)弱紋理區(qū)域的自相似性，從第一區(qū)域提取出M個弱紋理特征 點;根據(jù)弱紋理區(qū)域的自相似性，從第二區(qū)域提取出N個弱紋理特征點；
[0028] 檢測模塊，用于利用所述第一區(qū)域的所述M個弱紋理特征點W及所述第二區(qū)域的 所述N個弱紋理特征點，檢測所述人臉圖像是否為正臉圖像。
[0029] 所述提取模塊，具體用于在根據(jù)弱紋理區(qū)域的自相似性，從所述第一區(qū)域提取出M 個弱紋理特征點的過程中，針對所述第一區(qū)域中的每個第一像素點，W所述第一像素點為 中屯、，W預(yù)設(shè)大小R為半徑，得到所述第一像素點對應(yīng)的第一圓，并利用直徑鏡像將所述第 一圓對稱的分成兩個區(qū)域，并計算所述兩個區(qū)域的相關(guān)對稱性;如果所述相關(guān)對稱性大于 預(yù)設(shè)闊值T，則確定所述第一像素點具有弱紋理區(qū)域的自相似性，并確定所述第一像素點為 弱紋理特征點;在根據(jù)弱紋理區(qū)域的自相似性，從所述第二區(qū)域提取出N個弱紋理特征點的 過程中，針對所述第二區(qū)域中的每個第二像素點，W所述第二像素點為中屯、，W預(yù)設(shè)大小R 為半徑，得到所述第二像素點對應(yīng)的第二圓，并利用直徑鏡像將所述第二圓對稱的分成兩 個區(qū)域，并計算所述兩個區(qū)域的相關(guān)對稱性;如果所述相關(guān)對稱性大于預(yù)設(shè)闊值T，則確定 所述第二像素點具有弱紋理區(qū)域的自相似性，并確定所述第二像素點為弱紋理特征點。
[0030] 針對第一像素點和第二像素點，所述提取模塊，具體用于在計算所述兩個區(qū)域的 相關(guān)對稱性的過程，利用如下公式計算所述兩個區(qū)域的相關(guān)對稱性：
[0032] 其中，P表示所述兩個區(qū)域中的一個區(qū)域，Q表示所述兩個區(qū)域中的另一個區(qū)域，F(xiàn) (P)表示P區(qū)域的特征提取算子，F(xiàn)(Q)表示Q區(qū)域的特征提取算子，F(xiàn)t巧表示P區(qū)域的特征平 均值，刊0表示Q區(qū)域的特征平均值。
[0033] 所述檢測模塊，具體用于在利用所述第一區(qū)域的所述M個弱紋理特征點W及所述 第二區(qū)域的所述N個弱紋理特征點，檢測所述人臉圖像是否為正臉圖像的過程中，生成所述 M個弱紋理特征點對應(yīng)的第一高斯混合模型GMM模型，并對所述第一 GMM模型對應(yīng)的每個高 斯核進(jìn)行參數(shù)擬合，得到所述每個高斯核對應(yīng)的中屯、與協(xié)方差;對所述每個高斯核對應(yīng)的 中屯、與協(xié)方差進(jìn)行求導(dǎo)處理，并根據(jù)求導(dǎo)處理的結(jié)果構(gòu)造所述第一 GMM模型所對應(yīng)的第一 特征向量；W及，生成所述N個弱紋理特征點對應(yīng)的第二GMM模型，并對所述第二GMM模型對 應(yīng)的每個高斯核進(jìn)行參數(shù)擬合，得到所述每個高斯核對應(yīng)的中屯、與協(xié)方差;對所述每個高 斯核對應(yīng)的中屯、與協(xié)方差進(jìn)行求導(dǎo)處理，并根據(jù)求導(dǎo)處理的結(jié)果構(gòu)造所述第二GMM模型所 對應(yīng)的第二特征向量；
[0034] 利用第一特征向量和第二特征向量檢測所述人臉圖像是否為正臉圖像。
[0035] 所述檢測模塊，具體用于在利用第一特征向量和第二特征向量檢測所述人臉圖像 是否為正臉圖像的過程中，利用支持向量機(jī)SVM分類器對所述第一特征向量和所述第二特 征向量進(jìn)行分類，并利用分類結(jié)果確定所述人臉圖像是正臉圖像或