CN107945137A - 人脸检测方法、电子设备及存储介质 - Google Patents
人脸检测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN107945137A CN107945137A CN201711276618.0A CN201711276618A CN107945137A CN 107945137 A CN107945137 A CN 107945137A CN 201711276618 A CN201711276618 A CN 201711276618A CN 107945137 A CN107945137 A CN 107945137A
- Authority
- CN
- China
- Prior art keywords
- image
- candidate face
- mrow
- pixel value
- pending
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title claims description 11
- 238000005286 illumination Methods 0.000 claims abstract description 151
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 230000001815 facial effect Effects 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims description 14
- 238000005303 weighing Methods 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种人脸检测方法，包括：获取待处理图像；确定所述待处理图像的光照场景类型；根据所述待处理图像的光照场景类型，调整所述待处理图像的像素值，得到调整后的图像；基于第一检测阈值，对调整后的图像进行检测，确定多个候选人脸图像；对所述多个候选人脸图像中每个候选人脸图像进行像素均衡化，确定每个候选人脸图像对应的均衡化后的图像；对每个候选人脸图像对应的均衡化后的图像进行光照调整，确定每个候选人脸图像对应的调整后的候选人脸图像；基于第二检测阈值，对每个候选人脸图像对应的调整后的候选人脸图像进行检测，确定人脸图像，所述第二检测阈值大于第一检测阈值。本发明提高了人脸检测的召回率和准确率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种人脸检测方法、电子设备及存储介质。
背景技术
目前人工智能领域会涉及到对图片进行人脸检测。但是由于现实的场景比较复杂，比如光照，光照的强度，角度的变化都会对检测的召回率产生比较大的影响。目前采用的解决方案是对抓拍的图像做离散余弦变换或Gabor滤波后再进行检测，但结果表明原始图像经过DCT变换处理后，并不能完全去除光照在人脸上分布不均的影响，而且人脸的本真信息也难以被全部表达，另外Gabor滤波虽然能保持较好的光照统一性，但会造成一部分的低频信息丢失。因此，在光照变化明显，特别是强光或弱光场景下，大大降低了人脸检测的召回率和准确率。
发明内容
鉴于以上内容，有必要提供一种人脸检测方法，能根据图片所处的光照场景类型对图像的像素进行调整，降低光照对图片的影响，提高了人脸检测的召回率和准确率。
一种人脸检测方法，所述方法包括：
获取待处理图像；
确定所述待处理图像的光照场景类型；
根据所述待处理图像的光照场景类型，调整所述待处理图像的像素值，得到调整后的图像；
基于第一检测阈值，对调整后的图像进行检测，确定多个候选人脸图像；
对所述多个候选人脸图像中每个候选人脸图像进行像素均衡化，确定每个候选人脸图像对应的均衡化后的图像；
对每个候选人脸图像对应的均衡化后的图像进行光照调整，确定每个候选人脸图像对应的调整后的候选人脸图像；
基于第二检测阈值，对每个候选人脸图像对应的调整后的候选人脸图像进行检测，确定人脸图像，所述第二检测阈值大于第一检测阈值。
在可选实施中，所述确定所述待处理图像的光照场景类型包括：
获取多个光照场景类型中每种光照场景类型对应的平均像素值和；
计算所述待处理图像的像素值和；
计算所述待处理图像的像素值和与每种光照场景类型对应的平均像素值和的距离；
将与所述待处理图像的像素值和的距离最小的平均像素值和对应的光照场景类型作为所述待处理图像的光照场景类型。
在可选实施中，所述获取多个光照场景类型中每种光照场景类型对应的平均像素值和包括：
预先采集每种光照场景类型对应的多个样本图像；
计算每种光照场景类型对应的多个样本图像中每个样本图像的像素和；
基于每种光照场景类型中每个样本图像的像素和，计算每种光照场景类型对应的平均像素值和。
在可选实施中，所述根据所述待处理图像的光照场景类型，调整所述待处理图像的像素值包括：
当所述待处理图像的光照场景类型为强光类型时，将所述待处理图像调暗；或
当所述待处理图像的光照场景类型为弱光类型时，将所述待处理图像调亮；或
当所述待处理图像的光照场景类型为正常光类型时，保持将所述待处理图像不变。
在可选实施中，所述将所述待处理图像调暗包括：
利用第一调整公式，将所述待处理图像调暗，所述第一调整公式为：
其中为所述调整后的图像第i行第j列的像素值，I(i,j)为所述待处理图像的第i行第j列的像素值值，Peak为所述待处理图像的最大像素值。
在可选实施中，所述将所述待处理图像调亮包括：
利用第二调整公式，将所述待处理图像调亮，所述第二调整公式为：
其中为所述调整后的图像第i行第j列的像素值，I(i,j)为所述待处理图像的第i行第j列的像素值。
在可选实施中，所述对所述多个候选人脸图像中每个候选人脸图像进行像素均衡化，确定每个候选人脸图像对应的均衡化后的图像包括：
将每个候选人脸图像对应的均衡化后的图像划分成多个区块，得到每个候选人脸图像对应的多个区块；
利用直方图均衡化，对每个候选人脸图像对应的多个区块中的每个区块分别进行像素均衡化，得到每个候选人脸图像对应的均衡化后的图像。
在可选实施中，所述对每个候选人脸图像对应的均衡化后的图像进行光照调整，确定每个候选人脸图像对应的调整后的候选人脸图像包括：
对每个候选人脸图像对应的均衡化后的图像进行分区，得到每个候选人脸图像对应的多个区域；
利用伽马矫正算法，对每个候选人脸图像对应的多个区域中的每个区域分别进行伽马矫正，得到每个候选人脸图像对应的调整后的候选人脸图像。
一种电子设备，所述电子设备包括存储器及处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现任意实施例中所述人脸检测方法。
一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现任意实施例中任一项所述人脸检测方法。
由以上技术方案可以看出，本发明获取待处理图像；确定所述待处理图像的光照场景类型；根据所述待处理图像的光照场景类型，调整所述待处理图像的像素值，得到调整后的图像；基于第一检测阈值，对调整后的图像进行检测，确定多个候选人脸图像；对所述多个候选人脸图像中每个候选人脸图像进行像素均衡化，确定每个候选人脸图像对应的均衡化后的图像；对每个候选人脸图像对应的均衡化后的图像进行光照调整，确定每个候选人脸图像对应的调整后的候选人脸图像；基于第二检测阈值，对每个候选人脸图像对应的调整后的候选人脸图像进行检测，确定人脸图像，所述第二检测阈值大于第一检测阈值。本发明能根据图片所处的光照场景类型对图像的像素进行调整，降低光照对图片的影响，提高了人脸检测的召回率和准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明人脸检测方法的较佳实施例的流程图。
图2是本发明人脸检测装置的较佳实施例的功能模块图。
图3是本发明至少一个实例中电子设备的较佳实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，是本发明人脸检测方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
S10，电子设备获取待处理图像。
在发明中，所述待处理图像包括，但不限于：接收的图片，所述电子设备抓拍的图像，从所述电子设备的存储器中读取的图片等等。
S11，所述电子设备确定所述待处理图像的光照场景类型。
在本发明中，将图片拍摄场景的光照划分为多个光照场景类型。所述多个光照场景类型包括，但不限于：强光类型，弱光类型、正常光类型。所述待处理图像的光照场景类型为所述多个光照场景类型中的一种光照场景类型。后续根据所述待处理图像的光照场景类型，对所述待处理图像的像素值进行微调，以避免光照太强或者光照太弱给图片造成了失真，影响后续的人脸检测的精度。
需要说明的是，所述待处理图像的像素值包括，但不限于：所述待处理图像的灰度值，像素值的其他表示形式等等。后续涉及到任意图片(如待处理图像，对待处理图像处理后的图片等等)的像素值包括，但不限于：灰度值，像素值的其他表示形式等等
优选地，所述确定所述待处理图像的光照场景类型包括：
(a1)获取多个光照场景类型中每种光照场景类型对应的平均像素值和。
可选地，所述获取多个光照场景类型中每种光照场景类型对应的平均像素值和包括：预先采集每种光照场景类型对应的多个样本图像；计算每种光照场景类型对应的多个样本图像中每个样本图像的像素和；基于每种光照场景类型中每个样本图像的像素和，计算每种光照场景类型对应的平均像素值和。
例如，针对强光类型，预先采集3张强光光照下的样本图像，对这3张样本图像中的每张图片，计算像素和，得到像素和分别为100、120、200，再计算平均像素值和为(100+120+200)/3。
(a2)计算所述待处理图像的像素值和。
(a3)计算所述待处理图像的像素值和与每种光照场景类型对应的平均像素值和的距离。
在本发明的可选实施例中，用G表示所述待处理图像的像素值和，用GS表示强光类型对应的平均像素值和，用GN表示正常光类型对应的平均像素值和，用GW表示弱光类型对应的平均像素值和。
计算的大小，S表示所述待处理图像的像素值和与强光类型对应的平均像素值和的距离，N表示所述待处理图像的像素值和与弱光类型对应的平均像素值和的距离，W表示所述待处理图像的像素值和与正常光类型对应的平均像素值和的距离。
(a4)将与所述待处理图像的像素值和的距离最小的平均像素值和对应的光照场景类型作为所述待处理图像的光照场景类型。
在本发明中，如果W最小，则确定所述待处理图像的光照场景类型属于弱光照场景，如果N最小，则确定所述待处理图像的光照场景类型属于正常光照场景，如果S最小，则确定所述待处理图像的光照场景类型属于强光照场景。
S12，所述电子设备根据所述待处理图像的光照场景类型，调整所述待处理图像的像素值，得到调整后的图像。
在本发明的可选实施例中，所述根据所述待处理图像的光照场景类型，调整所述待处理图像的像素值包括：当所述待处理图像的光照场景类型为强光类型时，将所述待处理图像调暗；当所述待处理图像的光照场景类型为弱光类型时，将所述待处理图像调亮；当所述待处理图像的光照场景类型为正常光类型时，保持将所述待处理图像不变。
进一步地，利用第一调整公式，将所述待处理图像调暗，所述第一调整公式为：
其中为所述调整后的图像第i行第j列的像素值，I(i,j)为所述待处理图像的第i行第j列的像素值值，Peak为所述待处理图像的最大像素值。
进一步地，利用第二调整公式，将所述待处理图像调亮，所述第二调整公式为：
其中为所述调整后的图像第i行第j列的像素值，I(i,j)为所述待处理图像的第i行第j列的像素值。
通过上述的调整，对光照太强或者光照太弱的图像进行像素值的微调能够将光照太强的图像略微的变暗，光照太弱的图像略微变亮，使得进入后续操作的图像的像素值趋于一个稳定的分布，也能使得后续的人脸检测的精度更高。
S13，所述电子设备基于第一检测阈值，对调整后的图像进行检测，确定多个候选人脸图像。
在本发明的可选实施例中，设置所述第一检测阈值是比较低的一个阈值，这样利用人脸检测器对调整后的图像的多个区域进行检测，从所述多个区域中，筛选检测值大于或者等于所述第一检测阈值的区域作为所述候选人脸图像。这样能保证检测一副图像时就能获取到尽可能多的候选人脸图像，后续从多个候选人脸图像中挑选较优的人脸图像。
S14，所述电子设备对所述多个候选人脸图像中每个候选人脸图像进行像素均衡化，确定每个候选人脸图像对应的均衡化后的图像。
在可选实施例中，利用基于区域的直方图均衡化(Region-based HistogramEqualization，RHE)，对所述多个候选人脸图像中每个候选人脸图像进行像素均衡化，确定每个候选人脸图像对应的均衡化后的图像。
进一步地，包括：将每个候选人脸图像对应的均衡化后的图像划分成多个区块，得到每个候选人脸图像对应的多个区块；利用直方图均衡化，对每个候选人脸图像对应的多个区块中的每个区块分别进行像素均衡化，得到每个候选人脸图像对应的均衡化后的图像。例如，候选人脸图像为A、B，将A划分成四个区块A1、A2、A3、A4，再利用直方图均衡化，分别对A1、A2、A3、A4进行像素均衡化。当A1、A2、A3、A4都完成了像素均衡化后，就可以得到均衡化的图像AA。同理以同样的方法对B进行处理。
所述直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了像素灰度值的动态范围，从而可达到增强图像整体对比度的效果。因此，在图片受到光照角度的影响，侧向的光照会使得人脸的某些部分较暗，而另一部分较亮时，使用直方图均衡化，能使图片的像素灰度值呈均匀分布，这样能够有效的降低光照的影响。另外，分区域进行直方图均衡化的操作，更能增强局部的对比度而不影响整体的对比度，这样处理的图片就更符合实际中存在的光照场景。所述直方图均衡化是现有技术，本发明不再详述。
S15，所述电子设备对每个候选人脸图像对应的均衡化后的图像进行光照调整，确定每个候选人脸图像对应的调整后的候选人脸图像。
在本发明的可选实施中，对每个候选人脸图像对应的均衡化后的图像进行分区，得到每个候选人脸图像对应的多个区域；利用伽马矫正算法，对每个候选人脸图像对应的多个区域中的每个区域分别进行伽马矫正，得到每个候选人脸图像对应的调整后的候选人脸图像。
例如，候选人脸图像对应的均衡化后的图像为C、D，将A划分成四个区域C1、C2、C3、C4，再利用直方图均衡化，分别对C1、C2、C3、C4进行伽马矫正。当C1、C2、C3、C4都完成了伽马矫正后，就可以得到调整后的候选人脸图像CC。同理以同样的方法对D进行处理。
进一步地，对于任意一个区域，伽马矫正的公式如下：
其中γ为伽马系数，I(i,j)表示所述任意一个区域中第i行第j列的像素值，表示所述任意一个区域中矫正后的第i行第j列的像素值。
可选地，根据所述待处理图像所处的光照场景类型配置所述伽马系数，当所述待处理图像属于处于强光类型时，所述伽马系数小于1，当所述待处理图像属于处于弱光类型时，所述伽马系数大于1。这样更能可以提高图像的动态范围、对图像的对比度进行拉伸，减少光照对图像的影响，从而提高人脸检测的精度。另外，分区域进行伽马矫正，更能增强局部的对比度而不影响整体的对比度，这样处理的图片就更符合实际中存在的光照场景。
S16，所述电子设备基于第二检测阈值，对每个候选人脸图像对应的调整后的候选人脸图像进行检测，确定人脸图像。
在可选实施例中，所述第二检测阈值大于第一检测阈值，基于第二检测阈值对每个候选人脸图像对应的调整后的候选人脸图像进行检测，从多个调整后的候选人脸图像中，筛选检测值大于所述第二检测阈值的图片作为所述人脸图像。
本发明获取待处理图像；确定所述待处理图像的光照场景类型；根据所述待处理图像的光照场景类型，调整所述待处理图像的像素值，得到调整后的图像；基于第一检测阈值，对调整后的图像进行检测，确定多个候选人脸图像；对所述多个候选人脸图像中每个候选人脸图像进行像素均衡化，确定每个候选人脸图像对应的均衡化后的图像；对每个候选人脸图像对应的均衡化后的图像进行光照调整，确定每个候选人脸图像对应的调整后的候选人脸图像；基于第二检测阈值，对每个候选人脸图像对应的调整后的候选人脸图像进行检测，确定人脸图像，所述第二检测阈值大于第一检测阈值。本发明能根据图片所处的光照场景类型对图像的像素进行调整，降低光照对图片的影响，提高了人脸检测的召回率和准确率。
如图2所示，本发明人脸检测装置的较佳实施例的功能模块图。所述人脸检测装置11包括获取模块100、确定模块101、调整模块102及检测模块103。本发明所称的单元是指一种能够被人脸检测装置11的处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各单元的功能将在后续的实施例中详述。
所述获取模块100获取待处理图像。
在发明中，所述待处理图像包括，但不限于：接收的图片，所述电子设备抓拍的图像，从所述电子设备的存储器中读取的图片等等。
所述确定模块101确定所述待处理图像的光照场景类型。
在本发明中，将图片拍摄场景的光照划分为多个光照场景类型。所述多个光照场景类型包括，但不限于：强光类型，弱光类型、正常光类型。所述待处理图像的光照场景类型为所述多个光照场景类型中的一种光照场景类型。后续根据所述待处理图像的光照场景类型，对所述待处理图像的像素值进行微调，以避免光照太强或者光照太弱给图片造成了失真，影响后续的人脸检测的精度。所述待处理图像的像素值包括，但不限于：所述待处理图像的灰度值。
优选地，所述确定模块101确定所述待处理图像的光照场景类型包括：
(a1)获取多个光照场景类型中每种光照场景类型对应的平均像素值和。
可选地，所述获取多个光照场景类型中每种光照场景类型对应的平均像素值和包括：预先采集每种光照场景类型对应的多个样本图像；计算每种光照场景类型对应的多个样本图像中每个样本图像的像素和；基于每种光照场景类型中每个样本图像的像素和，计算每种光照场景类型对应的平均像素值和。
例如，针对强光类型，预先采集3张强光光照下的样本图像，对这3张样本图像中的每张图片，计算像素和，得到像素和分别为100、120、200，再计算平均像素值和为(100+120+200)/3。
(a2)计算所述待处理图像的像素值和。
(a3)计算所述待处理图像的像素值和与每种光照场景类型对应的平均像素值和的距离。
在本发明的可选实施例中，用G表示所述待处理图像的像素值和，用GS表示强光类型对应的平均像素值和，用GN表示正常光类型对应的平均像素值和，用GW表示弱光类型对应的平均像素值和。
计算的大小，S表示所述待处理图像的像素值和与强光类型对应的平均像素值和的距离，N表示所述待处理图像的像素值和与弱光类型对应的平均像素值和的距离，W表示所述待处理图像的像素值和与正常光类型对应的平均像素值和的距离。
(a4)将与所述待处理图像的像素值和的距离最小的平均像素值和对应的光照场景类型作为所述待处理图像的光照场景类型。
在本发明中，如果W最小，则确定所述待处理图像的光照场景类型属于弱光照场景，如果N最小，则确定所述待处理图像的光照场景类型属于正常光照场景，如果S最小，则确定所述待处理图像的光照场景类型属于强光照场景。
所述调整模块102根据所述待处理图像的光照场景类型，调整所述待处理图像的像素值，得到调整后的图像。
在本发明的可选实施例中，所述调整模块102根据所述待处理图像的光照场景类型，调整所述待处理图像的像素值包括：当所述待处理图像的光照场景类型为强光类型时，将所述待处理图像调暗；当所述待处理图像的光照场景类型为弱光类型时，将所述待处理图像调亮；当所述待处理图像的光照场景类型为正常光类型时，保持将所述待处理图像不变。
进一步地，所述调整模块102利用第一调整公式，将所述待处理图像调暗，所述第一调整公式为：
其中为所述调整后的图像第i行第j列的像素值，I(i,j)为所述待处理图像的第i行第j列的像素值值，Peak为所述待处理图像的最大像素值。
进一步地，所述调整模块102利用第二调整公式，将所述待处理图像调亮，所述第二调整公式为：
其中为所述调整后的图像第i行第j列的像素值，I(i,j)为所述待处理图像的第i行第j列的像素值。
通过上述的调整，对光照太强或者光照太弱的图像进行像素值的微调能够将光照太强的图像略微的变暗，光照太弱的图像略微变亮，使得进入后续操作的图像的像素值趋于一个稳定的分布，也能使得后续的人脸检测的精度更高。
所述确定模块101基于第一检测阈值，对调整后的图像进行检测，确定多个候选人脸图像。
在本发明的可选实施例中，设置所述第一检测阈值是比较低的一个阈值，这样利用人脸检测器对调整后的图像的多个区域进行检测，从所述多个区域中，筛选检测值大于或者等于所述第一检测阈值的区域作为所述候选人脸图像。这样能保证检测一副图像时就能获取到尽可能多的候选人脸图像，后续从多个候选人脸图像中挑选较优的人脸图像。
所述确定模块101对所述多个候选人脸图像中每个候选人脸图像进行像素均衡化，确定每个候选人脸图像对应的均衡化后的图像。
在可选实施例中，所述确定模块101利用基于区域的直方图均衡化(Region-basedHistogram Equalization，RHE)，对所述多个候选人脸图像中每个候选人脸图像进行像素均衡化，确定每个候选人脸图像对应的均衡化后的图像。
进一步地，所述确定模块101具体还用于：将每个候选人脸图像对应的均衡化后的图像划分成多个区块，得到每个候选人脸图像对应的多个区块；利用直方图均衡化，对每个候选人脸图像对应的多个区块中的每个区块分别进行像素均衡化，得到每个候选人脸图像对应的均衡化后的图像。例如，候选人脸图像为A、B，将A划分成四个区块A1、A2、A3、A4，再利用直方图均衡化，分别对A1、A2、A3、A4进行像素均衡化。当A1、A2、A3、A4都完成了像素均衡化后，就可以得到均衡化的图像AA。同理以同样的方法对B进行处理。
所述直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的形式，这样就增加了像素灰度值的动态范围，从而可达到增强图像整体对比度的效果。因此，在图片受到光照角度的影响，侧向的光照会使得人脸的某些部分较暗，而另一部分较亮时，使用直方图均衡化，能使图片的像素灰度值呈均匀分布，这样能够有效的降低光照的影响。另外，分区域进行直方图均衡化的操作，更能增强局部的对比度而不影响整体的对比度，这样处理的图片就更符合实际中存在的光照场景。所述直方图均衡化是现有技术，本发明不再详述。
所述确定模块101对每个候选人脸图像对应的均衡化后的图像进行光照调整，确定每个候选人脸图像对应的调整后的候选人脸图像。
在本发明的可选实施中，所述确定模块101对每个候选人脸图像对应的均衡化后的图像进行分区，得到每个候选人脸图像对应的多个区域；利用伽马矫正算法，对每个候选人脸图像对应的多个区域中的每个区域分别进行伽马矫正，得到每个候选人脸图像对应的调整后的候选人脸图像。
例如，候选人脸图像对应的均衡化后的图像为C、D，将A划分成四个区域C1、C2、C3、C4，再利用直方图均衡化，分别对C1、C2、C3、C4进行伽马矫正。当C1、C2、C3、C4都完成了伽马矫正后，就可以得到调整后的候选人脸图像CC。同理以同样的方法对D进行处理。
进一步地，对于任意一个区域，伽马矫正的公式如下：
其中γ为伽马系数，I(i,j)表示所述任意一个区域中第i行第j列的像素值，表示所述任意一个区域中矫正后的第i行第j列的像素值。
可选地，所述确定模块101根据所述待处理图像所处的光照场景类型配置所述伽马系数，当所述待处理图像属于处于强光类型时，所述伽马系数小于1，当所述待处理图像属于处于弱光类型时，所述伽马系数大于1。这样更能可以提高图像的动态范围、对图像的对比度进行拉伸，减少光照对图像的影响，从而提高人脸检测的精度。另外，分区域进行伽马矫正，更能增强局部的对比度而不影响整体的对比度，这样处理的图片就更符合实际中存在的光照场景。
所述检测模块103基于第二检测阈值，对每个候选人脸图像对应的调整后的候选人脸图像进行检测，确定人脸图像。
在可选实施例中，所述第二检测阈值大于第一检测阈值，所述检测模块103基于第二检测阈值对每个候选人脸图像对应的调整后的候选人脸图像进行检测，从多个调整后的候选人脸图像中，筛选检测值大于所述第二检测阈值的图片作为所述人脸图像。
本发明获取待处理图像；确定所述待处理图像的光照场景类型；根据所述待处理图像的光照场景类型，调整所述待处理图像的像素值，得到调整后的图像；基于第一检测阈值，对调整后的图像进行检测，确定多个候选人脸图像；对所述多个候选人脸图像中每个候选人脸图像进行像素均衡化，确定每个候选人脸图像对应的均衡化后的图像；对每个候选人脸图像对应的均衡化后的图像进行光照调整，确定每个候选人脸图像对应的调整后的候选人脸图像；基于第二检测阈值，对每个候选人脸图像对应的调整后的候选人脸图像进行检测，确定人脸图像，所述第二检测阈值大于第一检测阈值。本发明能根据图片所处的光照场景类型对图像的像素进行调整，降低光照对图片的影响，提高了人脸检测的召回率和准确率。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明每个实施例所述方法的部分步骤。
如图3所示，所述电子设备3包括至少一个发送装置31、至少一个存储器32、至少一个处理器33、至少一个接收装置34以及至少一个通信总线。其中，所述通信总线用于实现这些组件之间的连接通信。
所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。所述电子设备3还可包括网络设备和/或用户设备。其中，所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
所述电子设备3可以是，但不限于任何一种可与用户通过键盘、触摸板或声控设备等方式进行人机交互的电子产品，例如，平板电脑、智能手机、个人数字助理(PersonalDigital Assistant，PDA)、智能式穿戴式设备、摄像设备、监控设备等终端。
所述电子设备3所处的网络包括，但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
其中，所述接收装置34和所述发送装置31可以是有线发送端口，也可以为无线设备，例如包括天线装置，用于与其他设备进行数据通信。
所述存储器32用于存储程序代码。所述存储器32可以是集成电路中没有实物形式的具有存储功能的电路，如RAM(Random-Access Memory，随机存取存储器)、FIFO(First InFirst Out，)等。或者，所述存储器32也可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)、智能媒体卡(smart media card)、安全数字卡(secure digitalcard)、快闪存储器卡(flash card)等储存设备等等。
所述处理器33可以包括一个或者多个微处理器、数字处理器。所述处理器33可调用存储器32中存储的程序代码以执行相关的功能。例如，图2中所述的各个单元是存储在所述存储器32中的程序代码，并由所述处理器33所执行，以实现一种人脸检测方法。所述处理器33又称中央处理器(CPU，Central Processing Unit)，是一块超大规模的集成电路，是运算核心(Core)和控制核心(Control Unit)。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令当被包括一个或多个处理器的电子设备执行时，使电子设备执行如上文方法实施例所述的人脸检测方法。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明的各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种人脸检测方法，其特征在于，所述方法包括：
获取待处理图像；
确定所述待处理图像的光照场景类型；
根据所述待处理图像的光照场景类型，调整所述待处理图像的像素值，得到调整后的图像；
基于第一检测阈值，对调整后的图像进行检测，确定多个候选人脸图像；
对所述多个候选人脸图像中每个候选人脸图像进行像素均衡化，确定每个候选人脸图像对应的均衡化后的图像；
对每个候选人脸图像对应的均衡化后的图像进行光照调整，确定每个候选人脸图像对应的调整后的候选人脸图像；
基于第二检测阈值，对每个候选人脸图像对应的调整后的候选人脸图像进行检测，确定人脸图像，所述第二检测阈值大于第一检测阈值。
2.如权利要求1所述的人脸检测方法，其特征在于，所述确定所述待处理图像的光照场景类型包括：
获取多个光照场景类型中每种光照场景类型对应的平均像素值和；
计算所述待处理图像的像素值和；
计算所述待处理图像的像素值和与每种光照场景类型对应的平均像素值和的距离；
将与所述待处理图像的像素值和的距离最小的平均像素值和对应的光照场景类型作为所述待处理图像的光照场景类型。
3.如权利要求2所述的人脸检测方法，其特征在于，所述获取多个光照场景类型中每种光照场景类型对应的平均像素值和包括：
预先采集每种光照场景类型对应的多个样本图像；
计算每种光照场景类型对应的多个样本图像中每个样本图像的像素和；
基于每种光照场景类型中每个样本图像的像素和，计算每种光照场景类型对应的平均像素值和。
4.如权利要求1所述的人脸检测方法，其特征在于，所述根据所述待处理图像的光照场景类型，调整所述待处理图像的像素值包括：
当所述待处理图像的光照场景类型为强光类型时，将所述待处理图像调暗；或
当所述待处理图像的光照场景类型为弱光类型时，将所述待处理图像调亮；或
当所述待处理图像的光照场景类型为正常光类型时，保持将所述待处理图像不变。
5.如权利要求4所述的人脸检测方法，其特征在于，所述将所述待处理图像调暗包括：
利用第一调整公式，将所述待处理图像调暗，所述第一调整公式为：
<mrow>
<mover>
<mi>I</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mi>e</mi>
<mi>a</mi>
<mi>k</mi>
<mo>-</mo>
<mn>180</mn>
</mrow>
<mrow>
<mn>255</mn>
<mo>-</mo>
<mn>180</mn>
</mrow>
</mfrac>
<mo>*</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>180</mn>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mi>e</mi>
<mi>a</mi>
<mi>k</mi>
<mo>-</mo>
<mn>180</mn>
</mrow>
<mrow>
<mn>255</mn>
<mo>-</mo>
<mn>180</mn>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中为所述调整后的图像第i行第j列的像素值，I(i,j)为所述待处理图像的第i行第j列的像素值值，Peak为所述待处理图像的最大像素值。
6.如权利要求4所述的人脸检测方法，其特征在于，所述将所述待处理图像调亮包括：
利用第二调整公式，将所述待处理图像调亮，所述第二调整公式为：
<mrow>
<mover>
<mi>I</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>255</mn>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mn>255</mn>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mn>255</mn>
</mfrac>
<mo>,</mo>
</mrow>
其中为所述调整后的图像第i行第j列的像素值，I(i,j)为所述待处理图像的第i行第j列的像素值。
7.如权利要求1所述的人脸检测方法，其特征在于，所述对所述多个候选人脸图像中每个候选人脸图像进行像素均衡化，确定每个候选人脸图像对应的均衡化后的图像包括：
将每个候选人脸图像对应的均衡化后的图像划分成多个区块，得到每个候选人脸图像对应的多个区块；
利用直方图均衡化，对每个候选人脸图像对应的多个区块中的每个区块分别进行像素均衡化，得到每个候选人脸图像对应的均衡化后的图像。
8.如权利要求1所述的人脸检测方法，其特征在于，所述对每个候选人脸图像对应的均衡化后的图像进行光照调整，确定每个候选人脸图像对应的调整后的候选人脸图像包括：
对每个候选人脸图像对应的均衡化后的图像进行分区，得到每个候选人脸图像对应的多个区域；
利用伽马矫正算法，对每个候选人脸图像对应的多个区域中的每个区域分别进行伽马矫正，得到每个候选人脸图像对应的调整后的候选人脸图像。
9.一种电子设备，其特征在于，所述电子设备包括存储器及处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令以实现如权利要求1至8中任一项所述人脸检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至8中任一项所述人脸检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711276618.0A CN107945137B (zh) | 2017-12-06 | 2017-12-06 | 人脸检测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711276618.0A CN107945137B (zh) | 2017-12-06 | 2017-12-06 | 人脸检测方法、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107945137A true CN107945137A (zh) | 2018-04-20 |
| CN107945137B CN107945137B (zh) | 2020-04-14 |
Family
ID=61945906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711276618.0A Active CN107945137B (zh) | 2017-12-06 | 2017-12-06 | 人脸检测方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107945137B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110514406A (zh) * | 2019-07-12 | 2019-11-29 | 佛山市青松科技股份有限公司 | 一种led灯板的检测方法、电子设备及存储介质 |
| CN112686851A (zh) * | 2020-12-25 | 2021-04-20 | 合肥联宝信息技术有限公司 | 一种图像检测方法、装置及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101630363A (zh) * | 2009-07-13 | 2010-01-20 | 中国船舶重工集团公司第七○九研究所 | 复杂背景下彩色图像人脸的快速检测方法 |
| CN101916384A (zh) * | 2010-09-01 | 2010-12-15 | 汉王科技股份有限公司 | 一种人脸图像重建方法、装置及人脸识别系统 |
| CN103116756A (zh) * | 2013-01-23 | 2013-05-22 | 北京工商大学 | 一种人脸检测与跟踪方法及装置 |
| CN107220624A (zh) * | 2017-05-27 | 2017-09-29 | 东南大学 | 一种基于Adaboost算法的人脸检测方法 |
-
2017
- 2017-12-06 CN CN201711276618.0A patent/CN107945137B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101630363A (zh) * | 2009-07-13 | 2010-01-20 | 中国船舶重工集团公司第七○九研究所 | 复杂背景下彩色图像人脸的快速检测方法 |
| CN101916384A (zh) * | 2010-09-01 | 2010-12-15 | 汉王科技股份有限公司 | 一种人脸图像重建方法、装置及人脸识别系统 |
| CN103116756A (zh) * | 2013-01-23 | 2013-05-22 | 北京工商大学 | 一种人脸检测与跟踪方法及装置 |
| CN107220624A (zh) * | 2017-05-27 | 2017-09-29 | 东南大学 | 一种基于Adaboost算法的人脸检测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110514406A (zh) * | 2019-07-12 | 2019-11-29 | 佛山市青松科技股份有限公司 | 一种led灯板的检测方法、电子设备及存储介质 |
| CN110514406B (zh) * | 2019-07-12 | 2021-04-06 | 佛山市青松科技股份有限公司 | 一种led灯板的检测方法、电子设备及存储介质 |
| CN112686851A (zh) * | 2020-12-25 | 2021-04-20 | 合肥联宝信息技术有限公司 | 一种图像检测方法、装置及存储介质 |
| CN112686851B (zh) * | 2020-12-25 | 2022-02-08 | 合肥联宝信息技术有限公司 | 一种图像检测方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107945137B (zh) | 2020-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108830818B (zh) | 一种快速多聚焦图像融合方法 | |
| CN110675336A (zh) | 一种低照度图像增强方法及装置 | |
| CN110473137A (zh) | 图像处理方法和装置 | |
| CN111079764B (zh) | 一种基于深度学习的低照度车牌图像识别方法及装置 | |
| US20170109873A1 (en) | Image enhancement using self-examples and external examples | |
| JP2011521521A (ja) | 最適映像選択 | |
| CN109409210B (zh) | 一种基于ssd框架的人脸检测方法及系统 | |
| Maurya et al. | Contrast and brightness balance in image enhancement using Cuckoo Search-optimized image fusion | |
| JP2021531571A (ja) | 証明書画像抽出方法及び端末機器 | |
| CN108875767A (zh) | 图像识别的方法、装置、系统及计算机存储介质 | |
| CN106650615A (zh) | 一种图像处理方法及终端 | |
| CN109785264A (zh) | 图像增强方法、装置及电子设备 | |
| CN107333027A (zh) | 一种视频图像增强的方法和装置 | |
| CN107993189A (zh) | 一种基于局部分块的图像色调动态调节方法和装置 | |
| CN110049332A (zh) | 一种图像压缩方法、图像压缩装置及电子设备 | |
| CN111914908A (zh) | 一种图像识别模型训练方法、图像识别方法及相关设备 | |
| CN111882565B (zh) | 一种图像二值化方法、装置、设备及存储介质 | |
| CN105027161B (zh) | 图像处理方法和图像处理设备 | |
| Sandoub et al. | A low‐light image enhancement method based on bright channel prior and maximum colour channel | |
| CN107945137A (zh) | 人脸检测方法、电子设备及存储介质 | |
| CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
| Liu et al. | Low-light image enhancement based on membership function and gamma correction | |
| CN110473281A (zh) | 三维模型的描边处理方法、装置、处理器及终端 | |
| CN114022416A (zh) | 一种图像清晰度检测方法、装置、电子设备及存储介质 | |
| CN110619624B (zh) | 一种图像分解方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |