CN107491746A - 一种基于大梯度像素分析的人脸预筛选方法 - Google Patents
一种基于大梯度像素分析的人脸预筛选方法 Download PDFInfo
- Publication number
- CN107491746A CN107491746A CN201710654229.0A CN201710654229A CN107491746A CN 107491746 A CN107491746 A CN 107491746A CN 201710654229 A CN201710654229 A CN 201710654229A CN 107491746 A CN107491746 A CN 107491746A
- Authority
- CN
- China
- Prior art keywords
- pixel
- face
- mrow
- big gradient
- gradient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明所提供的一种基于大梯度像素分析的人脸预筛选方法,包括以下步骤:(1)计算待筛选图像中每一个像素的梯度值;(2)根据设定阈值,选取大梯度像素;(3)对经过步骤(2)处理后的图片归一化处理,对每一个大梯度像素,评估其成为候选点的概率值,确定筛选到的人脸区域。本方法通过计算梯度值对图像上的像素进行筛选,大大减少了需要计算成为候选点概率值的像素的数目,而且在计算概率值时采用积分图技术,极大提高了人脸预筛选的速度,该方法还采取了非极大值抑制技术,进一步提高了确定人脸位置的准确度。
Description
技术领域
本发明涉及一种应用于人脸识别技术领域,具体涉及一种基于大梯度像素分析的人脸预筛选方法。
背景技术
人脸检测是人工智能技术中的核心技术,而当前人脸检测技术在实时性方面,受到很大的限制,根本原因就是为了得到人脸的位置,需要用各种不同尺寸的窗体,在图像中进行多次遍历扫描,从而使得计算量非常庞大,导致检测费时,无法达到实时要求。
发明内容
为解决上述技术问题,本发明的目的在于提供一种基于大梯度像素分析的人脸预筛选方法,能够对图像中的人脸进行快速筛选,确定人脸位置,为后续的人脸识别进行预处理,从而提高人脸识别的速度。
为实现上述技术目的,本发明提供一种基于大梯度像素分析的人脸预筛选方法,具体包括以下步骤:
(1)计算待筛选图像中每一个像素的梯度值G(x,y);
(2)根据设定阈值th,选取大梯度像素;
(3)对经过步骤(2)处理后的图片归一化处理,对每一个大梯度像素,评估其成为候选点的概率值,确定筛选到的人脸区域。
具体地说,步骤(1)中,采用sobel算子计算待筛选图像中每一个像素的梯度值G(x,y)。
具体地说,步骤(2)中选取大梯度像素的方法为:
其中,L表示经过检测之后的大梯度图像,其中的每一个像素G(x,y)>th时,该像素的L(x,y)值设为1,表示当前像素为大梯度像素;反之,L(x,y)设为0,表示当前像素不是大梯度像素。
具体地说,步骤(3)的具体过程为:以该像素为中心,根据样本尺寸,绘制矩形框,统计该矩形框内所有大梯度像素的总数目N,然后,根据均值mean_N和标准差sigma_N,得到该像素成为候选点的概率,计算概率值的方法如下:
概率值低于特定值p的,算作背景,概率高于或等于特定值p的,该像素点为候选点,以该像素点为中心的矩形框内区域为筛选到的人脸区域;其中,对人脸样本库中的图像归一化处理,计算每张图片中大梯度像素数目,由工程经验,该数目服从高斯分布,得到均值mean_N和标准差sigma_N。
具体地说,所述阈值th的取值过程为:首先针对人脸样本库中的图像,计算每一个像素梯度G(x,y)',然后人工调整阈值th的大小,保证所有样本对应的梯度图像中,当留取G(x,y)'>th的像素点时,人脸的轮廓、五官能够清晰可见,将此时的th,作为大梯度像素提取对应的阈值参数。
具体地说,所述步骤(3)还包括非极大值抑制过程:
(3.1)对经过步骤(2)处理后的图片归一化处理,对每一个大梯度像素,评估其成为候选点的概率,具体过程为:以该像素为中心,根据待筛选图像尺寸,绘制矩形框,统计该矩形框内所有大梯度像素的总数目N,然后,根据均值mean_N和标准差sigma_N,得到该像素成为候选点的概率;计算概率值的方法如下:
概率值低于特定值p的,算作背景,概率高于等于特定值p的,该像素点为候选点;
(3.2)以该候选点为中心绘制一个小矩形框,计算该小矩形框内其他像素成为候选点的概率值,若存在另一像素pix具有最大概率值,则将该中心像素点的概率值设为0,以像素pix为中心的矩形框区域为筛选出的人脸区域。
在步骤(3.2)中,计算矩形框中非中心像素的的概率值过程中,对大梯度像素数目N的统计,采用积分图技术。
具体地说,所述特定值p为0.3。
由以上技术方案可知,本发明所提供的一种基于大梯度像素分析的人脸预筛选方法,使用sobel算子计算图像中每一个像素的梯度值,并筛选出大梯度像素;然后计算每一个大梯度像素成为候选点的概率值,从而确定人脸位置,该方法对图像像素点的遍历次数少,能够提高预筛选的速度;该方法还采取了非极大值抑制技术,进一步提高了确定人脸位置的准确性;在候选像素点的筛选过程中,还采用了积分图技术,可以进一步提高筛选速度。
附图说明
(1)图1是本发明的步骤流程图。
具体实施方式
下面结合附图对本发明做进一步说明:
请参阅图1,本实施例中所提供的基于梯度方向的头发分向判断方法,具体包括以下步骤:
(1)采用sobel算子计算待筛选图像中每一个像素的梯度值G(x,y);
方法如下:sobel算子水平模板和垂直模板如下:
该算子包含两组3x3的矩阵,分别为横向及纵向,将之与图像作平面卷积,即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值,其公式如下:
像素的梯度值则采用下面的公式来快速计算:
|G|=|Gx|+|Gy|;
(2)根据设定阈值th,选取大梯度像素;具体方法为:
其中,L表示经过检测之后的大梯度图像,其中的每一个像素G(x,y)>th时,该像素的L(x,y)值设为1,表示当前像素为大梯度像素;反之,L(x,y)设为0,表示当前像素不是大梯度像素;
阈值th的设定过程为:首先针对人脸样本库中的图像,计算每一个像素梯度G(x,y)',然后人工调整阈值th的大小,保证所有样本对应的梯度图像中,当留取G(x,y)'>th的像素点时,人脸的轮廓、五官能够清晰可见,将此时的th,作为大梯度像素提取对应的阈值参数;
(3)对经过步骤(2)处理后的图片归一化处理,对每一个大梯度像素,以该大梯度像素为中心,根据样本尺寸绘制矩形框,统计该矩形框内所有大梯度像素的总数目N,然后,根据均值mean_N和标准差sigma_N,得到该像素成为候选点的概率,计算概率值的方法如下:
若概率值低于特定值p=0.3的,该矩形框内区域算作背景,概率高于或等于特定值p=0.3的,该像素点为候选点;其中,对人脸样本库中的图像归一化处理,计算每张图片中大梯度像素数目,由工程经验,该数目服从高斯分布,得到均值mean_N和标准差sigma_N。
(4)以经步骤(3)筛选出的候选点为中心,绘制一个小矩形框,计算该小矩形框内其他大梯度像素成为候选点的概率值,若存在另一像素pix具有最大概率值,则将该中心像素点的概率值设为0,以像素pix为中心的矩形框区域为筛选出的人脸区域。
作为一种优选,在步骤(3)中,计算每一个大梯度像素成为候选点的概率值时,统计以每一个大梯度像素点为中心的矩形框内的大梯度像素数目可以采用积分图技术。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种基于大梯度像素分析的人脸预筛选方法,其特征在于:包括以下步骤:
(1)计算待筛选图像中每一个像素的梯度值G(x,y);
(2)根据设定阈值th,选取大梯度像素;
(3)对经过步骤(2)处理后的图片归一化处理,对每一个大梯度像素,评估其成为候选点的概率值,确定筛选到的人脸区域。
2.根据权利要求1所述的基于梯度像素分析的人脸预筛选方法,其特征在于:步骤(1)中,采用sobel算子计算待筛选图像中每一个像素的梯度值G(x,y)。
3.根据权利要求1所述的基于梯度像素分析的人脸预筛选方法,其特征在于:步骤(2)中选取大梯度像素的方法为:
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
<mo>,</mo>
<mi>G</mi>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo>></mo>
<mi>t</mi>
<mi>h</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
<mo>,</mo>
<mi>G</mi>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
<mo><</mo>
<mi>t</mi>
<mi>h</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,L表示经过检测之后的大梯度图像,其中的每一个像素G(x,y)>th时,该像素的L(x,y)值设为1,表示当前像素为大梯度像素;反之,L(x,y)设为0,表示当前像素不是大梯度像素。
4.根据权利要求1所述的基于梯度像素分析的人脸预筛选方法,其特征在于:步骤(3)的具体过程为:以该大梯度像素为中心,根据样本尺寸,绘制矩形框,统计该矩形框内所有大梯度像素的总数目N,然后,根据均值mean_N和标准差sigma_N,得到该像素成为候选点的概率,计算概率值的方法如下:
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<mo>*</mo>
<mi>s</mi>
<mi>i</mi>
<mi>g</mi>
<mi>m</mi>
<mi>a</mi>
<mo>_</mo>
<mi>N</mi>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>-</mo>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mo>_</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<mo>*</mo>
<mi>s</mi>
<mi>i</mi>
<mi>g</mi>
<mi>m</mi>
<mi>a</mi>
<mo>_</mo>
<msup>
<mi>N</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
概率值低于特定值p的,算作背景,概率高于或等于特定值p的,该像素点为候选点,以该像素点为中心的矩形框内区域为筛选到的人脸区域;其中,对人脸样本库中的图像归一化处理,计算每张图片中大梯度像素数目,由工程经验,该数目服从高斯分布,得到均值mean_N和标准差sigma_N。
5.根据权利要求1所述的基于梯度像素分析的人脸预筛选方法,其特征在于:所述阈值th的取值过程为:首先针对人脸样本库中的图像,计算每一个像素梯度G(x,y)',然后人工调整阈值th的大小,保证所有样本对应的梯度图像中,当留取G(x,y)'>th的像素点时,人脸的轮廓、五官能够清晰可见,将此时的th,作为大梯度像素提取对应的阈值参数。
6.根据权利要求1所述的基于梯度像素分析的人脸预筛选方法,其特征在于:所述步骤(3)还包括非极大值抑制过程:
(3.1)对经过步骤(2)处理后的图片归一化处理,对每一个大梯度像素,评估其成为候选点的概率,具体过程为:以该像素为中心,根据待筛选图像尺寸,绘制矩形框,统计该矩形框内所有大梯度像素的总数目N,然后,根据均值mean_N和标准差sigma_N,得到该像素成为候选点的概率;计算概率值的方法如下:
概率值低于特定值p的,算作背景,概率高于等于特定值p的,该像素点为候选点,以该像素点为中心的矩形框内区域为筛选到的人脸区域;
(3.2)以该像素点为中心绘制一个小矩形框,计算该小矩形框内其他像素成为候选点的概率值,若存在另一大梯度像素pix具有最大概率值,则将该中心像素点的概率值设为0,以像素pix为中心的矩形框区域为筛选出的人脸区域。
7.根据权利要求6所述的基于梯度像素分析的人脸预筛选方法,其特征在于:在步骤(3.2)中,计算矩形框中非中心像素的的概率值过程中,对大梯度像素数目N的统计,采用积分图技术。
8.根据权利要求3或6所述的基于梯度像素分析的人脸预筛选方法,其特征在于:所述特定值p为0.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710654229.0A CN107491746B (zh) | 2017-08-02 | 2017-08-02 | 一种基于大梯度像素分析的人脸预筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710654229.0A CN107491746B (zh) | 2017-08-02 | 2017-08-02 | 一种基于大梯度像素分析的人脸预筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107491746A true CN107491746A (zh) | 2017-12-19 |
CN107491746B CN107491746B (zh) | 2020-07-17 |
Family
ID=60644156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710654229.0A Active CN107491746B (zh) | 2017-08-02 | 2017-08-02 | 一种基于大梯度像素分析的人脸预筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107491746B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271903A (zh) * | 2018-09-02 | 2019-01-25 | 杭州晶智能科技有限公司 | 基于概率估计的红外图像人体识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1959702A (zh) * | 2006-10-10 | 2007-05-09 | 南京搜拍信息技术有限公司 | 人脸识别系统中的人脸特征点定位方法 |
CN101980242A (zh) * | 2010-09-30 | 2011-02-23 | 徐勇 | 人脸面相判别方法、系统及公共安全系统 |
CN104688251A (zh) * | 2015-03-02 | 2015-06-10 | 西安邦威电子科技有限公司 | 一种多姿态下的疲劳及非正常姿态驾驶检测方法 |
CN106529437A (zh) * | 2016-10-25 | 2017-03-22 | 广州酷狗计算机科技有限公司 | 一种人脸检测的方法和装置 |
CN106920211A (zh) * | 2017-03-09 | 2017-07-04 | 广州四三九九信息科技有限公司 | 美颜处理方法、装置以及终端设备 |
-
2017
- 2017-08-02 CN CN201710654229.0A patent/CN107491746B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1959702A (zh) * | 2006-10-10 | 2007-05-09 | 南京搜拍信息技术有限公司 | 人脸识别系统中的人脸特征点定位方法 |
CN101980242A (zh) * | 2010-09-30 | 2011-02-23 | 徐勇 | 人脸面相判别方法、系统及公共安全系统 |
CN104688251A (zh) * | 2015-03-02 | 2015-06-10 | 西安邦威电子科技有限公司 | 一种多姿态下的疲劳及非正常姿态驾驶检测方法 |
CN106529437A (zh) * | 2016-10-25 | 2017-03-22 | 广州酷狗计算机科技有限公司 | 一种人脸检测的方法和装置 |
CN106920211A (zh) * | 2017-03-09 | 2017-07-04 | 广州四三九九信息科技有限公司 | 美颜处理方法、装置以及终端设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271903A (zh) * | 2018-09-02 | 2019-01-25 | 杭州晶智能科技有限公司 | 基于概率估计的红外图像人体识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107491746B (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104299008B (zh) | 基于多特征融合的车型分类方法 | |
CN108121984B (zh) | 一种字符识别方法及装置 | |
CN103984961B (zh) | 一种用于检测车底异物的图像检测方法 | |
WO2016066038A1 (zh) | 一种图像主体提取方法及系统 | |
CN101877127B (zh) | 基于梯度剖面的图像无参考质量评价方法及系统 | |
CN107330390B (zh) | 一种基于图像分析和深度学习的人数统计方法 | |
CN104299009B (zh) | 基于多特征融合的车牌字符识别方法 | |
CN111126399A (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
CN107665492A (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
CN109636824A (zh) | 一种基于图像识别技术的多目标计数方法 | |
WO2019114145A1 (zh) | 监控视频中人数检测方法及装置 | |
CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
CN109859160A (zh) | 基于机器视觉的铝镁合金铸件内部缺陷图像识别方法 | |
CN110390673A (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
CN104574363B (zh) | 一种考虑梯度方向差异的全参考图像质量评价方法 | |
CN108830856A (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
CN104000593A (zh) | 一种色卡以及测试皮肤的方法和系统 | |
CN114022761A (zh) | 一种卫星遥感影像输电线路杆塔检测定位方法及装置 | |
US20170103536A1 (en) | Counting apparatus and method for moving objects | |
Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
CN104637060B (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 | |
CN106355615A (zh) | 一种基于hog与svm的马铃薯定位方法 | |
CN115731493A (zh) | 基于视频图像识别的降水微物理特征参量提取与分析方法 | |
CN103295238B (zh) | 安卓平台上基于roi运动检测的视频实时定位方法 | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 230000 Yafu Park, Juchao Economic Development Zone, Chaohu City, Hefei City, Anhui Province Applicant after: ANHUI HUISHI JINTONG TECHNOLOGY Co.,Ltd. Address before: 102, room 602, C District, Hefei National University, Mount Huangshan Road, 230000 Hefei Road, Anhui, China Applicant before: ANHUI HUISHI JINTONG TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |