CN103425985B - 一种人脸抬头纹检测方法 - Google Patents

Abstract

本发明提供了一种人脸抬头纹检测方法，该方法先通过对图像中的人脸进行定位，分割出人脸区域，然后采用高斯平滑滤波器对分割出来的人脸区域进行滤波，再采用迭代阈值分割法对人脸区域进行阈值分割得到二值图像，并找到眉毛最高的两个点，以这两个点为基准对额头区域进行分割，最后用边缘检测算法对额头区域进行边缘检测找出额头区域的细纹，即抬头纹。本发明在人脸抬头纹检测中表现出色，快速可靠。

Description

一种人脸抬头纹检测方法

技术领域

本发明涉及图像处理、检测等技术领域，尤其涉及一种人脸抬头纹的自动检测方法。

背景技术

人脸抬头纹作为人脸的一个重要特征，随着性别、年龄的不同而有着比较明显的差距，因此可以把抬头纹与人脸其他方面的特征相结合，以实现基于特征提取和识别的各种应用。检测出人脸抬头纹在人脸表情识别和对识别对象的年龄估计等方面有相当重要的应用价值。

发明内容

本发明为解决上述技术问题，提供一种人脸抬头纹检测方法，为人脸面部细纹的检测提供了新的思路，能够有效提取出人脸额头区域的细纹特征。

为了实现上述目的，本发明采用如下技术方案。

一种人脸抬头纹检测方法，包括如下步骤：第一步，对图像中的人脸进行定位；第二步，分割出人脸区域；第三步，对分割出来的区域进行预处理，在一定程度上减弱噪声对抬头纹的检测带来的干扰；第四步，找到眉毛最高的两个点；第五步，以这两个点为基准对额头区域进行分割；第六步，用边缘检测算法对额头区域进行边缘检测找出额头区域的细纹，即抬头纹。

作为本发明的进一步改进，所述第一步中，采用Adaboost算法训练的人脸分类器对图像中人脸进行定位。

所述第三步中，用高斯滤波器对分割出的人脸区域进行滤波。

所述第四步中，先采用Adaboost算法训练的眼睛分类器对图像中人脸区域进行扫描，以实现对眼睛的定位，然后采用迭代阈值分割法对人脸区域进行阈值分割得到二值图像；经过处理之后得到的二值图像其眼睛和眉毛部分为黑色，即为0，两者之间的区域为白色，即为1；对眉毛区域进行定位，具体做法如下：从眼睛坐标处开始，保持横坐标不变，纵坐标循环减一，检测每个像素点的值，若为1，则表示该点位于眼睛和眉毛之间的区域；利用该方法检测出眼睛正上方眉毛的最高点，并再根据眼睛正上方眉毛的高度，上移眼睛正上方眉毛高度的3/4，估计出整个眉毛区域的最高点。

所述迭代阈值分割法的阈值选取过程如下：

1）根据图像中五官的灰度分布情况，选取图像的灰度均值作为初始阈值T=128；

2）利用阈值T把给定图像分割成两组图像，背景和前景，记为R1，R2；

3）分别计算R1和R2的均值U1和U2；

4）选取新的阈值T，

5）重复2）～4）步，直至R1和R2的均值U1和U2不再变化为止。

所述第六步中，采用Laplacian of a Gaussian(LoG)检测器对额头区域进行边缘检测找出额头区域的细纹。

本发明的有益效果：为人脸面部细纹的检测提供了新的思路和方法，采用边缘检测可以提取出人脸的纹理特征并结合人脸其他特征以实现许多基于人脸特征提取和识别的应用。该发明预先对人脸进行定位，因此能够有效地提取出人脸额头区域的细纹特征，可以克服人脸旋转、平移等对细纹检测带来的影响，具有很强的鲁棒性。经实验证明，本发明在人脸抬头纹检测中表现出色，快速可靠。

附图说明

图1为本发明的流程图；

图2为对图像中人脸进行定位的结果；

图3为分割出的人脸区域；

图4为采用阈值分割法的得到的人脸二值图像；

图5为眉毛最高位置信息，白色小点标注出眉毛的最高位置；

图6为分割出的额头区域；

图7为抬头纹检测的结果。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，一种人脸抬头纹检测方法，包括如下步骤：

步骤一：采用Adaboost算法训练的人脸分类器对图像中人脸进行定位，定位结果如图2中所示。其中，人脸分类器为级联分类器，它是由逐级复杂的多个弱分类器所构成的，目的是在检测的初级阶段减少大量的非目标物，可使后续步骤所需要检测的内容不断减少，达到提高检测速度的目的。

步骤二：根据上个步骤中人脸定位结果分割出人脸区域，如图3所示；

步骤三：用高斯平滑滤波器对分割出的人脸区域进行滤波，本步骤中采用高斯滤波器对图像进行空间滤波，使图像平滑，达到减少图像噪声的目的。平滑滤波器的思想是通过一点和周围几个点的运算来去除突然变化的点，从而滤掉一定的噪声，本步骤中采用的高斯滤波器为 $\frac{1}{16}\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right].$

步骤四：先采用Adaboost算法训练的眼睛分类器对图像中人脸区域进行扫描，以实现对眼睛的定位，然后采用迭代阈值分割法对人脸区域进行阈值分割得到二值图像，如图4所示。经过处理之后得到的二值图像其眼睛和眉毛部分为黑色，即为0，两者之间的区域为白色，即为1。根据这个特点对眉毛区域进行定位。具体做法如下：从眼睛坐标处开始，保持横坐标不变，纵坐标循环减一，检测每个像素点的值，若为1，则表示该点位于眼睛和眉毛之间的区域。利用该方法可以检测出眼睛正上方眉毛的最高点，并再根据眼睛正上方眉毛的高度，上移眼睛正上方眉毛高度的3/4，可以近似估计出整个眉毛区域的最高点，如图5所示。

本步骤中迭代阈值分割法的阈值选取过程可描述如下：

1)根据图像中五官的灰度分布情况，选取图像的灰度均值作为初始阈值T=128；

2)利用阈值T把给定图像分割成两组图像，背景和前景，记为R1，R2；

3)分别计算R1和R2的均值U1和U2；

4)选取新的阈值 $T=\frac{U1+U2}{2};$

5)重复（2）～（4）步，直至R1和R2的均值U1和U2不再变化为止。

步骤五：找到眉毛区域中最高的两个点后以这两个点为基准分割出额头区域，如图6所示；

步骤六：采用Laplacian of a Gaussian(LoG)检测器对额头区域进行边缘检测找出额头区域的细纹，即抬头纹的检测结果如图7所示。考虑高斯函数

其中，r²＝x²+y²，σ是标准偏差。这是一个平滑函数，若与一幅图像卷积，则会使图像模糊。模糊的程度由σ的值决定。该函数的Laplacian算子（关于r的二阶导数）为： ${\▿}^{2}h\left(r\right)=-\left[\frac{r^2-{\mathrm{\σ}}^2}{{\mathrm{\σ}}^4}\right]e^{-\frac{r^2}{{2\mathrm{\σ}}^2}}$

该函数称为Laplacian of Gaussian(LoG)。因为求二阶导数是线性运算，所以用▽²h(r)对图像进行卷积（滤波）与先用平滑函数对图像卷积再计算结果的拉普拉斯算子是一样的。用▽²h(r)对图像卷积会产生两个效果：使图像变平滑（从而减少噪声）；计算拉普拉斯算子，以便产生双边缘图像。然后，定位边缘就是找到两个边缘之间的零交叉。

在机器配置为Pentium（R）Dual Core CPU@2.3GHz2.00G内存windows8（32bit）+Matlab2009条件下测试，检测分辨率为800×600像素大小的图像中的抬头纹所需的时间平均为1.4574s.

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (5)

1.一种人脸抬头纹检测方法，其特征是，包括如下步骤：

第一步，对图像中的人脸进行定位；

第二步，分割出人脸区域；

第三步，对分割出来的区域进行预处理，用高斯滤波器对分割出的人脸区域进行滤波，在一定程度上减弱噪声对抬头纹的检测带来的干扰；

第四步，找到眉毛最高的两个点，具体做法如下：从眼睛坐标处开始，保持横坐标不变，纵坐标循环减一，检测每个像素点的值，若为1，则表示该点位于眼睛和眉毛之间的区域；利用该方法检测出眼睛正上方眉毛的最高点，并再根据眼睛正上方眉毛的高度，上移眼睛正上方眉毛高度的3/4，估计出整个眉毛区域的最高点；

第五步，以这两个点为基准对额头区域进行分割；

第六步，用边缘检测算法对额头区域进行边缘检测找出额头区域的细纹；

所述第三步中，用高斯滤波器对分割出的人脸区域进行滤波。

2.如权利要求1所述的人脸抬头纹检测方法，其特征是，所述第一步中，采用Adaboost算法训练的人脸分类器对图像中人脸进行定位。

3.如权利要求1所述的人脸抬头纹检测方法，其特征是，所述第四步中，先采用Adaboost算法训练的眼睛分类器对图像中人脸区域进行扫描，以实现对眼睛的定位，然后采用迭代阈值分割法对人脸区域进行阈值分割得到二值图像；经过处理之后得到的二值图像其眼睛和眉毛部分为黑色，即为0，两者之间的区域为白色，即为1；对眉毛区域进行定位。

4.如权利要求1所述的人脸抬头纹检测方法，其特征是，所述迭代阈值分割法的阈值选取过程如下：

1)根据图像中五官的灰度分布情况，选取图像的灰度均值作为初始阈值T＝128；

2)利用阈值T把给定图像分割成两组图像，背景和前景，记为R1，R2；

3)分别计算R1和R2的均值U1和U2；

4)选取新的阈值T，

5)重复2)～4)步，直至R1和R2的均值U1和U2不再变化为止。

5.如权利要求1所述的人脸抬头纹检测方法，其特征是，所述第六步中，采用LoG检测器对额头区域进行边缘检测找出额头区域的细纹。