CN104657716A - 一种sns多图融合方法 - Google Patents

Abstract

本发明公开了一种SNS多图融合方法，包括如下步骤：1)、多个用户发出互相交换照片指令，并分别上传图片到服务端；2)、服务端接收各照片并各复制一份，分别启动两个线程处理复制后的两份图片；3)、线程p1将各图片上传到图片银行，图片银行按照一定的规则保存图片，以备后续调用；4)、线程p2对各图片进行视觉焦点检测，得出视觉中心；5)、根据应用对各图片的要求，以各图片视觉中心为中心，裁剪各图片，保存到图片银行，并将裁剪后的新图作为原始图片的特征图保存到图片银行；6)、将各特征图拼接，发送给步骤1)中上传图片的各用户。本发明的有益效果是：展示效果好，可供多个用户同时观看，定时销毁。

Description

一种SNS多图融合方法

技术领域

本发明涉及一种多图融合方法，具体涉及一种SNS多图融合方法。

背景技术

现有的技术都是单张图片如何找出最佳的视觉焦点，没有考虑到社交网络应用场景中的特殊性，对重点突出人脸没有很好的解决方案。无法很好的识别各种类型的图片。

发明内容

本发明的目的在于，克服现有技术的不足，提供一种可以突出人脸在视觉检测中的权重，重点突出人脸的SNS多图融合方法。

本发明的SNS多图融合方法，包括如下步骤：

1)、多个用户发出互相交换照片指令，并分别上传图片到服务端；

2)、服务端接收各照片并各复制一份，分别启动两个线程：图片保存线程p1，图片分析处理线程p2；分别处理复制后的两份图片；

3)、线程p1将各图片上传到图片银行，图片银行按照一定的规则保存图片，然后返回给服务器图片在图片银行上的完整地址url1，线程p1将url1保存到数据库中，以备后续调用；

4)、线程p2对各图片进行视觉焦点检测，得出视觉中心；

5)、根据应用对各图片的要求，以各图片视觉中心为中心，裁剪各图片，保存到图片银行，并将裁剪后的新图作为原始图片的特征图保存到图片银行；

6)、将各特征图拼接，发送给步骤1)中上传图片的各用户。

作为优选：步骤4)具体包括如下步骤：

4.1)、对图片进行区域分割；

4.2)、对分割后的每一个区域进行人脸识别如果识别的值超过阈值，则认定该区域是一个人脸区域；

4.3)、对包含人脸区域计算该区域几何中心，并将中心乘以大于1的权值；反之，不做任何处理；

4.4)、然后将各个区域进行Kmeans聚类运算，将最后的聚类中心作为这张图片的视觉中心。

作为优选：步骤4.3)的具体步骤为：

对于一张图像，映射定义如下：

I_n→G(V,E,W)                   (公式1)

其中，I_n表示新生长的图像，V表示图像中的像素点，E表示相邻像素点链接的边，W是边的权重；边的权重W的计算公式如下：

W(e)＝D(p,q),e＝(p,q)                  (公式2)

W(e)表示边e的权重，e表示链接两个像素点p，q的边；D(p,q)表示像素点p，q在Lab颜色空间的欧式距离，定义如下：

$D(u,v)=\sqrt{{(P_p^L-P_q^L)}^2+{(P_p^a-P_q^q)}^2+{(P_p^b-P_q^b)}^2}$            (公式3)

其中，分别表示像素点k(k＝p，q)在Lab空间中每个通道的颜色值；

对于图像I_n中的任意相邻两点之间的边e_i按照从小到大的顺序排序，得到：

E＝{e₁,e₂,e₃,…,e_k}→E'＝{e′₁,e′₂,e′₃,…,e′_k}        (公式4)

给定一张原始图像，图像的初始分割表示如下：

$S_n^0=\left\{\right\{S_0^0\},\{S_1^0\},\{S_2^0\},...\{S_{m\×n}^0\left\}\right\}$              (公式5)

这里表示图像初始有个m×n像素点，每一个像素点表示一个块；

为了获取最小生成树，定义分割标准如下：

Ins(S_i)＝maxW(e),e∈MST(S_i,E)             (公式6)

其中，Ins(S_i)表示S_i中的最大权值，MST(S_i,E)是由边E组成的最小生成树；

Dif(S₁,S₂)＝minw(r₁,r₂),r₁∈S₁,r₂∈S₂            (公式7)

Dif(S₁,S₂)表示S₁和S₂之间的最小权值；r₁是S₁所有节点的根节点，而r₂是S₂所有节点的根节点；

$D(S_1,S_2)=\left\{\begin{array}{c}1,\mathrm{Dif}(S_1,S_2)>\mathrm{MIns}(S_1,S_2)\\ 0,\mathrm{Dis}(S_1,S_2)\≤\mathrm{MIns}(S_1,S_2)\end{array}\right.$

                                                                (公式8)

其中，D(S₁,S₂)＝1表示区域S₁和区域S₂应当结合为一个区域，否则为两个不同的区域；

MIns(S₁,S₂)＝min{Ins(S₁)+π(S₁),Ins(S₂)+π(S₂)}           (公式9)

$\mathrm{\π}\left(S_i\right)=\frac{K}{\left|N_{S_i}\right|}$                     (公式10)

这里，K是一个常量；表示区域S_i中像素点的个数；π(S_i)是用来控制分割产生的区域数目；K越小，则π(S_i)越小，即分割产生的区域数越小；

在分割的过程中，如果S₁和S₂之间的最小权值大于S₁或S₂内部的最大权值，则认为S₁和S₂是同一个部分；反之，则不是同一个部分；这里以升序的方式处理每一条边，最后得到的分割结果如下：

$S_n^m=\left\{\right\{S_0^m\},\{S_1^m\},...\{S_k^m\left\}\right\}$                     (公式11)

这样，就得到了原始图像的分割结果，K表示被分割成K个区域。

作为优选：步骤4.4)的具体步骤为：

对分割后的区域进行基于PCA算法的人脸识别：

1)、构建人脸特征空间

对于m×n维的人脸图像，将其每列每列相连构成一个d＝m×n维的列空间；d就是人脸的维数；假设训练样本有N个，x_j表示第j幅图像的向量，则所需要的样本协方差矩阵为：

$S_r=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}(x_j-u){(x_j-u)}^T$               (公式12)

其中u为训练样本的平均图像向量：

$u=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{x}_j$              (公式13)

令A＝[x₁-u,x₂-u,…,x_N-u]，则有S_r＝AA^T，其维数为d×d；根据K-L变换原理，需要求得新的坐标系由矩阵AA^T的非零特征值所对应的特征向量组成；考虑到直接计算计算量会比较大，所以采用奇异值分解定理(SVD)：通过求解A^TA的特征值和特征选那个量来获得AA^T的特征值和特征向量；

根据SVD定理，令λ_i＝(i＝1,2,3…,r)为矩阵A^TA的r个非零特征值，v_i为A^TA对应λ_i的特征向量，则AA^T的正交归一特征向量u_i为：

$u_i=\frac{1}{\sqrt{{\mathrm{\λ}}_i}}{A}_{v_i},(i=\mathrm{1,2},...,r)$              (公式14)

由这样一组特征向量组成一个降维的人脸特征空间；

2)、人脸识别

将步骤3)分割得到的每一个区域都看做一张图片，不属于区域范围内的像素点补白，对每一个区域进行人脸识别计算；

把分割后得到的区域图片Γ投影到特征脸空间，得到第H类人的第i个特征脸向量表示为：

${\mathrm{\Ω}}_i^H{=}_w^T(\mathrm{\Γ}-\mathrm{\ψ})$                        (公式15)

阈值θ_i定义为：

${\mathrm{\θ}}_i=\frac{1}{2}\max \left\{\right||{\mathrm{\Ω}}_j-{\mathrm{\Ω}}_z|\left|\right\},j,z\∈(\mathrm{1,2},...,M)$               (公式16)

计算与区域图像的欧氏距离ε_k：

${{\mathrm{\ϵ}}_k}^2={\left|\right|\mathrm{\Ω}-{\mathrm{\Ω}}_i^H\left|\right|}^2$               (公式17)

为了判定区域是否包含人脸，需要计算区域图像Γ与有特征脸空间构建的图像Γ_f之间的距离ε：

ε²＝||Γ-Γ_f||²                 (公式18)

其中

${\mathrm{\Γ}}_f=w{\mathrm{\Ω}}_i^H+\mathrm{\Ψ}$              (公式19)

判断该区域是否包含人脸的规则如下：

1)若ε≥θ_i，则区域不包含人脸；

2)若ε≤θ_i且则该区域包含未知人脸，该人脸不在模型库中；

3)若ε<θ_i且则该区域包含人脸。

做为优选：步骤4.5)的具体步骤为：在上述判别的区域中，如果包含人脸，则将计算出该区域的几何中心m_i：

$m_i=\frac{1}{r}(x_{11}+x_{21}+...+x_{r1},x_{12}+x_{22}+...+x_{r2},...,x_{1k}+x_{2k}+...+x_{\mathrm{rk}})$       (公式20)

其中，r为区域中点的个数，k为点的维数；计算出各个带人脸的区域中心m_i之后，将带人脸的区域中心m_i乘以一个大于1的系数。

做为优选：步骤6)后，在限定的时间内将发送给各用户的图片销毁。

本发明的有益效果是：通过对图片进行人脸识别，如果图片中带有一张或多张人脸，就对人脸赋一个权值，再与图片的其它区域一起参与计算视觉焦点，得到图像的最终视觉焦点。将这张图像裁剪后与其它图像进行拼接。这样可以将多张图像的视觉焦点在一张图上展现出来，供社交网络中多个用户同时观看，定时销毁。通过在图像显著性检测中融入人脸识别技术，突出人脸在视觉检测中的权重，重点突出人脸，吻合社交网络中用户分享图片主要看脸的事实。识别准确率高，效果好，兼容性高。

附图说明

图1为本发明整体流程原理图；

图2为本发明用户交互流程原理图。

具体实施方式

下面结合附图和实施例对本发明做进一步描述。虽然本发明将结合较佳实施例进行描述，但应知道，并不表示本发明限制在所述实施例中。相反，本发明将涵盖可包含在有附后权利要求书限定的本发明的范围内的替换物、改进型和等同物。

1原理概述

在基于图片分享的社交网络中，有些私密的照片需要共同分享才能观看。本专利中，两个或者多个用户只有分别将手机上的照片分享出来，上传到服务器，服务器对图片进行视觉焦点检测后拼接出一张最佳视觉展现图，分别发送到每一个用户，供大家一起观看。

2算法原理说明

对照上述原理图，当用户上传照片之后，服务端接收照片并复制一份，分别启动两个线程(图片保存线程p1，图片分析处理线程p2)处理这两张图片。线程p1将将图片上传到图片银行(一个专门负责图片存储的分布式文件管理系统)，图片银行按照一定的规则保存图片，然后返回给服务器图片在图片银行上的完整地址url1，线程p1将url1保存到数据库中，以备后续调用。线程p2将图片进行区域分割，然后对分割后的每一个区域进行人脸识别，如果识别的值超过阈值，则认定该区域是一个人脸区域。结合应用大部分用户更关注人脸这一特性，对这个区域乘以一个大于1的权重，然后将各个区域进行聚类运算(Kmeans聚类)，将最后的聚类中心作为这张图片的视觉中心。根据应用对图片的要求，以图片视觉中心为中心，裁剪图片，保存到图片银行，并将裁剪后的新图作为原始图片的特征图保存到图片银行，以备与其它图片合成时调用。

3视觉焦点检测算法推导

3.1对图像进行区域分割

对于一张图像，映射定义如下：

I_n→G(V,E,W)                 (公式1)

其中，I_n表示新生长的图像，V表示图像中的像素点，E表示相邻像素点链接的边，W是边的权重。边的权重W的计算公式如下：

W(e)＝D(p,q),e＝(p,q)                   (公式2)

W(e)表示边e的权重，e表示链接两个像素点p，q的边。D(p,q)表示像素点p，q在Lab颜色空间的欧式距离，定义如下：

$D(u,v)=\sqrt{{(P_p^L-P_q^L)}^2+{(P_p^a-P_q^q)}^2+{(P_p^b-P_q^b)}^2}$              (公式3)

其中，分别表示像素点k(k＝p，q)在Lab空间中每个通道的颜色值。

对于图像I_n中的任意相邻两点之间的边e_i按照从小到大的顺序排序，得到：

E＝{e₁,e₂,e₃,…,e_k}→E'＝{e′₁,e′₂,e′₃,…,e′_k}         (公式4)

给定一张原始图像，图像的初始分割表示如下：

$S_n^0=\left\{\right\{S_0^0\},\{S_1^0\},\{S_2^0\},...\{S_{m\&times;n}^0\left\}\right\}$               (公式5)

这里表示图像初始有个m×n像素点，每一个像素点表示一个块。

为了获取最小生成树，定义分割标准如下：

Ins(S_i)＝maxW(e),e∈MST(S_i,E)         (公式6)

其中，Ins(S_i)表示S_i中的最大权值，MST(S_i,E)是由边E组成的最小生成树。

Dif(S₁,S₂)＝minw(r₁,r₂),r₁∈S₁,r₂∈S₂          (公式7)

Dif(S₁,S₂)表示S₁和S₂之间的最小权值。r₁是S₁所有节点的根节点，而r₂是S₂所有节点的根节点。

$D(S_1,S_2)=\left\{\begin{array}{c}1,\mathrm{Dif}(S_1,S_2)>\mathrm{MIns}(S_1,S_2)\\ 0,\mathrm{Dis}(S_1,S_2)\&le;\mathrm{MIns}(S_1,S_2)\end{array}\right.$

                                                              (公式8)

其中，D(S₁,S₂)＝1表示区域S₁和区域S₂应当结合为一个区域，否则为两个不同的区域。

MIns(S₁,S₂)＝min{Ins(S₁)+π(S₁),Ins(S₂)+π(S₂)}       (公式9)

                                                          (公式10)

$\mathrm{\&pi;}\left(S_i\right)=\frac{K}{\left|N_{S_i}\right|}$

这里，K是一个常量。表示区域S_i中像素点的个数。π(S_i)是用来控制分割产生的区域数目。K越小，则π(S_i)越小，即分割产生的区域数越小。

在分割的过程中，如果S₁和S₂之间的最小权值大于S₁或S₂内部的最大权值，则认为S₁和S₂是同一个部分。反之，则不是同一个部分。这里以升序的方式处理每一条边，最后得到的分割结果如下：

$S_n^m=\left\{\right\{S_0^m\},\{S_1^m\},...\{S_k^m\left\}\right\}$                    (公式11)

这样，就得到了原始图像的分割结果，K表示被分割成K个区域。

3.2对分割后的区域进行基于PCA算法的人脸识别

1、构建人脸特征空间

对于m×n维的人脸图像，将其每列每列相连构成一个d＝m×n维的列空间。d就是人脸的维数。假设训练样本有N个，x_j表示第j幅图像的向量，则所需要的样本协方差矩阵为：

$S_r=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}(x_j-u){(x_j-u)}^T$                       (公式12)

其中u为训练样本的平均图像向量：

$u=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_j$                        (公式13)

令A＝[x₁-u,x₂-u,…,x_N-u]，则有S_r＝AA^T，其维数为d×d。根据K-L变换原理，需要求得新的坐标系由矩阵AA^T的非零特征值所对应的特征向量组成。考虑到直接计算计算量会比较大，所以采用奇异值分解定理(SVD)：通过求解A^TA的特征值和特征选那个量来获得AA^T的特征值和特征向量。

根据SVD定理，令λ_i＝(i＝1,2,3…,r)为矩阵A^TA的r个非零特征值，v_i为A^TA对应λ_i的特征向量，则AA^T的正交归一特征向量u_i为：

$u_i=\frac{1}{\sqrt{{\mathrm{\&lambda;}}_i}}{A}_{v_i},(i=\mathrm{1,2},...,r)$                (公式14)

由这样一组特征向量组成一个降维的人脸特征空间。

2、人脸识别

将上述(3.1)分割得到的每一个区域都看着一张图片，不属于区域范围内的像素点补白，对每一个区域进行人脸识别计算。

把分割后得到的区域图片Γ投影到特征脸空间，得到第H类人的第i个特征脸向量表示为：

${\mathrm{\&Omega;}}_i^H{=}_w^T(\mathrm{\&Gamma;}-\mathrm{\&psi;})$                   (公式15)

阈值θ_i定义为：

${\mathrm{\&theta;}}_i=\frac{1}{2}\max \left\{\right||{\mathrm{\&Omega;}}_j-{\mathrm{\&Omega;}}_z|\left|\right\},j,z\&Element;(\mathrm{1,2},...,M)$              (公式16)

计算与区域图像的欧氏距离ε_k：

${{\mathrm{\&epsiv;}}_k}^2={\left|\right|\mathrm{\&Omega;}-{\mathrm{\&Omega;}}_i^H\left|\right|}^2$                      (公式17)

为了判定区域是否包含人脸，需要计算区域图像Γ与有特征脸空间构建的图像Γ_f之间的距离ε：

ε²＝||Γ-Γ_f||²                  (公式18)

其中

${\mathrm{\&Gamma;}}_f=w{\mathrm{\&Omega;}}_i^H+\mathrm{\&Psi;}$                    (公式19)

判断该区域是否包含人脸的规则如下：

1)若ε≥θ_i，则区域不包含人脸

2)若ε≤θ_i且则该区域包含未知人脸，该人脸不在模型库中

3)若ε<θ_i且则该区域包含人脸，

3.3视觉中心计算

在上述判别的区域中，如果包含人脸，则将计算出该区域的几何中心m_i

$m_i=\frac{1}{r}(x_{11}+x_{21}+...+x_{r1},x_{12}+x_{22}+...+x_{r2},...,x_{1k}+x_{2k}+...+x_{\mathrm{rk}})$       (公式20)

其中，r为区域中点的个数，k为点的维数。计算出各个带人脸的区域中心m_i之后，将带人脸的区域中心m_i乘以一个大于1的系数，进一步按照Kmeans算法计算出带人脸的区域中心的中心即图像的视觉中心m_c，即图2中的聚类中心Pc，之后按照图像裁剪的要求，以最终的图像视觉中心即视觉焦点为中心，按照一定的尺寸裁剪单张图像，最后将单张图像合并到一起，作为最终的图像展现给用户。

实施时:服务端基于计算能力强大的计算机集群，处理图像视觉焦点检测及拼接，客户端可以是android、ios平台，语言如java、objective C。

Claims (6)

1.一种SNS多图融合方法，其特征在于，包括如下步骤：

1)、多个用户发出互相交换照片指令，并分别上传图片到服务端；

2)、服务端接收各照片并各复制一份，分别启动两个线程：图片保存线程p1，图片分析处理线程p2；分别处理复制后的两份图片；

3)、线程p1将各图片上传到图片银行，图片银行按照一定的规则保存图片，然后返回给服务器图片在图片银行上的完整地址url1，线程p1将url1保存到数据库中，以备后续调用；

4)、线程p2对各图片进行视觉焦点检测，得出视觉中心；

5)、根据应用对各图片的要求，以各图片视觉中心为中心，裁剪各图片，保存到图片银行，并将裁剪后的新图作为原始图片的特征图保存到图片银行；

6)、将各特征图拼接，发送给步骤1)中上传图片的各用户。

2.根据权利要求1所述的SNS多图融合方法，其特征在于，步骤4)具体包括如下步骤：

4.1)、对图片进行区域分割；

4.2)、对分割后的每一个区域进行人脸识别如果识别的值超过阈值，则认定该区域是一个人脸区域；

4.3)、对包含人脸区域计算该区域几何中心，并将中心乘以大于1的权值；反之，不做任何处理；

4.4)、然后将各个区域进行Kmeans聚类运算，将最后的聚类中心作为这张图片的视觉中心。

3.根据权利要求2所述的SNS多图融合方法，其特征在于：步骤4.1)的具体步骤为：

对于一张图像，映射定义如下：

I_n→G(V,E,W)   (公式1)

其中，I_n表示新生长的图像，V表示图像中的像素点，E表示相邻像素点链接的边，W是边的权重；边的权重W的计算公式如下：

W(e)＝D(p,q),e＝(p,q)   (公式2)

W(e)表示边e的权重，e表示链接两个像素点p，q的边；D(p,q)表示像素点p，q在Lab颜色空间的欧式距离，定义如下：

$D(u,v)=\sqrt{{(P_p^L-P_q^L)}^2+{(P_p^a-P_q^p)}^2+{(P_p^b-P_q^b)}^2}$    (公式3)

其中，分别表示像素点k(k＝p，q)在Lab空间中每个通道的颜色值；

对于图像I_n中的任意相邻两点之间的边e_i按照从小到大的顺序排序，得到：

E＝{e₁,e₂,e₃,…,e_k}→E'＝{e'₁,e'₂,e'₃,…,e'_k}   (公式4)

给定一张原始图像，图像的初始分割表示如下：

$S_n^0=\left\{\right\{S_0^0\},\{S_1^0\},\{S_2^0\},...\{S_{m\&times;n}^0\left\}\right\}$    (公式5)

这里表示图像初始有个m×n像素点，每一个像素点表示一个块；

为了获取最小生成树，定义分割标准如下：

Ins(S_i)＝maxW(e),e∈MST(S_i,E)   (公式6)

其中，Ins(S_i)表示S_i中的最大权值，MST(S_i,E)是由边E组成的最小生成树；

Dif(S₁,S₂)＝minw(r₁,r₂),r₁∈S₁,r₂∈S₂   (公式7)

Dif(S₁,S₂)表示S₁和S₂之间的最小权值；r₁是S₁所有节点的根节点，而r₂是S₂所有节点的根节点；

$D(S_1,S_2)=\left\{\begin{array}{c}1,\mathrm{Dif}(S_1,S_2)>\mathrm{MIns}(S_1,S_2)\\ 0,\mathrm{Dis}(S_1,S_2)\&le;\mathrm{MIns}(S_1,S_2)\end{array}\right.$

                                        (公式8)

其中，D(S₁,S₂)＝1表示区域S₁和区域S₂应当结合为一个区域，否则为两个不同的区域；

MIns(S₁,S₂)＝min{Ins(S₁)+π(S₁),Ins(S₂)+π(S₂)}   (公式9)

$\mathrm{\&pi;}\left(S_i\right)=\frac{K}{\left|N_{S_i}\right|}$    (公式10)

这里，K是一个常量；|N_Si|表示区域S_i中像素点的个数；π(S_i)是用来控制分割产生的区域数目；K越小，则π(S_i)越小，即分割产生的区域数越小；

在分割的过程中，如果S₁和S₂之间的最小权值大于S₁或S₂内部的最大权值，则认为S₁和S₂是同一个部分；反之，则不是同一个部分；这里以升序的方式处理每一条边，最后得到的分割结果如下：

$S_n^m=\left\{\right\{S_0^m\},\{S_1^m\},...\{S_k^m\left\}\right\}$    (公式11)

这样，就得到了原始图像的分割结果K表示被分割成K个区域。

4.根据权利要求3所述的SNS多图融合方法，其特征在于：步骤4.2)的具体步骤为：

对分割后的区域进行基于PCA算法的人脸识别：

1)、构建人脸特征空间

对于m×n维的人脸图像，将其每列每列相连构成一个d＝m×n维的列空间；d就是人脸的维数；假设训练样本有N个，x_j表示第j幅图像的向量，则所需要的样本协方差矩阵为：

$S_r=\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}(x_j-u){(x_j-u)}^T$    (公式12)

其中u为训练样本的平均图像向量：

$u=\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_j$    (公式13)

令A＝[x₁-u,x₂-u,…,x_N-u]，则有S_r＝AA^T，其维数为d×d；根据K-L变换原理，需要求得新的坐标系由矩阵AA^T的非零特征值所对应的特征向量组成；考虑到直接计算计算量会比较大，所以采用奇异值分解定理(SVD)：通过求解A^TA的特征值和特征选那个量来获得AA^T的特征值和特征向量；

根据SVD定理，令λ_i＝(i＝1,2,3…,r)为矩阵A^TA的r个非零特征值，v_i为A^TA对应λ_i的特征向量，则AA^T的正交归一特征向量u_i为：

$u_i=\frac{1}{\sqrt{{\mathrm{\&lambda;}}_i}}{A}_{v_i}(i=\mathrm{1,2},...,r)$    (公式14)

由这样一组特征向量组成一个降维的人脸特征空间；

2)、人脸识别

将步骤3)分割得到的每一个区域都看做一张图片，不属于区域范围内的像素点补白，对每一个区域进行人脸识别计算；

把分割后得到的区域图片Γ投影到特征脸空间，得到第H类人的第i个特征脸向量表示为：

${\mathrm{\&Omega;}}_i^H=(\mathrm{\&Gamma;}-\mathrm{\&psi;})_w^T$    (公式15)

阈值θ_i定义为：

${\mathrm{\&theta;}}_i=\frac{1}{2}\max \left\{\right||{\mathrm{\&Omega;}}_j-{\mathrm{\&Omega;}}_z|\left|\right\},j,z\&Element;(\mathrm{1,2},...,M)$    (公式16)

计算与区域图像的欧氏距离ε_k：

${{\mathrm{\&epsiv;}}_k}^2={\left|\right|\mathrm{\&Omega;}-{\mathrm{\&Omega;}}_i^H\left|\right|}^2$    (公式17)

为了判定区域是否包含人脸，需要计算区域图像Γ与有特征脸空间构建的图像Γ_f之间的距离ε：

ε²＝||Γ-Γ_f||²   (公式18)

其中

${\mathrm{\&Gamma;}}_f=w{\mathrm{\&Omega;}}_i^H+\mathrm{\&Psi;}$    (公式19)

判断该区域是否包含人脸的规则如下：

1)若ε≥θ_i，则区域不包含人脸；

2)若ε≤θ_i且则该区域包含未知人脸，该人脸不在模型库中；

3)若ε<θ_i且则该区域包含人脸。

5.根据权利要求4所述的SNS多图融合方法，其特征在于：步骤4.3)的具体步骤为：

在上述判别的区域中，如果包含人脸，则将计算出该区域的几何中心m_i：

$m_i=\frac{1}{r}(x_{11}+x_{21}+...+x_{r1},x_{12}+x_{22}+...+x_{r2},...,x_{1k}+x_{2k}+...+x_{\mathrm{rk}})$   (公式20)

其中，r为区域中点的个数，k为点的维数；计算出各个带人脸的区域中心m_i之后，将带人脸的区域中心m_i乘以一个大于1的系数。

6.根据权利要求1所述的SNS多图融合方法，其特征在于：步骤6)后，在限定的时间内将发送给各用户的图片销毁。