CN104298753A - 基于人脸图像处理的人才测评方法 - Google Patents

Abstract

本发明公开一种基于人脸图像处理的人才测评方法，先通过大数据技术建立样本数据库；然后获取被测者的人脸图像，并利用图像处理技术提取被测者的各种人脸特征信息；接着在样本数据库中选择与其相同的样本，并计算每个行业中具有该人脸特征信息的样本比例；然后以利用典型相关分析法计算被测者与各个行业的匹配度；最后反馈被测者的匹配结果，生成测评报告。本发明将传统的人脸识别中的特征信息提取与大数据技术相结合，全脸采集人脸特征信息，通过全库比对，可为被测者提供详尽、个性化的人才测评结果。

Description

基于人脸图像处理的人才测评方法

技术领域

本发明涉及大数据中的图像数据挖掘技术，尤其涉及一种基于人脸图像处理的人才测评方法。

背景技术

人才测评是运用现代心理学、管理学及相关学科的研究成果，通过心理测验、情境模拟等客观化方法对人的能力、水平、性格特征等因素进行测量，并根据职位需求及企业组织特性对其素质状况、发展潜力、个性特点等心理特征做出科学的评价，为企业用人、选人、育人等人力资源管理和开发工作提供有价值的参考信息。心理测验、面试与评价中心，是现代人才测评的三种主要方法。其中心理测验的应用最为方便与常见。

但是现有的测评技术存在着一些难以克服的缺陷。就心理测验而言，一般分为“自评”和“他评”两种方式：“自评”容易产生虚假结果，“他评”容易受主观印象和生活事件的影响；因此，心理测评存在一定的误差，需要配合其他测评方法共同使用。评价中心是一种新型的人才测评工具，从狭义上讲，主要是指以情景模拟为核心的系列测评技术；评价中心技术是多方法、多技术的综合体，但他对测评时间、场地、题目设置、结果评定等的要求较高，适用岗位有限，且不适于大规模施测。

就面试而言，面试官大多数录用的是他们喜欢的人，而不是最能干的人，大多数决策者在面试的最初5分钟内就做出了录用与否的决定，并把面试的其余时间用来为他们的选择自圆其说。也就是说在面试中，评价者根据自身的经验与理解，分析应聘者的面部、言谈、气度等信息，而面相的美丑好坏影响一个人是自信还是自卑，影响一个人的个性、脾气，影响一个人的魅力，影响一个人的能力和成功率；从这个角度看“面试”这种测评方法，实质上就是一种“相面”。

但是这种测评方式也存在着一些特有的缺陷：一是观测者对被观测者是一种粗略大致的评估，即使是专业的面相学家也只能做出定性的描述，而非定量的分析；二是观测者的评估仅仅是根据自身经验对被观测者进行评价，不仅参照的信息量和样本量有限，也存在着明显的时代差异。

发明内容

本发明的目的是将传统的人脸识别中的特征信息提取与大数据技术相结合，全面采集人脸特征信息，通过全库比对，为被测者提供详尽、个性化的人才测评结果。

为达到上述目的，本发明所采用的具体技术方案如下：

一种基于人脸图像处理的人才测评方法，其关键在于按照以下步骤进行：

步骤1：通过大数据技术建立样本数据库，每个样本人员的数据包括其所属行业和具有的人脸特征信息，所述人脸特征信息包括脸和五官的轮廓、形状、尺寸、面积大小、相对位置及比例；痣的位置及大小、疤的位置、大小、及形状；纹的位置、大小及形状中的至少一种信息或多种信息的组合；

步骤2：获取被测者的人脸图像，并利用图像处理技术提取步骤1中所对应的被测者的各种人脸特征信息；

步骤3：以被测者的各个人脸特征信息为基准，分别在样本数据库中比对与其相同的样本，并计算每个行业中具有该人脸特征信息的样本比例；

步骤4：以被测者的各个人脸特征信息和每个行业中具有该人脸特征信息的样本比例为标的，利用典型相关分析法计算被测者与各个行业的匹配度；

步骤5：反馈被测者的匹配结果，生成所需求的测评报告。

作为进一步描述，步骤1中的样本数据库通过现场采集或网络公开信息提取的方式获取每个样本人员的人脸图像，并利用图像处理技术生成每个样本人员的人脸特征信息，从而使取样样本更加充分，更具有代表性。

再进一步描述，在人脸特征信息提取时所用的图像处理技术包括：

S1：对人脸图像进行二值化的步骤；

S2：将二值化后的人脸图像进行垂直投影和水平投影的步骤；

S3：根据人脸图像的垂直投影和水平投影确定人脸边界以及人脸图像中眉、眼、鼻、嘴各个区域的步骤；

S4：在二值化图像的眉、眼、鼻、嘴各个区域中利用边缘检测算法提取边缘的步骤；

S5：根据步骤S4提取出的边缘确定各个关键角点坐标的步骤；

S6：根据各个关键角点坐标确定各种特征对象的长、宽、角度或比例关系的步骤。

作为优选，步骤S1中，先将采集到的人脸图像转换为灰度图像并进行平滑处理；然后利用最大类间方差法计算图像二值化的自适应阈值；最后再根据自适应阈值对原图进行二值化转换。

进一步地，步骤S4中的边缘检测算法采用Canny算法。

本发明相对于传统的面相人才测评具有以下优点：

1)传统的面相人才测评技术采集到的样本量有限：传统的面相人才测评技术通常是从个人的生活、工作经验，有关书籍，专家讲授切磋等方式获得；因此得到的人脸信息的量小、不易保存和交流，且涉及对象大多是一个固定区域内的有限个体；而本发明通过智能的人脸图像特征信息采集技术，依据各职业特性，在大范围内通过当面采集、网络采集等渠道，获取完整的人脸数据库，并不断更新。

2)传统的面相人才测评技术和传统的人脸识别对人脸信息的采集点有限：传统的面相人才测评技术和传统的人脸识别技术采集的信息多为人脸的大致轮廓，五官的大小、形状或分布等，采集到的信息非常有限且多为描述性信息；而本发明却是通过图像处理方式，可以将人脸上的有效信息点全部量化，使之更加精确。

3)传统的人才测评技术较为费事费力，而利用本方法可以构建专用的APP应用软件，可以在最短的时间内，结合各行各业的绩优人员等信息，得出精准详实的结论。

附图说明

图1是本发明的方法步骤图；

图2是二值化后他人脸图像；

图3是图2的垂直投影图；

图4是图2的水平投影图；

图5是图2的边界确定效果图；

图6是图4的极点分布图；

图7是图2的区域划分效果图；

图8是本发明的反馈效果图。

具体实施方式

下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。

如图1所示，一种基于人脸图像处理的人才测评方法，按照以下步骤进行：

步骤1：通过大数据技术建立样本数据库，每个样本人员的数据包括其所属行业和具有的人脸特征信息，所述人脸特征信息包括脸和五官的轮廓、形状、尺寸、面积大小、相对位置及比例；痣的位置及大小；疤的位置、大小及形状；纹的位置、大小及形状中的至少一种信息或多种信息的组合；

实施时，为了更多的了解样本信息，每个样本人员的数据还包括其职位、各种心理测评、医疗诊断、犯罪记录、人口学变量(年龄、性别、身高、体重、籍贯、收入)等；

所述样本数据库可以通过现场采集或网络公开信息提取的方式获取每个样本人员的人脸图像，并利用图像处理技术生成每个样本人员的人脸特征信息。

步骤2：获取被测者的人脸图像，并利用图像处理技术提取步骤1中所对应的被测者的各种人脸特征信息；

步骤3：以被测者的各个人脸特征信息为基准，分别在样本数据库中比对与其相同的样本，并计算每个行业中具有该人脸特征信息的样本比例；

步骤4：以被测者的各个人脸特征信息和每个行业中具有该人脸特征信息的样本比例为标的，利用典型相关等各种大数据分析方法计算被测者与各个行业的匹配度；

步骤5：反馈被测者的匹配结果，生成所需求的测评报告。

下面以眉毛的特征信息提取为例，所用的图像处理技术包括：

S1：对人脸图像进行二值化的步骤；

将采集到的人脸图像转化为灰度直方图并进行平滑处理(将图像上各点的颜色以RGB表示，再转化为相应的灰度值；将某一点的灰度值与左边2个、中间1个、右边2个，共5个灰度加以平均，进行平滑化)，再利用最大类间方差法(OTSU法)计算图像二值化的自适应阈值，根据该自适应阈值对原图进行二值化转换；

其中，最大类间方差法(OTSU法)又叫大津法，它是按图像的灰度特性，将图像分成背景和目标2部分。背景和目标之间的类间方差越大，说明构成图像的2部分的差别越大，当“部分目标错分为背景”或“部分背景错分为目标”都会导致2部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。

计算方法：

①计算总的图像的点数和质量矩(质量矩是每个灰度的值乘以其点数)，归一化后得出累积概率；

②对每个灰度(从0到255)计算一次分割后的类间方差，此处类间方差＝当前阈值遍前景图象的点数×背景图象的点数×(前景的平均灰度-背景的平均灰度)×(前景的平均灰度-背景的平均灰度)；

③比较每个灰度对应的类间方差，取最大类间方差时对应的灰度值就是最佳阈值。

然后根据求取的自适应阈值对原图进行二值化转换，运用OTSU法计算出了图像二值化的自适应阈值，用该阈值对图像进行二值化处理，即 $F\left(x\right)=\left\{\begin{array}{cc}0& x\≤T\\ 255& x>T\end{array}\right.,$ 其中F(x)为二值图中的像素值，T为自适应阈值选取的最优阈值，x为原图中的像素值，二值化后的人脸图像如图2所示。

S2：将二值化后的人脸图像进行垂直投影和水平投影的步骤，其结果如图3、图4所示；

S3：根据人脸图像的垂直投影和水平投影确定人脸边界以及人脸图像中眉、眼、鼻、嘴各个区域的步骤；

通过图5-图7可以看出，首先，借助垂直投影曲线标定人脸左右边界。若图像中各点像素值为I(x,y)，原始人脸图像大小为xImage×yImage，则被定义为垂直灰度投影函数。因为人脸图像的背景与边缘之间存在灰度值突变，人脸图像在水平方向上的变化可用垂直灰度投影函数来描述。通过垂直投影中曲线形状变化剧烈的点确定出人脸左右边界，进而通过这些变化点确定出人脸左右边界(即在横坐标范围内，投影面积为零的第一个点记为左边界点xLeft，最后一个点记为右边界点xRight)。

其次，借助水平投影曲线标定人脸的上下边界。若图中各点像素值为I(x,y)，原始人脸图像大小为xImage×yImage，则被y)定义为水平灰度投影函数，反映垂直方向上图像灰度的变化。

根据各行业收集到的人脸数据库的分析结果可知，头顶点一般在图像纵坐标的0-15％之间，所以头顶点的纵向坐标范围为yImage×(1-0.15)<y Head<yImage，同时横坐标范围为x∈[xLeft，xRight]。在此横坐标变化范围范围内，同时满足纵坐标范围的最后一个零值点即为yHead(最后一个零值点即为人脸图像上纵坐标最大的零值点)。至此我们定位了人脸的左右边界xLeft、xRight。

根据人脸的长度与宽度之比值为1.26～1.3:1的关系可以大致确定人脸的下边界，记为yBottom；因为(yHead-yBottom)：(xRight-xLeft)约为1.26～1.3:1。因此，设定脸长(xRight-xLeft)×1.26≤(yHead-yBottom)≤(xRight-xLeft)×1.3，得出yBottom的大致范围。再在图像的水平投影曲线上，找出满足yBottom取值范围的第一个零值点即为yBottom(第一个零值点即为人脸图像上纵坐标最小的零值点)。至此我们定位了人脸的上下边界yHead、yBottom。

由于人脸部的器官具有均匀分布的特性，即眉毛、眼睛、鼻子和嘴巴这几个器官的水平积分投影几乎是平均的分配在水平积分投影图上的；并且由经验可知，人的眉毛和眼睛均处在人脸的上二分之一部位。而在垂直位置上因为眼睛和眉毛的灰度明显比周围低，所以在眼睛和眉毛重合的地方会形成比较明显的波谷。因此，在人脸的头顶点至二分之一处，若存在两个连续的波谷，第一个波谷即为眉毛的纵向位置。

上述投影是图像处理做分割的时候一个比较常用的方法，但是由于噪声的关系，不管水平还是垂直投影得到的投影曲线都会有毛刺现象存在。为了充分利用投影曲线所含位置信息，我们采用平滑方法处理水平投影曲线。本研究中采用最简单的滑动平均平滑，或者叫加窗。即选定一个窗口大小(一般选5)，然后在曲线上滑动，每一点都等于窗口内像素的均值，以此实现对图像的水平投影进行平滑。

对平滑后曲线求导，令一阶导＝0，求出驻点，判断单调性，看是极大值还是极小值，当自头顶点yBottom而下，连续出现两个极小值时，分别记为眉毛(极小值1)、眼睛(极小值2)所在中心位置；而极大值1与极大值2之间的区域为眉毛的纵向坐标范围。

又因为眉毛部位具有左右的对称性，因此将眉毛纵向坐标范围对应区域，以(xRight-xLeft)/2为单位分为左右对称的两部分，分别记为左眉区、右眉区。

S4：在二值化图像的眉、眼、鼻、嘴各个区域中利用Canny边缘检测算法提取边缘的步骤；

S5：根据步骤S4提取出的边缘确定各个关键角点坐标的步骤；

S6：根据各个关键角点坐标确定各种特征对象的长、宽、角度或比例关系的步骤。

通过上述方法，将面相各部位的数据与已经收集到的各行各业人员的脸部数据库进行角度、比例等数据的对比，得出采集数据在360行上的具体比例。

以“左眉毛”的数据为例，左眉比例为5:9:12，比对数据库后结果为：销售主管：83％；大堂经理：77％；研发人员：51％。

通过对人脸其它特征信息的提取和计算，可以得到表1和表2所示的统计结果，最后即将被测者的每一条脸部信息，与每一行业样本数据库中的相应信息进行典范对应分析，反馈相关度得分最高的三个行业及其对应的相关系数，最终生成如图8所示测评报告，从而达到本发明的目的。

表1被测者人脸特征参数与样本人员的对比结果

表2被测者人脸特征参数与各个行业的对比结果

Claims (5)

1.一种基于人脸图像处理的人才测评方法，其特征在于按照以下步骤进行：

步骤1：通过大数据技术建立样本数据库，每个样本人员的数据包括其所属行业和具有的人脸特征信息，所述人脸特征信息包括脸和五官的轮廓、形状、尺寸、面积大小、相对位置及比例；痣的位置及大小、疤的位置、大小、及形状；纹的位置、大小及形状中的至少一种信息或多种信息的组合；

步骤2：获取被测者的人脸图像，并利用图像处理技术提取步骤1中所对应的被测者的各种人脸特征信息；

步骤3：以被测者的各个人脸特征信息为基准，分别在样本数据库中比对与其相同的样本，并计算每个行业中具有该人脸特征信息的样本比例；

步骤4：以被测者的各个人脸特征信息和每个行业中具有该人脸特征信息的样本比例为标的，利用典型相关分析法计算被测者与各个行业的匹配度；

步骤5：反馈被测者的匹配结果，生成所需求的测评报告。

2.根据权利要求1所述的基于人脸图像处理的人才测评方法，其特征在于：步骤1中的样本数据库通过现场采集或网络公开信息提取的方式获取每个样本人员的人脸图像，并利用图像处理技术生成每个样本人员的人脸特征信息。

3.根据权利要求1或2所述的基于人脸图像处理的人才测评方法，其特征在于，人脸特征信息提取时所用的图像处理技术包括：

S1：对人脸图像进行二值化的步骤；

S2：将二值化后的人脸图像进行垂直投影和水平投影的步骤；

S3：根据人脸图像的垂直投影和水平投影确定人脸边界以及人脸图像中眉、眼、鼻、嘴各个区域的步骤；

S4：在二值化图像的眉、眼、鼻、嘴各个区域中利用边缘检测算法提取边缘的步骤；

S5：根据步骤S4提取出的边缘确定各个关键角点坐标的步骤；

S6：根据各个关键角点坐标确定各种特征对象的长、宽、角度或比例关系的步骤。

4.根据权利要求3所述的基于人脸图像处理的人才测评方法，其特征在于：步骤S1中，先将采集到的人脸图像转换为灰度图像并进行平滑处理；然后利用最大类间方差法计算图像二值化的自适应阈值；最后再根据自适应阈值对原图进行二值化转换。

5.根据权利要求3所述的基于人脸图像处理的人才测评方法，其特征在于：步骤S4中的边缘检测算法采用Canny算法。