CN105469356B - 人脸图像处理方法及装置 - Google Patents

Abstract

本公开是关于人脸图像处理方法及装置，其中，该方法包括：确定人脸图像中的人脸区域以及人脸区域中的关键部位；去除所述人脸区域中的关键部位，得到所述人脸区域中的剩余区域；为所述人脸区域中的剩余区域建立肤色模型；利用所述肤色模型生成所述人脸区域的第一肤色区域；基于所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域。本公开结合人脸检测和关键位置定位、肤色、图像梯度信息，各种信息相互补充和融合，利用人脸检测和特征点识别结果，建立的肤色模型受光照和偏色影响小，采用区域增长法对第一肤色区域进一步优化时利用梯度信息作为颜色的补充，因此获得的第二肤色区域更准确、完整。

Description

人脸图像处理方法及装置

技术领域

本公开涉及图像处理技术领域，尤其涉及人脸图像处理方法及装置。

背景技术

随着终端设备技术的不断发展和普及，越来越多的用户使用带有摄像头的终端设备进行拍照。为了美化拍摄的照片，已经开发出了一些可以美化照片的应用(APP)。这些APP使用起来非常方便，用户只要选择相应的功能，就可以自动地对照片进行美化，例如，可以对人脸进行处理实现磨皮嫩肤的效果。如何精确地获取人脸图像中的皮肤区域，进而可以对皮肤区域进行图像处理是一个亟待解决的问题。

发明内容

本公开实施例提供人脸图像处理方法及装置。所述技术方案如下：

根据本公开实施例的第一方面，提供一种人脸图像处理方法，包括：

确定人脸图像中的人脸区域以及所述人脸区域中的关键部位；

去除所述人脸区域中的关键部位，得到所述人脸区域中的剩余区域；

为所述人脸区域中的剩余区域建立肤色模型；

利用所述肤色模型生成所述人脸区域的第一肤色区域；

基于所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域。

可选地，所述为所述人脸区域中的剩余区域建立肤色模型，包括：

计算所述剩余区域的直方图；

将所述直方图进行归一化得到所述肤色模型。

可选地，基于所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域，包括：

根据第一预设阈值，将所述第一肤色区域二值化得到第一肤色二值图；所述第一肤色二值图中包括第一较大值和第一较小值；

将所述第一肤色二值图中值为第一较大值的像素作为种子像素进行区域增长：当所述种子像素的邻域像素的边缘强度小于第二预设阈值，并且所述邻域像素的值为第一较小值，则将所述邻域像素的值置为第一较大值，得到种子像素；

直到对所有种子像素完成区域增长后，将所述第一肤色二值图中值为第一较大值的像素组成的区域作为第二肤色区域。

可选地，所述基于所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域，还包括：

根据第三预设阈值，将所述第一肤色区域二值化得到第二肤色二值图；所述第三预设阈值小于所述第一预设阈值；

对所述第二肤色二值图进行膨胀操作，得到新的第二肤色二值图；

所述将所述第一肤色二值图中值为第一较大值的像素作为种子像素进行区域增长，包括：

当所述种子像素的邻域像素未超出新的第二肤色二值图的范围，且所述邻域像素的边缘强度小于第二预设阈值，以及所述邻域像素的值为第一较小值时，则将所述邻域像素的值置为第一较大值，得到种子像素。

可选地，所述方法还包括：

当所述第二肤色区域包括多个独立的肤色子区域时，对所述肤色子区域进行连通域处理。

可选地，在确定人脸图像中的人脸区域以及人脸区域中的关键部位之前，所述方法还包括：

对所述人脸图像进行去噪预处理。

可选地，对所述人脸图像进行去噪预处理，包括：

对所述人脸图像进行中值滤波处理。

根据本公开实施例的第二方面，提供一种人脸图像处理装置，包括：

确定模块，用于确定人脸图像中的人脸区域以及所述人脸区域中的关键部位；

去除模块，用于去除所述确定模块确定的所述人脸区域中的关键部位，得到所述人脸区域中的剩余区域；

建立模块，用于为所述去除模块得到的人脸区域中的剩余区域建立肤色模型；

生成模块，用于利用所述建立模块建立的所述肤色模型生成所述人脸区域的第一肤色区域；

处理模块，用于基于所述生成模块生成的所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域。

可选地，所述建立模块，包括：

计算子模块，用于计算所述剩余区域的直方图；

归一化子模块，用于将所述计算子模块计算的所述直方图进行归一化得到所述肤色模型。

可选地，所述处理模块，包括：

第一二值化子模块，用于根据第一预设阈值，将所述生成模块生成的所述第一肤色区域二值化得到第一肤色二值图；所述第一肤色二值图中包括第一较大值和第一较小值；

区域增长子模块，用于将所述第一二值化子模块得到的第一肤色二值图中值为第一较大值的像素作为种子像素进行区域增长：当所述种子像素的邻域像素的边缘强度小于第二预设阈值，并且所述邻域像素的值为第一较小值，则将所述邻域像素的值置为第一较大值，得到种子像素；

确认子模块，用于直到所述区域增长子模块对所有种子像素完成区域增长后，将所述第一肤色二值图中值为第一较大值的像素组成的区域作为第二肤色区域。

可选地，所述处理模块，还包括：

第二二值化子模块，用于根据第三预设阈值，将所述生成模块生成的所述第一肤色区域二值化得到第二肤色二值图；所述第三预设阈值小于所述第一预设阈值；

膨胀子模块，用于对所述第二二值化子模块得到的所述第二肤色二值图进行膨胀操作，得到新的第二肤色二值图；

所述区域增长子模块，用于当所述种子像素的邻域像素未超出所述膨胀子模块得到的新的第二肤色二值图的范围，且所述邻域像素的边缘强度小于第二预设阈值，以及所述邻域像素的值为第一较小值时，则将所述邻域像素的值置为第一较大值，得到种子像素。

可选地，所述装置还包括：

连通域处理模块，用于当所述处理模块获得的第二肤色区域包括多个独立的肤色子区域时，对所述肤色子区域进行连通域处理。

可选地，所述装置还包括：

预处理模块，用于所述确定模块确定人脸图像中的人脸区域以及人脸区域中的关键部位之前，对所述人脸图像进行去噪预处理。

可选地，所述预处理模块，用于对所述人脸图像进行中值滤波处理。

根据本公开实施例的第三方面，提供一种人脸图像处理装置，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

确定人脸图像中的人脸区域以及所述人脸区域中的关键部位；

去除所述人脸区域中的关键部位，得到所述人脸区域中的剩余区域；

为所述人脸区域中的剩余区域建立肤色模型；

利用所述肤色模型生成所述人脸区域的第一肤色区域；

基于所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域。

本公开的实施例提供的技术方案可以包括以下有益效果：

上述技术方案，终端设备在进行人脸图像处理获取人脸肤色区域时，首先为人脸区域中的去除关键部位后的剩余区域建立肤色模型，然后利用肤色模型生成第一肤色区域；基于第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域。该技术方案结合人脸检测和关键位置定位、肤色、图像梯度信息，各种信息相互补充和融合，利用人脸检测和特征点识别结果，建立的肤色模型受光照和偏色影响小，采用区域增长法对第一肤色区域进一步优化时利用梯度信息作为颜色的补充，因此获得的第二肤色区域更准确、完整。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的人脸图像处理方法的流程图。

图2是根据另一示例性实施例示出的人脸图像处理方法的流程图。

图3是根据另一示例性实施例示出的人脸图像处理方法的流程图。

图4是根据一示例性实施例示出的人脸图像处理装置的框图。

图5是根据另一示例性实施例示出的人脸图像处理装置的框图。

图6是根据一示例性实施例示出的用于人脸图像处理的装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本公开实施例提供的技术方案，涉及能够进行图像处理的终端设备，终端设备例如包括智能手机、平板电脑、笔记本电脑、智能相机等。

图1是根据一示例性实施例示出的一种人脸图像处理方法的流程图，如图1所示，人脸图像处理方法用于终端设备中，包括以下步骤S11-S15：

在步骤S11中，确定人脸图像中的人脸区域以及所述人脸区域中的关键部位。

在步骤S12中，去除所述人脸区域中的关键部位，得到所述人脸区域中的剩余区域。

在步骤S13中，为所述人脸区域中的剩余区域建立肤色模型。

在步骤S14中，利用所述肤色模型生成所述人脸区域的第一肤色区域。

在步骤S15中，基于所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域。

本实施例中，终端设备在进行人脸图像处理获取人脸肤色区域时，首先为人脸区域中的去除关键部位后的剩余区域建立肤色模型，然后利用肤色模型生成第一肤色区域；基于第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域，本公开结合人脸检测和关键位置定位、肤色、图像梯度信息，各种信息相互补充和融合，利用人脸检测和特征点识别结果，建立的肤色模型受光照和偏色影响小，采用区域增长法对第一肤色区域进一步优化时利用梯度信息作为颜色的补充，因此获取的第二肤色区域更准确、完整。

图2是根据另一示例性实施例示出的一种人脸图像处理方法的流程图，如图2所示，在另一个实施例中，人脸图像处理方法包括以下步骤：

在步骤S21中，获取人脸图像。

在步骤S22中，确定人脸图像中的人脸区域以及人脸区域中的关键部位。

确定人脸区域，是指在输入图像中判断人脸的位置、大小、姿态。用于确定人脸区域的人脸检测的算法例如有：基于启发式模型的人脸检测算法以及基于统计模型的人脸检测算法。基于启发式模型的人脸检测算法是通过变形模板等方式来获取图像的几何特征，然后根据几何特征判断是否存在人脸。基于统计模型的人脸检测方法是采用统计学的方法通过学习判断图像中是否包含人脸，例如包括：基于K-L变换的方法、基于神经网络的方法，基于SVM(Support Vector Machine，支持向量机)的方法等。

人脸区域确定之后，要进行人脸区域中的关键部位的确定，确定人脸关键部位目的是在人脸检测的基础上，进一步确定脸部关键部位(眼睛、眉毛、鼻子、嘴巴)的位置。确定关键部位的位置的算法的基本思路是：人脸的纹理特征和各个特征点之间的位置约束结合。经典的脸部关键位置定位方法包括：基于主动形状模型(Active Shape Model，ASM)和基于主动表观模型(Active Appearance Mode，AAM)的脸部关键位置的定位。关于人脸区域的检测和脸部关键部位的定位，可以使用任何合适的技术来实现，在此不一一赘述。

在步骤S23中，去除人脸区域中的关键部位，得到人脸区域中的剩余区域。

在步骤S24中，计算人脸区域中的剩余区域的颜色直方图。

在本实施例中，可以先将原图转为YUV格式，因为人类的肤色在YUV颜色空间相对比较集中(被称为肤色的聚类特性)，因此选用在YUV颜色空间中进行人脸检测。然后，将人脸区域中的五官区域去除，统计剩余区域的U和V通道，计算直方图。

在步骤S25中，将计算出的直方图进行归一化，得到肤色模型。

肤色模型为256X256大小的二维矩阵，其中每个位置的值代表对应(u,v)坐标属于肤色的概率。

在本公开的其他实施例中，也可以使用其他肤色模型，例如高斯模型、椭圆模型等。

在步骤S26中，利用肤色模型生成人脸区域的第一肤色区域。

也即，通过该步骤，可以把一幅彩色图像转换为一幅肤色相似度灰度图像。

在步骤S27中，根据第一预设阈值，将第一肤色区域二值化得到第一肤色二值图，第一肤色二值图中包括第一较大值和第一较小值。

对于第一肤色区域中的每一个像素，若该像素的值大于第一预设阈值，则将该像素的值例如置为1，若该像素的值小于第一预设阈值，则将该像素的值例如置为0，得到第一肤色二值图。第一肤色二值图标记了较大概率属于肤色的区域。

在步骤S28中，将第一肤色二值图中值为第一较大值的像素作为种子像素进行区域增长：当所述种子像素的邻域像素的边缘强度小于第二预设阈值，并且所述邻域像素的值为第一较小值，则将该邻域像素的值置为第一较大值，得到种子像素，即该邻域像素变为种子像素。

在该步骤中，将第一肤色二值图中值为第一较大值的像素作为种子像素，形成种子像素集，对于种子像素集中的每一个种子像素，执行以下区域增长：以第一肤色二值图中值为1的种子像素A为例，寻找种子像素A的4邻域(在本公开的其他实施例中，也可以是8邻域)，若邻域像素的边缘强度小于预设的第二预设阈值，同时邻域像素的值为0，则将该邻域像素的值置为1，并加入种子像素集中。

其中，边缘强度即灰度值差异或边缘信息。边缘强度的计算方法是考虑图像的每个像素的某个邻域内的灰度变化，利用边缘临近的一阶或二阶导数变化规律，对原始图像中像素某个邻域设置梯度算子，通常可以使用小区域模板进行卷积来计算，例如有Sobel算子、Robinson算子、Laplace算子等。例如，简单的求(i,j)点的边缘强度，可计算(i,j)和(i+1,j)两个点对应像素值差的绝对值，即|IM(i,j)-IM(i+1,j)|。

在步骤S29中，直到对所有种子像素完成区域增长后，将所述第一肤色二值图中值为第一较大值的像素组成的区域作为第二肤色区域。

直到种子像素集中的所有种子像素都进行了步骤S28中的区域增长的过程时，结束区域增长。

图3是根据另一示例性实施例示出的一种人脸图像处理方法的流程图，如图3所示，在另一个实施例中，人脸图像处理方法包括以下步骤：

在步骤S31中，获取人脸图像。

在步骤S32中，对所述人脸图像进行去噪预处理。

在本公开一实施例中，去噪预处理例如可以包括中值滤波处理。中值滤波是抑制噪声的一种非线性平滑处理方法，也是一种邻域运算，其实质上是用与相邻像素接近的灰度值来取代与相邻像素相差较大的灰度，按此操作辨理图像，即可得到平滑后的图像。

在步骤S33中，确定预处理后的人脸图像中的人脸区域以及人脸区域中的关键部位。

在步骤S34中，去除人脸区域中的关键部位，得到人脸区域中的剩余区域。

在步骤S35中，计算人脸区域中的剩余区域的颜色直方图。

在步骤S36中，将计算出的直方图进行归一化，得到肤色模型。

在步骤S37中，利用肤色模型生成人脸区域的第一肤色区域。

在步骤S38中，根据第一预设阈值，将第一肤色区域二值化得到第一肤色二值图，第一肤色二值图中包括第一较大值和第一较小值。

对于第一肤色区域中的每一个像素，若该像素的值大于第一预设阈值，则将该像素的值例如置为1，若该像素的值小于第一预设阈值，则将该像素的值例如置为0，得到第一肤色二值图。第一肤色二值图标记了较大概率属于肤色的区域。

在步骤S39中，根据第三预设阈值，将第一肤色区域二值化得到第二肤色二值图，第二肤色二值图中包括第二较大值和第二较小值，并且所述第三预设阈值小于所述第一预设阈值。

对于第一肤色区域中的每一个像素，若该像素的值大于第三预设阈值，则将该像素的值置为第二较大值例如1，若该像素的值小于第三预设阈值，则将该像素的值置为第二较小值例如0，得到第二肤色二值图。

在步骤S310中，对所述第二肤色二值图进行膨胀操作，得到新的第二肤色二值图。

将新的第二肤色二值图作为区域增长操作的最大区域，超过此区域则区域增长结束。

膨胀操作描述为：扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“与”操作：如果都为0，结果图像的该像素为0，否则为1。

在步骤S311中，将第一肤色二值图中值为第一较大值的像素作为种子像素进行区域增长：当种子像素的邻域像素未超出新的第二肤色二值图的范围，且该邻域像素的边缘强度小于第二预设阈值，以及该邻域像素的值为第一较小值时，则将该邻域像素的值置为第一较大值，得到种子像素，即该邻域像素变为种子像素。

在步骤S312中，直到对所有种子像素完成区域增长后，将所述第一肤色二值图中值为第一较大值的像素组成的区域作为第二肤色区域。

在本公开的其他实施例中，当获得的第二肤色区域包括多个独立的肤色子区域时，对所述肤色子区域进行连通域处理，连通域处理是通过求连通域的覆盖范围进行的，覆盖范围大的区域认为比较可信，覆盖范围太小的区域认为是噪声区域。因此，连通域处理可以将较小的区域删除，去除噪声区域等。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图4是根据一示例性实施例示出的一种人脸图像处理装置的框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4所示，该人脸图像处理装置包括：

确定模块41，被配置为确定人脸图像中的人脸区域以及人脸区域中的关键部位；

确定人脸区域，是指在输入图像中判断人脸的位置、大小、姿态。用于确定人脸区域的人脸检测的算法例如有：基于启发式模型的人脸检测算法以及基于统计模型的人脸检测算法。基于启发式模型的人脸检测算法是通过变形模板等方式来获取图像的几何特征，然后根据几何特征判断是否存在人脸。基于统计模型的人脸检测方法是采用统计学的方法通过学习判断图像中是否包含人脸，例如包括：基于K-L变换的方法、基于神经网络的方法，基于SVM(Support Vector Machine，支持向量机)的方法等。

人脸区域确定之后，要进行人脸区域中的关键部位的确定，确定人脸关键部位目的是在人脸检测的基础上，进一步确定脸部关键部位(眼睛、眉毛、鼻子、嘴巴)的位置。确定关键部位的位置的算法的基本思路是：人脸的纹理特征和各个特征点之间的位置约束结合。经典的脸部关键位置定位方法包括：基于主动形状模型(Active Shape Model，ASM)和基于主动表观模型(Active Appearance Mode，AAM)的脸部关键位置的定位。关于人脸区域的检测和脸部关键部位的定位，可以使用任何合适的技术来实现，在此不一一赘述。

去除模块42，被配置为去除所述确定模块41确定的所述人脸区域中的关键部位，得到所述人脸区域中的剩余区域；

建立模块43，被配置为为所述去除模块42得到的所述人脸区域中的剩余区域建立肤色模型；

生成模块44，被配置为利用所述建立模块43建立的所述肤色模型生成所述人脸区域的第一肤色区域；

通过该模块，可以把一幅彩色图像转换为一幅肤色相似度灰度图像。

处理模块45，被配置为基于生成模块44生成的所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域。

本实施例中，终端设备在进行人脸图像处理获取人脸肤色区域时，首先为人脸区域中的去除关键部位后的剩余区域建立肤色模型，然后利用肤色模型生成第一肤色区域；基于第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域，本公开结合人脸检测和关键位置定位、肤色、图像梯度信息，各种信息相互补充和融合，利用人脸检测和特征点识别结果，建立的肤色模型受光照和偏色影响小，采用区域增长法对第一肤色区域进一步优化时利用梯度信息作为颜色的补充，因此获取的第二肤色区域更准确、完整。

图5是根据一示例性实施例示出的一种人脸图像处理装置的框图，在该实施例中，所述建立模块43，包括：

计算子模块431，被配置为计算所述剩余区域的直方图；

在本实施例中，可以先将原图转为YUV格式，因为人类的肤色在YUV颜色空间相对比较集中(被称为肤色的聚类特性)，因此选用在YUV颜色空间中进行人脸检测。然后，将人脸区域中的五官区域去除，统计剩余区域的U和V通道，计算直方图。

归一化子模块432，被配置为将计算子模块421计算的所述直方图进行归一化得到所述肤色模型。

肤色模型为256X256大小的二维矩阵，其中每个位置的值代表对应(u,v)坐标属于肤色的概率。

在本公开的其他实施例中，也可以使用其他肤色模型，例如高斯模型、椭圆模型等。

在本公开另一实施例中，所述处理模块45，包括：

第一二值化子模块451，被配置为根据第一预设阈值，将生成模块43生成的所述第一肤色区域二值化得到第一肤色二值图；所述第一肤色二值图中包括第一较大值和第一较小值；

对于第一肤色区域中的每一个像素，若该像素的值大于第一预设阈值，则将该像素的值例如置为1，若该像素的值小于第一预设阈值，则将该像素的值例如置为0，得到第一肤色二值图。第一肤色二值图标记了较大概率属于肤色的区域。

区域增长子模块452，被配置为将第一二值化子模块441得到的所述第一肤色二值图中值为第一较大值的像素作为种子像素进行区域增长：当所述种子像素的邻域像素的边缘强度小于第二预设阈值，并且所述邻域像素的值为第一较小值，则将所述邻域像素的值置为第一较大值，得到种子像素；

在该模块中，将第一肤色二值图中值为第一较大值的像素作为种子像素，形成种子像素集，对于种子像素集中的每一个种子像素，执行以下区域增长：以第一肤色二值图中值为1的种子像素A为例，寻找种子像素A的4邻域(在本公开的其他实施例中，也可以是8邻域)，若邻域像素的边缘强度小于预设的第二预设阈值，同时邻域像素的值为0，则将该邻域像素的值置为1，并加入种子像素集中。

其中，边缘强度即灰度值差异或边缘信息。边缘强度的计算方法是考虑图像的每个像素的某个邻域内的灰度变化，利用边缘临近的一阶或二阶导数变化规律，对原始图像中像素某个邻域设置梯度算子，通常可以使用小区域模板进行卷积来计算，例如有Sobel算子、Robinson算子、Laplace算子等。例如，简单的求(i,j)点的边缘强度，可计算(i,j)和(i+1,j)两个点对应像素值差的绝对值，即|IM(i,j)-IM(i+1,j)|。

确认子模块453，被配置为直到区域增长子模块442对所有种子像素完成区域增长后，将所述第一肤色二值图中值为第一较大值的像素组成的区域作为第二肤色区域。

在本公开另一实施例中，所述处理模块45，还包括：

第二二值化子模块454，被配置为根据第三预设阈值，将生成模块44生成的所述第一肤色区域二值化得到第二肤色二值图；所述第三预设阈值小于所述第一预设阈值；

对于第一肤色区域中的每一个像素，若该像素的值大于第三预设阈值，则将该像素的值置为第二较大值例如1，若该像素的值小于第三预设阈值，则将该像素的值置为第二较小值例如0，得到第二肤色二值图。

膨胀子模块455，被配置为对第二二值化子模块444得到的所述第二肤色二值图进行膨胀操作，得到新的第二肤色二值图；

所述区域增长子模块452，被配置为将第一二值化子模块451得到的第一肤色二值图中值为第一较大值的像素作为种子像素进行区域增长：当所述种子像素的邻域像素没有超出膨胀子模块455得到的新的第二肤色二值图的范围，且所述邻域像素的边缘强度小于第二预设阈值，以及所述邻域像素的值为第一较小值时，则将所述邻域像素的值置为第一较大值，得到种子像素。

在本公开另一实施例中，所述装置还包括：

连通域处理模块46，被配置为当所述处理模块45获得的第二肤色区域包括多个独立的肤色子区域时，对所述肤色子区域进行连通域处理。

连通域处理是通过求连通域的覆盖范围进行的，覆盖范围大的区域认为比较可信，覆盖范围太小的区域认为是噪声区域。因此，连通域处理可以将较小的区域删除，去除噪声区域等。

在本公开另一实施例中，所述装置还包括：

预处理模块47，被配置为对所述人脸图像进行去噪预处理。

在本公开另一实施例中，所述预处理模块47，用于对所述人脸图像进行中值滤波处理。

中值滤波是抑制噪声的一种非线性平滑处理方法，也是一种邻域运算，其实质上是用与相邻像素接近的灰度值来取代与相邻像素相差较大的灰度，按此操作辨理图像，即可得到平滑后的图像。

本公开还提供一种人脸图像处理装置，包括：

处理器；

被配置为存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

确定人脸图像中的人脸区域以及所述人脸区域中的关键部位；

去除所述人脸区域中的关键部位，得到所述人脸区域中的剩余区域；

为所述人脸区域中的剩余区域建立肤色模型；

利用所述肤色模型生成所述人脸区域的第一肤色区域；

基于所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图6是根据一示例性实施例示出的一种用于人脸图像处理的装置800的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图6，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种人脸图像处理方法，所述方法包括：

确定人脸图像中的人脸区域以及人脸区域中的关键部位；

去除所述人脸区域中的关键部位，得到所述人脸区域中的剩余区域；

为所述人脸区域中的剩余区域建立肤色模型；

利用所述肤色模型生成所述人脸区域的第一肤色区域；

基于所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域。

可选地，所述为所述人脸区域中的去除关键部位后的剩余区域建立肤色模型，包括：

计算所述剩余区域的直方图；

将所述直方图进行归一化得到所述肤色模型。

可选地，基于所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域，包括：

根据第一预设阈值，将所述第一肤色区域二值化得到第一肤色二值图；所述第一肤色二值图中包括第一较大值和第一较小值；

将所述第一肤色二值图中值为第一较大值的像素作为种子像素进行区域增长：当所述种子像素的邻域像素的边缘强度小于第二预设阈值，并且所述邻域像素的值为第一较小值，则将所述邻域像素的值置为第一较大值，得到种子像素；

直到对所有种子像素完成区域增长后，将所述第一肤色二值图中值为第一较大值的像素组成的区域作为第二肤色区域。

可选地，所述基于所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域，还包括：

根据第三预设阈值，将所述第一肤色区域二值化得到第二肤色二值图；所述第三预设阈值小于所述第一预设阈值；

对所述第二肤色二值图进行膨胀操作，得到新的第二肤色二值图；

所述将所述第一肤色二值图中值为第一较大值的像素作为种子像素进行区域增长，包括：

当所述种子像素的邻域像素没有超出新的第二肤色二值图的范围，且所述邻域像素的边缘强度小于第二预设阈值，以及所述邻域像素的值为第一较小值时，则将所述邻域像素的值置为第一较大值，得到种子像素。

可选地，所述方法还包括：

当获得的第二肤色区域包括多个独立的肤色子区域时，对所述肤色子区域进行连通域处理。

可选地，在确定人脸图像中的人脸区域以及人脸区域中的关键部位之前，所述方法还包括：

对所述人脸图像进行去噪预处理。

可选地，对所述人脸图像进行去噪预处理，包括：

对所述人脸图像进行中值滤波处理。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种人脸图像处理方法，其特征在于，所述方法包括：

确定人脸图像中的人脸区域以及所述人脸区域中的关键部位；

去除所述人脸区域中的关键部位，得到所述人脸区域中的剩余区域；

为所述人脸区域中的剩余区域建立肤色模型；

利用所述肤色模型生成所述人脸区域的第一肤色区域；

基于所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域；

所述基于所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域，包括：

根据第一预设阈值，将所述第一肤色区域二值化得到第一肤色二值图；所述第一肤色二值图中包括第一较大值和第一较小值；

根据第三预设阈值，将所述第一肤色区域二值化得到第二肤色二值图；所述第三预设阈值小于所述第一预设阈值；对所述第二肤色二值图进行膨胀操作，得到新的第二肤色二值图；

将所述第一肤色二值图中值为所述第一较大值的像素作为种子像素进行区域增长：当所述种子像素的邻域像素未超出所述新的第二肤色二值图的范围，且所述邻域像素的边缘强度小于第二预设阈值，以及所述邻域像素的值为所述第一较小值时，则将所述邻域像素的值置为所述第一较大值，得到种子像素；

直到对所有种子像素完成区域增长后，将所述第一肤色二值图中值为所述第一较大值的像素组成的区域作为第二肤色区域。

2.根据权利要求1所述的方法，其特征在于，所述为所述人脸区域中的剩余区域建立肤色模型，包括：

计算所述剩余区域的直方图；

将所述直方图进行归一化得到所述肤色模型。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当所述第二肤色区域包括多个独立的肤色子区域时，对所述肤色子区域进行连通域处理。

4.根据权利要求1所述的方法，其特征在于，在确定人脸图像中的人脸区域以及人脸区域中的关键部位之前，所述方法还包括：

对所述人脸图像进行去噪预处理。

5.根据权利要求4所述的方法，其特征在于，对所述人脸图像进行去噪预处理，包括：

对所述人脸图像进行中值滤波处理。

6.一种人脸图像处理装置，其特征在于，包括：

确定模块，用于确定人脸图像中的人脸区域以及所述人脸区域中的关键部位；

去除模块，用于去除所述确定模块确定的所述人脸区域中的关键部位，得到所述人脸区域中的剩余区域；

建立模块，用于为所述去除模块得到的所述人脸区域中的剩余区域建立肤色模型；

生成模块，用于利用所述建立模块建立的所述肤色模型生成所述人脸区域的第一肤色区域；

处理模块，用于基于所述生成模块生成的所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域；

所述处理模块，包括：

第一二值化子模块，用于根据第一预设阈值，将所述生成模块生成的所述第一肤色区域二值化得到第一肤色二值图；所述第一肤色二值图中包括第一较大值和第一较小值；

第二二值化子模块，用于根据第三预设阈值，将所述生成模块生成的所述第一肤色区域二值化得到第二肤色二值图；所述第三预设阈值小于所述第一预设阈值；

膨胀子模块，用于对所述第二二值化子模块得到的所述第二肤色二值图进行膨胀操作，得到新的第二肤色二值图；

区域增长子模块，用于将所述第一二值化子模块得到的第一肤色二值图中值为所述第一较大值的像素作为种子像素进行区域增长：当所述种子像素的邻域像素未超出所述膨胀子模块得到的新的第二肤色二值图的范围，且所述邻域像素的边缘强度小于第二预设阈值，以及所述邻域像素的值为所述第一较小值时，则将所述邻域像素的值置为所述第一较大值，得到种子像素；

确认子模块，用于直到所述区域增长子模块对所有种子像素完成区域增长后，将所述第一肤色二值图中值为所述第一较大值的像素组成的区域作为第二肤色区域。

7.根据权利要求6所述的装置，其特征在于，所述建立模块，包括：

计算子模块，用于计算所述剩余区域的直方图；

归一化子模块，用于将所述计算子模块计算的所述直方图进行归一化得到所述肤色模型。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括：

连通域处理模块，用于当所述处理模块获得的第二肤色区域包括多个独立的肤色子区域时，对所述肤色子区域进行连通域处理。

9.根据权利要求6所述的装置，其特征在于，所述装置还包括：

预处理模块，用于所述确定模块确定人脸图像中的人脸区域以及人脸区域中的关键部位之前，对所述人脸图像进行去噪预处理。

10.根据权利要求9所述的装置，其特征在于，所述预处理模块，用于对所述人脸图像进行中值滤波处理。

11.一种人脸图像处理装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

确定人脸图像中的人脸区域以及所述人脸区域中的关键部位；

去除所述人脸区域中的关键部位，得到所述人脸区域中的剩余区域；

为所述人脸区域中的剩余区域建立肤色模型；

利用所述肤色模型生成所述人脸区域的第一肤色区域；

基于所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域；

所述基于所述第一肤色区域以及图像梯度信息进行区域增长，获得第二肤色区域，包括：

根据第一预设阈值，将所述第一肤色区域二值化得到第一肤色二值图；所述第一肤色二值图中包括第一较大值和第一较小值；

根据第三预设阈值，将所述第一肤色区域二值化得到第二肤色二值图；所述第三预设阈值小于所述第一预设阈值；对所述第二肤色二值图进行膨胀操作，得到新的第二肤色二值图；

将所述第一肤色二值图中值为所述第一较大值的像素作为种子像素进行区域增长：当所述种子像素的邻域像素未超出所述新的第二肤色二值图的范围，且所述邻域像素的边缘强度小于第二预设阈值，以及所述邻域像素的值为所述第一较小值时，则将所述邻域像素的值置为所述第一较大值，得到种子像素；

直到对所有种子像素完成区域增长后，将所述第一肤色二值图中值为所述第一较大值的像素组成的区域作为第二肤色区域。