CN105931211A - 一种人脸图像美化方法 - Google Patents

Abstract

本发明公开了一种人脸图像美化方法，包括以下步骤：(1)数据集收集：收集美丽人脸的数据库；(2)图层分解：对原始人脸和数据库人脸进行图像层次分解，得到亮度图层，细节图层和颜色图层；(3)图层字典学习：运用在线字典学习从图层数据中学得图层字典；(4)图层稀疏重构；利用稀疏编码对原始图层进行重构，得到重构后的图层模板；(5)细节图层增强：利用原始细节图层对重构后的细节图层模板进行细节增强；(6)图层融合：将重构后的三个图层进行融合得到美化后的人脸图像。

Description

一种人脸图像美化方法

技术领域

本发明涉及人脸图像识别和人脸图像处理领域，特别涉及一种人脸图像美化的方法。

背景技术

“人皆有爱美之心”，人们对于漂亮的追求自古就有。心理学研究表明，尽管种族、文化和性别不同，人们对于什么样的人脸是漂亮的有普遍的共识，其中人脸皮肤的颜色和细节对于人脸吸引度的提升尤为重要。这些研究与人们日常观念里，漂亮人脸应该是光滑且无斑的相一致。

近些年来，随着社交网络等电子媒体的迅速发展，越来越多的人脸图像被分享，人脸图像处理的需求也与日俱增。尽管已经有许多商业图像处理软件可用，但是这些软件通常需要大量的人工操作，而且这些软件对于人脸图像斑点的美化效果一般。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种有效的人脸图像美化方法。该方法能有效地美化人脸图像上的斑点，并且很大程度上避免了过多的人工操作，提升了人脸图像处理的效率和效果。

为了达到上述目的，本发明采用以下技术方案：

本发明的一种人脸图像美化方法，包括以下步骤：

(1)数据集收集：收集美丽人脸的数据库；

(2)图层分解：对原始人脸和数据库人脸进行图像层次分解，得到亮度图层、细节图层和颜色图层；

(3)图层字典学习：运用在线字典学习从图层数据中学得图层字典；

(4)图层稀疏重构；利用稀疏编码对原始图层进行重构，得到重构后的图层模板；

(5)细节图层增强：利用原始细节图层对重构后的细节图层模板进行细节增强；

(6)图层融合：将重构后的三个图层进行融合得到美化后的人脸图像。

作为优选的技术方案，所述步骤(1)中，数据集收集包括下述步骤：

(1-1)通过关键字在网上爬取包含人脸的图像数据库；

(1-2)通过Face++对收集到的图像数据库进行自动人脸检测和自动人脸抠图，使数据库尽可能接近输入人脸图像。

作为优选的技术方案，在步骤(1-1)中，所述关键字为“美女”或/和“明星”。

作为优选的技术方案，所述步骤(2)中，图层分解具体为：

(2-1)将RGB空间的人脸图像转换为CIELAB空间，该空间由亮度空间和颜色空间组成，颜色图层I_c由颜色空间组成；

(2-2)用滤波器对亮度空间进行处理，得到亮度图层I_L；

(2-3)将亮度图层从亮度空间中抽离，得到细节图层I_d。

作为优选的技术方案，所述步骤(3)中，图层字典学习具体为：

(3-1)通过在线字典学习，从收集的数据库中学出图层字典D：

$D=\arg \underset{D,X}{min}\left|\right|X-DY|{|}_2^2+\mathrm{\λ}|\left|Y\right|{|}_1$

$s.t.\left|\right|D_i|{|}_2^2\≤1,i=1,2,\mathrm{...},K$

其中,符号X为输入的图层数据库，l₁范数||Y||₁确保了稀疏性，l₂范数避免了放缩模糊，λ的大小控制着字典的稀疏程度，其取值范围为[0,1]，典型取值为0.3，K是字典的大小，一般取值为512,1024或者2048。

作为优选的技术方案，所述步骤(4)中，图层稀疏重构具体为：

(4-1)通过稀疏编码，从收集的数据库中学出图层字典D：

$\mathrm{\α}=\arg \underset{\mathrm{\α}}{\min }\left|\right|D\mathrm{\α}-y|{|}_2^2+\mathrm{\λ}|\left|\mathrm{\α}\right|{|}_1$

其中，符号y是初始图像的图层，D是与之对应的图层字典，α是图层字典的系数，λ控制着系数的稀疏程度；

(4-2)当y＝I_d，图层为细节图层，经过步骤(4-1)的系数学习之后，得到的重构后的细节层I_d*＝D*α。

作为优选的技术方案，所述步骤(5)中，细节图层增强具体为：

(5-1)对细节图层进行二值化操作，得到二值化模板I_m；

(5-2)根据二值化模板I_m和原始细节层I_d信息，进行细节图层增强：

$I_d*(x,y)=\left\{\begin{array}{cc}{I}_d(x,y),& I_m(x,y)=1\\ I_d*(x,y),& I_m(x,y)=0\end{array}\right..$

作为优选的技术方案，所述步骤(6)中，图层融合具体为：

(6-1)步骤(5)得到的细节图层与I_L融合得到亮度空间；

(6-2)将亮度空间与颜色空间融合，得到最后的美化人脸图像。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明可以智能美化人脸图片，不需要过多的参数调节和人工处理，提高了人脸图片美化的效率与效果。

2、本发明对于人脸图片中斑点和皱纹的美化效果与现有的商业图像处理软件相比更加显著。

3、本发明结合了图层分解、字典学习和稀疏重构方法，利用学习的方法结合漂亮人脸数据库自动稀疏重构图层，能依据数据库自动产生漂亮人脸图层字典，再通过字典去重构原图层。这样得到的美化效果更加符合心理学研究。

附图说明

图1为本发明的操作流程框图。

图2为本发明方法的图层分解示意图。

图3(a)-图3(c)为本发明方法图层重构和细节图层增强过程中初始细节图层，重构细节图层和增强细节图层的效果图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

图1示出了本发明的操作过程，由图1可见，其具体实施包括下述步骤：

(1)数据集收集：收集美丽人脸的数据库；

(2)图层分解：对原始人脸和数据库人脸进行图像层次分解，得到亮度图层，细节图层和颜色图层；

(3)图层字典学习：运用在线字典学习从图层数据中学得图层字典；

(4)图层稀疏重构；利用稀疏编码对原始图层进行重构，得到重构后的图层模板；

(5)细节图层增强：利用原始细节图层对重构后的细节图层模板进行细节增强；

(6)图层融合：将重构后的三个图层进行融合得到美化后的人脸图像。

本发明的步骤(1)数据集收集的具体步骤为：

(1-1)通过“美女”，“明星”等关键字在网上爬取包含人脸的图像数据库

(1-2)通过Face++对收集到的图像数据库进行自动人脸检测和自动人脸抠图，使数据库尽可能接近输入人脸图像。

本发明步骤(2)图层分解的示意图如附图2所示，其具体步骤为：

(2-1)将RGB空间的人脸图像转换为CIELAB空间，该空间由亮度空间和颜色空间组成，颜色图层I_c由颜色空间组成。

(2-2)用滤波器对亮度空间进行处理，得到亮度图层I_L。

(2-3)将亮度图层从亮度空间中抽离，得到细节图层I_d。

本发明于步骤(3)图层字典学习的具体步骤为：

(3-1)通过在线字典学习，从收集的数据库中学出图层字典D：

$D=\arg \underset{D,X}{min}\left|\right|X-DY|{|}_2^2+\mathrm{\λ}|\left|Y\right|{|}_1$

$s.t.\left|\right|D_i|{|}_2^2\≤1,i=1,2,\mathrm{...},K$

其中,符号X为输入的图层数据库，l₁范数||Y||₁确保了稀疏性，l₂范数避免了放缩模糊，λ的大小控制着字典的稀疏程度，其取值范围为[0,1]，典型取值为0.3。K是字典的大小，一般取值为512,1024或者2048。

本发明于步骤(4)图层稀疏重构的初始细节图层效果如附图3(a)所示，重构后的图层效果如附图3(b)所示，其具体步骤为：

(4-1)通过稀疏编码，从收集的数据库中学出图层字典D：

$\mathrm{\α}=\arg \underset{\mathrm{\α}}{\min }\left|\right|D\mathrm{\α}-y|{|}_2^2+\mathrm{\λ}|\left|\mathrm{\α}\right|{|}_1$

其中，符号y是初始图像的图层，D是与之对应的图层字典，α是图层字典的系数，λ控制着系数的稀疏程度。

(4-2)当y＝Id，图层为细节图层，经过步骤(4-1)的系数学习之后，得到的重构后的细节层I_d*＝D*α。

本发明于步骤(5)细节图层增强的效果如附图3(c)所示，其具体步骤为：

(5-1)对细节图层进行二值化操作，得到二值化模板I_m；

(5-2)根据二值化模板I_m和原始细节层I_d信息，进行细节图层增强：

$I_d*(x,y)=\left\{\begin{array}{cc}{I}_d(x,y),& I_m(x,y)=1\\ I_d*(x,y),& I_m(x,y)=0\end{array}\right.$

本发明于步骤(6)图层融合的具体步骤为：

(6-1)步骤(5)得到的细节图层与I_L融合得到亮度空间；

(6-2)将亮度空间与颜色空间融合，得到最后的美化人脸图像。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种人脸图像美化方法，其特征在于，包括以下步骤：

(1)数据集收集：收集美丽人脸的数据库；

(2)图层分解：对原始人脸和数据库人脸进行图像层次分解，得到亮度图层、细节图层和颜色图层；

(3)图层字典学习：运用在线字典学习从图层数据中学得图层字典；

(4)图层稀疏重构；利用稀疏编码对原始图层进行重构，得到重构后的图层模板；

(5)细节图层增强：利用原始细节图层对重构后的细节图层模板进行细节增强；

(6)图层融合：将重构后的三个图层进行融合得到美化后的人脸图像。

2.根据权利要求1所述的人脸图像美化方法，其特征在于，所述步骤(1)中，数据集收集包括下述步骤：

(1-1)通过关键字在网上爬取包含人脸的图像数据库；

(1-2)通过Face++对收集到的图像数据库进行自动人脸检测和自动人脸抠图，使数据库尽可能接近输入人脸图像。

3.根据权利要求2所述的人脸图像美化方法，其特征在于，在步骤(1-1)中，所述关键字为“美女”或/和“明星”。

4.根据权利要求1所述的人脸图像美化方法，其特征在于，所述步骤(2)中，图层分解具体为：

(2-1)将RGB空间的人脸图像转换为CIELAB空间，该空间由亮度空间和颜色空间组成，颜色图层I_c由颜色空间组成；

(2-2)用滤波器对亮度空间进行处理，得到亮度图层I_L；

(2-3)将亮度图层从亮度空间中抽离，得到细节图层I_d。

5.根据权利要求1所述的人脸图像美化方法，其特征在于，所述步骤(3)中，图层字典学习具体为：

(3-1)通过在线字典学习，从收集的数据库中学出图层字典D：

$D=\arg \underset{D,X}{min}\left|\right|X-DY|{|}_2^2+\mathrm{\λ}|\left|Y\right|{|}_1$

$s.t.\left|\right|D_i|{|}_2^2\≤1,i=1,2,...,K$

其中,符号X为输入的图层数据库，l₁范数||Y||₁确保了稀疏性，l₂范数避免了放缩模糊，λ的大小控制着字典的稀疏程度，其取值范围为[0,1]，典型取值为0.3，K是字典的大小，一般取值为512,1024或者2048。

6.根据权利要求1所述的人脸图像美化方法，其特征在于，所述步骤(4)中，图层稀疏重构具体为：

(4-1)通过稀疏编码，从收集的数据库中学出图层字典D：

$\mathrm{\α}=\arg \underset{\mathrm{\α}}{\min }\left|\right|D\mathrm{\α}-y|{|}_2^2+\mathrm{\λ}|\left|\mathrm{\α}\right|{|}_1$

其中，符号y是初始图像的图层，D是与之对应的图层字典，α是图层字典的系数，λ控制着系数的稀疏程度；

(4-2)当y＝I_d，图层为细节图层，经过步骤(4-1)的系数学习之后，得到的重构后的细节层

7.根据权利要求1所述的人脸图像美化方法，其特征在于，所述步骤(5)中，细节图层增强具体为：

(5-1)对细节图层进行二值化操作，得到二值化模板I_m；

(5-2)根据二值化模板I_m和原始细节层I_d信息，进行细节图层增强：

$I_d*(x,y)=\left\{\begin{array}{cc}{I}_d(x,y),& I_m(x,y)=1\\ I_d*(x,y),& I_m(x,y)=0\end{array}\right..$

8.根据权利要求1所述的人脸图像美化方法，其特征在于，所述步骤(6)中，图层融合具体为：

(6-1)步骤(5)得到的细节图层与I_L融合得到亮度空间；

(6-2)将亮度空间与颜色空间融合，得到最后的美化人脸图像。