CN102819733B - 一种快速的街景图像中人脸的检测模糊方法 - Google Patents

Abstract

本发明公开了一种快速的街景图像中人脸的检测模糊方法，该方法包括以下步骤：去除不包含人脸区域的区域；根据Harr-like特征的Adaboost检测算法检测出人脸的候选区域；根据人脸的形状、颜色特征，设置一定的限制条件来排除非人脸区域；对所有的人脸区域进行水平、垂直方向的平滑模糊，得到结果图像。本发明引入基于贝叶斯统计的肤色检测方法和基于HOG特征的人肩像检测方法来排除非人脸区域，基于人脸区域的Harr-like特征、形状和肤色特征，提出了快速、鲁棒的人脸检测算法。本发明巧妙地采用水平和垂直模板对人脸区域进行平滑模糊处理，在保证模糊效果的同时，大大提高了处理速度。

Description

一种快速的街景图像中人脸的检测模糊方法

技术领域

本发明涉及图像处理技术领域，尤其是一种快速的街景图像中人脸的检测模糊方法。

背景技术

在过去的几年时间内，在线的街景地图产品得到了快速发展。其中最具有代表性的就是谷歌街景服务。街景图像的大尺度和精确性使得用户可以有效地对感兴趣点的具体位置进行搜索，而且还可以虚拟地在街道级别的环境中进行漫步。因此，一系列有趣有益的应用营运而生，比如：虚拟旅游，房地产搜索，增强性的驾驶导航等。但是，在拍摄街景图像的过程中，往往会拍摄到一些具有个人隐私的信息，主要包括人脸和车牌。为了保护这些隐私，需要对人脸和车牌区域进行检测和模糊化处理。

街景图像中的人脸检测不同于传统的人脸检测，检测的难度主要表现在以下几个方面：1、街景图像尺寸很大，背景很复杂，光照变化较大，对比度小；2、人脸的姿态丰富多样；3、人脸所占区域分辨率低，且存在部分遮挡的情况。

传统的人脸检测和模糊方法未对该类街景图像进行优化，耗时较长，因此，本发明设计了一种快速的街景图像中人脸的检测模糊方法。

发明内容

本发明的目的是利用图像处理技术提取街景图像中人脸区域的特征，来检测和模糊人脸区域。为此提供一种快速的街景图像中人脸的检测模糊方法。

为了达成所述目的，本发明提供一种快速的街景图像中人脸的检测模糊方法，其特征在于，该方法包括以下步骤：

步骤1，对街景原始图像进行预处理，得到待处理街景图像；

步骤2，采用预先训练出来的Harr-like特征人脸数据库，使用分类器训练算法对待处理街景图像进行检测，得到待处理街景图像中的待定人脸区域；

步骤3，对于所有待定人脸区域，根据人脸的形状、位置特征，初步判断该待定人脸区域是否为真实人脸区域；

步骤4，根据待定人脸区域是否满足一定的肤色检测限制条件，再次判断经所述步骤3初步判断为人脸区域的区域是否为真实人脸区域；

步骤5，根据待定人脸区域是否满足一定的人肩像检测限制条件，判断经所述步骤4再次判断为人脸区域的区域是否为真实人脸区域；

步骤6，根据人脸的空间特征，对经所述步骤5判断为真实人脸区域的区域进行最后的检测；

步骤7，对最终检测得到的人脸区域进行模糊化处理。

本发明引入基于贝叶斯统计的肤色检测方法和基于HOG特征的人肩像检测方法来排除非人脸区域，本发明基于人脸区域的Harr-like特征、形状和颜色特征，创造性地设计了快速、鲁棒的人脸检测算法。本发明巧妙地采用水平和垂直模板对人脸区域进行平滑模糊处理，在保证模糊效果的同时，大大提高了处理速度。

附图说明

图1是本发明提出的街景图像中人脸的检测模糊方法流程图；

图2是根据本发明实施例的基于Harr-like特征和Adaboost算法检测出来的待定人脸区域图像；

图3是根据本发明实施例的最终检测得到的人脸区域的结果图像；

图4是对图3中的人脸区域经水平和垂直方向模糊处理后的结果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明的基本原理是提取人脸的Harr-like特征、形状特征、皮肤颜色特征以及空间特征来检测人脸，并对人脸区域进行水平和垂直方向的平滑模糊处理。

图1是本发明提出的街景图像中人脸的检测模糊方法流程图，如图1所示，本发明提出的街景图像中人脸的检测模糊方法包括以下步骤：

步骤1，对街景原始图像进行预处理，得到待处理街景图像；

设街景原始图像的分辨率为W*H，考虑到街景图像中的顶部区域中不存在人脸区域，底部为街景图像采集车，因此，去除街景原始图像的顶部W*h₁像素区域和底部W*h₂像素区域，得到分辨率为W*(H-h₁-h₂)的待处理街景图像。

在通常应用中，街景原始图像的分辨率一般为1232*1616，去除街景原始图像的顶部1232*500像素区域，和底部1232*300的像素区域，得到分辨率为1232*816的待处理街景图像。

步骤2，采用预先训练出来的Harr-like特征人脸数据库，使用分类器训练算法对待处理街景图像进行检测，得到待处理街景图像中的待定人脸区域；

所述分类器训练算法可以采用现有技术中的Adaboost算法，设输入的n个训练样本为：{(x₁，y₁)，(x₂，y₂)，...，(x_n，y_n)}，其中，x_i为输入的训练样本，y_i∈{0，1}表示样本x_i为正样本还是负样本，n个训练样本中，正样本数为k，负样本数为m，n＝k+m。Adaboost算法的具体步骤可以简单描述为：1、初始化每个样本的权值：

对于正样本，其权值w_t，i初始化为1/2k，对于负样本，其权值w_t，i初始化为1/2m；

2、对第t个弱分类器，t＝1，...，T，T为弱分类器的个数：

1)对样本的权值进行归一化：

$q_{t,i}=\frac{w_{t,i}}{{\mathrm{\Σ}}_{j=1}^n{w}_{t,j}},$

2)对于每个样本的特征j，j＝1，...，n，训练生成相应的弱分类器h_t，j(x)：

其中，p_j表示不等式的方向，只能取±1；f_j(x)表示特征值；θ_j为阈值。

3)计算弱分类器h_t，j(x)对样本集的分类误差：

${\mathrm{\ϵ}}_{t,j}={\mathrm{\Σ}}_{i=1}^n{q}_{t,i}|h_{t,j}\left(x_i\right)-y_i|,$ j＝1，2...K，K为特征的总数；

4)从训练得到的弱分类器中找出一个具有最小误差ε_t的弱分类器，并将其加入到强分类器中，记为h_t：

ε_t＝min_f，p，θ∑_iq_i|h_j(x_i)-y_i|，

5)更新各个样本的权值：

$w_{t+1,i}=w_{t,i}{\mathrm{\β}}_t^{1-e_i},$ i＝1，2...，n，

其中，如果样本x_i被第t次迭代后产生的弱分类器h_t正确分类，则e_i＝0；反之，e_i＝1；β_t＝ε_t/1-ε_t，使得分类错误的数据权值变大，分类正确的数据权值变小；

3、最后形成的强分类器为：

其中， ${\∂}_t=\log \frac{1}{{\mathrm{\β}}_t}.$

然后，根据训练出来的强分类器对待定人脸区域进行检测。

基于Harr-like特征和Adaboost算法检测出来的待定人脸区域图像如图2所示。

步骤3，对于所有待定人脸区域，根据人脸的形状、位置特征，设置一定的限制条件，来初步判断该待定人脸区域是否为真实人脸区域；

其中，所述限制条件主要包括：

①人脸的长宽比约为1∶1，因此，设置人脸区域的长宽比满足的条件为：S_min＜R_l/R_w＜S_max，其中，R_l为人脸区域的长，R_w为人脸区域的宽，S_min和S_max分别为人脸区域长宽比的下限值和上限值，在本发明的一实施例中，S_min和S_max分别取为0.75和1.25；

②人脸的宽度和高度有一定的下限和上限，因此，设置人脸区域的宽度和高度需满足：R_{w_min}＜R_w＜R_{w_max}，R_{l_min}＜R_l＜R_{l_max}，其中，R_{w_min}为人脸区域的宽度R_w的下限值，R_{w_max}为R_w的上限值，在本发明的一实施例中，分别取为30和80，R_{l_min}为人脸区域的长度R_l的下限值，R_{l_max}为R_l的上限值，在本发明的一实施例中，分别取为30和80；

③基于当前相机的设置，人脸的宽与该人脸在街景图像中的位置的纵坐标成线性关系，即满足：R_w＜α*y_c+β，其中，α，β为系数，在本发明的一实施例中，分别取为0.3和20，y_c为人脸区域中心的纵坐标。

步骤4，根据待定人脸区域是否满足一定的肤色检测限制条件，判断经所述步骤3初步判断为人脸区域的区域是否为真实人脸区域；

所述步骤4进一步包括以下步骤：

步骤41，将待定人脸区域图像由RGB空间转换到YCrCg空间；

步骤42，基于贝叶斯统计方法，统计转换到YCrCg空间的待定人脸区域图像中满足人脸肤色条件的像素数n；

在YCrCg空间中，根据对大量的色彩分析及街景图像中人脸区域颜色统计得出，满足条件135＜C_r＜165和90＜C_g＜125的像素为人脸肤色像素，其中，C_r为红色分量和亮度值的差，C_g为绿色分量与亮度值的差。

步骤43，计算满足人脸肤色条件的像素数n占待定人脸区域图像总像素数的百分比：p＝n/N*100％，其中，N为待定人脸区域的总像素数，若所述百分比满足：p≥p_min，其中，p_min为肤色像素数占人脸区域总像素数的百分比下限值，在本发明的一实施例中，取为45％，则判断所述待定人脸区域为真实人脸区域。

步骤5，根据待定人脸区域是否满足一定的人肩像检测限制条件，判断经所述步骤4判断为人脸区域的区域是否为真实人脸区域；

所述步骤5进一步包括以下步骤：

步骤51，以待定人脸区域图像为基础，将该待定人脸区域图像扩展为以该待定人脸区域为人脸的人肩像区域，该人肩像区域的中心坐标为：(x₀，y₀-R_l)，大小为(3*R_w)×(4*R_l)，其中，(x₀，y₀)为待定人脸区域的中心坐标。

步骤52，采用预先训练出来的人肩像HOG(Histogram Of Gradient，梯度直方图)特征数据库，结合支持向量机(SVM)和Adaboost分类器训练算法，检测以该待定人脸区域为人脸的人肩像区域是否为真实的人肩像区域；

步骤53，满足所述步骤52的要求的待定人脸区域判断为真实人脸区域。

步骤6，根据人脸的空间特征，对经所述步骤5判断为真实人脸区域的区域进行最后的检测；

该步骤中，根据人脸的空间特征，对经所述步骤5判断为真实人脸区域的区域进行最后的检测，在本发明的一个实施例中，采用容器法对真实的人脸区域进行最后的检测，即通过将经所述步骤5判断为真实人脸区域的区域有选择的加入存储人脸的容器中来实现对人脸区域的最后的检测。该方法具体包括以下步骤：

步骤61，判断容器是否为空，如果容器为空，则将该人脸区域直接加入容器中；如果容器不为空，则进入步骤62；

步骤62，设经所述步骤5判断为真实人脸区域的区域P₀的中心位置为(x₀，y₀)，容器中存在的人脸区域P′的中心位置为(x′，y′)的人脸，为横坐标距离阈值，若满足：|x₀-x′|＜T_D且y₀＞y′，则用当前人脸区域P₀替换容器中的人脸区域P′，其中，T_D为横坐标距离阈值；若满足：|x₀-x′|＜T_D且y₀＜y′，则当前人脸区域P₀不加入容器中；若满足：|x₀-x′|≥T_D，则将当前人脸区域P₀加入容器中，在本发明的一实施例中，T_D取为130；

步骤63，最终容器中存在的人脸区域即为最终检测得到的人脸区域。

根据本发明实施例的最终检测得到的人脸区域的结果图像如图3所示。

步骤7，对最终检测得到的人脸区域进行模糊化处理。

该步骤中，首先对最终检测得到的人脸区域采用模板[111111111]对人脸区域进行水平方向上的平滑模糊，然后采用模板[111111111]^T对人脸区域进行垂直方向上的平滑模糊，[111111111]^T表示[111111111]的转置，其中，水平方向上的平滑模糊原理为：以所述人脸区域中的每个像素为一长度为9的水平窗口的中心点，计算该窗口内所有像素的平均值，并以该平均值替换当前像素的像素值，遍历所述人脸区域中的所有像素，得到所述人脸区域水平方向上的平滑模糊结果。垂直方向上的平滑模糊与水平方向上的平滑模糊类似，只是平滑模糊处理时所使用的窗口为垂直方向上的窗口。

对于图3所示的人脸检测结果进行模糊化处理的结果如图4所示。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种街景图像中车牌的检测模糊方法，其特征在于，该方法包括以下步骤：

步骤1，对街景原始图像进行预处理，得到待处理街景图像；

步骤2，采用预先训练出来的Harr-like特征人脸数据库，使用分类器训练算法对待处理街景图像进行检测，得到待处理街景图像中的待定人脸区域；

步骤3，对于所有待定人脸区域，根据人脸的形状、位置特征，初步判断该待定人脸区域是否为真实人脸区域；

步骤4，根据待定人脸区域是否满足一定的肤色检测限制条件，判断经所述步骤3初步判断为人脸区域的区域是否为真实人脸区域；

步骤5，根据待定人脸区域是否满足一定的人肩像检测限制条件，判断经所述步骤4判断为人脸区域的区域是否为真实人脸区域；

步骤6，根据人脸的空间特征，对经所述步骤5判断为真实人脸区域的区域进行最后的检测；

步骤7，对最终检测得到的人脸区域进行模糊化处理；

所述步骤6中，采用容器法对真实的人脸区域进行最后的检测，包括以下几个步骤：

步骤61，判断容器是否为空，如果容器为空，则将该人脸区域直接加入容器中；如果容器不为空，则进入步骤62；

步骤62，设经所述步骤5判断为真实人脸区域的区域P₀的中心位置为(x₀，y₀)，容器中存在的人脸区域P′的中心位置为(x′，y′)，若满足：|x₀-x′|＜T_D且y₀＞y′，则用当前人脸区域P₀替换容器中的人脸区域P′，其中，T_D为横坐标距离阈值；若满足：|x₀-x′|＜T_D且y₀＜y′，则当前人脸区域P₀不加入容器中；若满足：|x₀-x′|≥T_D，则将当前人脸区域P₀加入容器中；

步骤63，最终容器中存在的人脸区域即为最终检测得到的人脸区域。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中，设街景原始图像的分辨率为W*H，考虑到街景图像中的顶部区域中不存在人脸区域，底部为街景图像采集车，去除街景原始图像的顶部W*h₁像素区域和底部W*h₂像素区域，得到分辨率为W*(H-h₁-h₂)的待处理街景图像。

3.根据权利要求1所述的方法，其特征在于，所述步骤3中，所述根据人脸的形状、位置特征，初步判断该待定人脸区域是否为真实人脸区域的步骤进一步为，根据人脸的形状、位置特征设置限制条件，满足所述限制条件的区域即初步判断为人脸区域。

4.根据权利要求3所述的方法，其特征在于，所述限制条件为：

①人脸区域的长宽比满足的条件为：S_min＜R_l/R_w＜S_max，其中，R_l为人脸区域的长，R_w为人脸区域的宽，S_min和S_max分别为人脸区域长宽比的下限值和上限值；

②人脸区域的宽度和高度需满足：R_{w_min}＜R_w＜R_{w_max}，R_{l_min}＜R_l＜R_{l_max}，其中，R_{w_min}为人脸区域的宽度R_w的下限值，R_{w_max}为R_w的上限值，R_{l_min}为人脸区域的长度R_l的下限值，R_{l_max}为R_l的上限值；

③人脸的宽与该人脸在街景图像中的位置的纵坐标成线性关系，即满足：R_w＜α*y_c+β，其中，α，β为系数，y_c为人脸区域中心的纵坐标。

5.根据权利要求1所述的方法，其特征在于，所述步骤4进一步包括以下步骤：

步骤41，将待定人脸区域图像由RGB空间转换到YCrCg空间；

步骤42，基于贝叶斯统计方法，统计转换到YCrCg空间的待定人脸区域图像中满足人脸肤色条件的像素数n；

步骤43，计算满足人脸肤色条件的像素数n占待定人脸区域图像总像素数的百分比：p＝n/N*100％，其中，N为待定人脸区域的总像素数，若所述百分比满足：p≥p_min，其中，p_min为肤色像素数占人脸区域总像素数的百分比下限值，则判断所述待定人脸区域为真实人脸区域。

6.根据权利要求5所述的方法，其特征在于，所述步骤42中，在YCrCg空间中，满足条件：135＜C_r＜165和90＜C_g＜125的像素为人脸肤色像素，其中，C_r为红色分量和亮度值的差，C_g为绿色分量与亮度值的差。

7.根据权利要求1所述的方法，其特征在于，所述步骤5进一步包括以下步骤：

步骤51，以待定人脸区域图像为基础，将该待定人脸区域图像扩展为以该待定人脸区域为人脸的人肩像区域，该人肩像区域的中心坐标为：(x₀，y₀-R_l)，大小为(3*R_w)×(4*R_l)，其中，(x₀，y₀)为待定人脸区域的中心坐标，R_l为人脸区域的长，R_w为人脸区域的宽；

步骤52，采用预先训练出来的人肩像梯度直方图HOG特征数据库，结合支持向量机SVM和Adaboost分类器训练算法，检测以该待定人脸区域为人脸的人肩像区域是否为真实的人肩像区域；

步骤53，满足所述步骤52的要求的待定人脸区域判断为真实人脸区域。

8.根据权利要求1所述的方法，其特征在于，所述步骤7中，首先对最终检测得到的人脸区域采用模板[111111111]进行水平方向上的平滑模糊，然后采用模板[111111111]^T进行垂直方向上的平滑模糊，[111111111]^T表示[111111111]的转置。

9.根据权利要求8所述的方法，其特征在于，所述水平方向上的平滑模糊为：以所述人脸区域中的每个像素为一长度为9的水平窗口的中心点，计算该窗口内所有像素的平均值，并以该平均值替换当前像素的像素值，遍历所述人脸区域中的所有像素，得到所述人脸区域水平方向上的平滑模糊结果；所述垂直方向上的平滑模糊与水平方向上的平滑模糊类似，只是平滑模糊处理时所使用的窗口为垂直方向上的窗口。