CN109145724A - 基于人物面部图像特征分析的“四季型人”自动判别方法 - Google Patents

Abstract

本发明涉及一种基于人物面部图像特征分析的“四季型人”自动判别方法，包括：第一步，基于人脸区域数字图像选择皮肤、眼睛、嘴唇和眉毛四个面部关键区域；第二步，根据所建立的标注季节类型的人物图像数据库，分别为四个面部关键区域选择四种季节类型的样例；第三步，使用基于颜色直方图和灰度均值的区域色彩相似度算法，将待测图像每个关键区域的色彩依次与四种季节类型的对应区域样例进行色彩相似度比较，分别得出人物每个关键区域的季节类型；第四步，将四个关键区域的季节类型进行综合分析，得出人物整体的最终季节类型。与现有技术相比，本发明具有自动判别、客观分析、准确高效等优点。

Description

基于人物面部图像特征分析的“四季型人”自动判别方法

技术领域

本发明涉及“四季型人”判别四季色彩理论领域，尤其是涉及一种基于人物面部图像特征分析的“四季型人”自动判别方法。

背景技术

四季色彩理论是由色彩大师卡洛杰克逊最早提出的关于色彩学的理论。该理论将色彩按照其颜色冷暖、纯度和明度的不同，进行与四种季节类型相匹配的划分，其中“春”和“秋”是暖色系，“夏”和“冬”是冷色系。根据四季色彩理论，季节被用于形容颜色，不同的颜色由于给人的观感各有不同，它们都有自己所属的季节类型。比如，黑色、深紫色等明度低、纯度高的冷色系给人冷冽肃杀的观感，让人联想起寒冷的冬季；而浅灰、浅蓝等明亮的颜色给人充满活力的观感，让人联想起火热的夏季。同理，温暖的暖米色、珊瑚粉让人想起万物复苏的春天；高贵的象牙色和橘红给人以厚重、温和的秋天之感。四季色彩理论一经提出，便成了国际时尚界十分热门的话题。该理论在色彩季型划分与形象指导方面应用非常广泛。因此，基于该理论，时尚界流行起了“四季型人”的概念。顾名思义，“四季型人”是指将四季色彩理论应用于人物面部的自然颜色。人物肤色、发色、瞳色、唇色等的不同导致了给他人带来的观感的不同，比如，有些人拥有浅色的发色和瞳孔、暖米色的皮肤、珊瑚粉的唇色，她们往往给别人留下温暖炽热的感觉，如同春风拂面，让人感觉她们就是“春季型人”；而有些人拥有极度白皙且泛青色的皮肤、深色发紫的唇色、乌黑的头发和眼睛，她们则会给别人留下清冷严肃的感觉，让人感觉她们就是“冬季型人”。由于拥有不同颜色的面部特征，不同季节类型的人适合不同的妆容和服装的色彩搭配，搭配错误则会给人以“脏”、“脸色不好”的观感，因此“四季型人”的判断在彩妆与服饰搭配和形象指导方面有很大意义。

在对人物所属的季节类型进行判断时，往往会出现的问题是观感的冷暖基本基于主观判断，每个人的主观感受千差万别。目前现有的，对个人进行“四季型人”判断的方法主要是由专业的色彩顾问通过观察分析个人的肤色、瞳孔色和发色等自然色调，或者通过填写网络调查问卷来判断个人的季节类型，即春、夏、秋、冬四季之一，进而推荐适合该季节类型的服装或饰品色彩搭配。色彩顾问的判断与其自身的知识背景、个人经验具有强烈的关系，并且在时间和空间上不具有普适性；网络调查问卷中的题目对于大众而言较难给出最为准确的文字答案，而且判断结果强依赖于问卷的设计。

因此，如何通过分析人物图像的特征进而自动检测判断“四季型人”具有极其强烈的实际应用价值。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于人物面部图像特征分析的“四季型人”自动判别方法,不直接依赖于色彩顾问的个人专业经验和调研问卷的主观设计，具有自动判别、客观分析、准确高效等优点。

本发明的目的可以通过以下技术方案来实现：

一种基于人物面部图像特征分析的“四季型人”自动判别方法，该方法基于数字图像处理及特征分析技术，所述的方法具体包括以下步骤：

第一步，基于人脸区域数字图像选择皮肤、眼睛、嘴唇和眉毛四个面部关键区域，用作人物所属季节类型的指示器；

第二步，根据所建立的标注季节类型的人物图像数据库，分别为四个面部关键区域选择四种季节类型的样例；

第三步，使用基于颜色直方图和灰度均值的区域色彩相似度算法，将待测图像每个关键区域的色彩依次与四种季节类型的对应区域样例进行色彩相似度比较，分别得出人物每个关键区域的季节类型；

第四步，将四个关键区域的季节类型进行综合分析，得出人物整体的最终季节类型。

优选地，该方法直接从人脸面部区域的数字图像进行特征提取及分析，具体来讲，选取皮肤、眼睛、嘴唇和眉毛四个面部关键区域作为人物季节类型的指示器，综合分析后得出该人物的“四季型人”季节类型。

优选地，所述的第二步建立的“人物图像数据集”并设定了关键区域季节类型样例，其中人物图像数据库由通过拍摄或互联网收集得到的高分辨率和高质量彩色图像组成，图像能够清晰显示15～55岁女性人物的面部区域，并在人物图像数据库的基础上为皮肤、眼睛、嘴唇和眉毛四个面部关键区域分别选择了四种季节类型的典型样例。

优选地，所述的面部区域包括双侧眉毛、双侧瞳孔、无遮挡的面部皮肤和嘴唇。

优选地，所述的高分辨率和高质量彩色图像为分辨率大于1920×1080的彩色图像。

优选地，所述的第三步具体步骤包括：

S1、将区域图像的空间分辨率调整为50*50，并对像素点进行灰度化处理，采用RGB色彩空间进行灰度映射，转化公式为：

Gray＝R×0.299+G×0.587+B×0.114

S2、在同一坐标系中绘制出四张不同季节样例的颜色概率分布曲线和待测图像的颜色概率分布曲线，作一直线y＝a将曲线进行分割，只考虑此直线上方的曲线区域，将处理后的曲线记为S(x)；

S3、定义图像的灰度均值gl_avg：

灰度均值gl_avg是图像中出现频率大于0.010的像素点所对应的灰度值的加权平均数，反映了整张图像的色彩特征；

S4、定义两张图像的灰度均值差为avg_diff，它们的灰度均值分别为gl_avg1和gl_avg2，则：

avg_diff＝abs(gl_avg1-gl_avg2)

计算四个样例中每相邻一对样例的avg_diff的平均值，记为tem_sim，其中tem_sim被视为评价为“相似”的基准值，即如果两张图像的avg_diff大于tem_sim，那么认为这两张图像不相似；也就是说，如果待测图像与某季节样例的avg_diff超过tem_sim，那么本文认为待测图像完全不属于这个季节，与这个季节的相似度为0；

其中avg_diff_相邻1、avg_diff_相邻2和avg_diff_相邻3分别为三个相邻图像的灰度均值差；

5、计算被测试图像与样例的色彩相似度avg_similar，avg_similar是1减去二者灰度均值差avg_diff与基准值tem_sim的比值；若avg_similar<0，意味着二者的灰度均值差超过了基准值，被认为完全不相似，此时取avg_similar＝0；avg_similar的值位于[0,1]区间内，0为完全不相似，1为极度相似；这个色彩相似度被看做被测试图像与对应季节类型的相似度，

优选地，所述的S2中的a取值为0.01。

优选地，所述的第四步采用加权平均的算法，给每个指示器分配权重系数coe，人物整体与某个季节的相似程度similar_spring由四个指示器与该季节的相似程度求加权平均数而得出，

similar_spring＝coe_skin×skin_sim_spring+coe_lip×lip_sim_spring

+coe_brow×brow_sim_spring+coe_eye×eye_sim_spring

其中coe_skin为皮肤分配权重系数，skin_sim_spring为皮肤与该季节对应的相似程度，coe_lip为嘴唇分配权重系数，lip_sim_spring为嘴唇与该季节对应的相似程度，coe_brow为眉毛分配权重系数，brow_sim_spring为眉毛与该季节对应的相似程度，coe_eye为眼睛分配权重系数，eye_sim_spring为眼睛与该季节对应的相似程度。

与现有技术相比，本发明具有以下优点：

(1)此方法与传统的“四季型人”判别方法的不同之处在于，传统方法由专业的色彩顾问进行主观判断，或强依赖于主观设计的调研问卷进行判断，这两种方法均强烈依赖于主观经验，在时间空间上不具有普适性。在本方法中，采用客观计算的方式进行判断，直接从一幅人物面部数字图像中进行特征提取及分析，进而计算得出该人物所属的季节类型。

(2)基于颜色直方图和灰度均值的区域色彩相似度算法，摒弃了像素灰度概率接近于零的大量像素点，聚焦于像素灰度概率较高且分布较为集中的像素点，提高了比对运算的速度与结果的精确度。

(3)建立了依据四季色彩理论对人物季节类型分类的图像数据集，并从数据源、图像质量、图像内容、专家小组、专家评分等多个方面对该图像库进行了严格的规定，使之符合“四季型人”判别的实际需求，使客观判别结果与主观评价之间尽量保持一致性和稳定性。

(4)对提取到的四个关键面部区域分别进行了色彩相似度判别并进行了季节归属判断，根据“四季型人”色彩理论及主观观察经验，对不同的区域赋予相应的权值，综合计算得到人物的归属季节类型，提高了季节判断的准确性。

附图说明

图1为本发明基于数字图像处理技术进行“四季型人”自动判断的总体示意图；

图2(a)为本发明基于特征提取的关键部位皮肤的季节样例示意图；

图2(b)为本发明基于特征提取的关键部位嘴唇的季节样例示意图；

图2(c)为本发明基于特征提取的关键部位眉毛的季节样例示意图；

图2(d)为本发明基于特征提取的关键部位眼睛的季节样例示意图；

图3(a)为本发明四季唇色样例取样示意图；

图3(b)为本发明唇色归类测试图像示意图；

图3(c)为本发明剔除唇色颜色直方图中的无关点；

图4为本发明基于人物面部图像进行“四季型人”自动判断的系统模块图。

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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

图1为基于数字图像处理技术进行“四季型人”自动判断的总体方案。由于皮肤、嘴唇、眉毛、瞳孔四个部位在面部占比大，其色彩可以给他人留下深刻印象，极大程度上的决定了人物带给他人“冷”或“暖”的主观感受，而且数据集中被标注为相同季节类型的人物大多拥有相似的肤色、唇色、眉色和瞳色，因此皮肤、嘴唇、眉毛、瞳孔四个面部重点部位可以用作人物季节类型的指示器，以这些重点部位的颜色，即肤色、唇色、发色、瞳色四个指标作为评价指标对图像人物进行季节归类。为了提高季节判断的准确性，为每个面部重点部位分别选择了四种季节类型的典型样例作为模板(如图2(a)-(d)所示)，从这些模板样例中提取的颜色被作为该季节类型判断的基准值，被测试图像与样例的颜色相似度被认为是该部位与样例季节类型的相似度。图像中的人物与四种季节类型的相似度由四个面部重点部位相似度的综合计算得出，并给出季节归属判断结果。

由图1可知，基于人物面部图像进行“四季型人”综合判断时，可以分别得到图像中人物的唇色、肤色、眉色、瞳色分别与春季、夏季、秋季、冬季的相似度，再采用加权平均的方法将四个指示器表现出的季节特征综合起来，得出人物整体的季节特征。

similar_spring＝coe_skin×skin_sim_spring+coe_lip×lip_sim_spring

+coe_brow×brow_sim_spring+coe_eye×eye_sim_spring

具体设置为：

(1)由于肤色在面部占据绝大部分，对人物的观感和所属季节类型的影响程度极大，深肤色与浅肤色对于对该人物进行“冷”、“暖”的判断也有极大的影响。因此，给“肤色”分配0.40的权重系数，即coeskin＝0.40。

(2)不同人之间的唇色差异也比较明显，苍白的秋季唇色类型与浓郁发紫的冬季唇色类型有非常大的观感差异。因此，给“唇色”分配0.40的权重系数，即coelip＝0.40。

(3)由于大多数人的眉色集中在深棕或浅棕这一颜色区间，不同季节类型人物之间的差别并不是非常显著，而且眉毛在面部占有少数区域，因此给“眉色”分配0.15的权重系数，即coebrow＝0.15。

(4)由于虹膜的颜色在图像中受眼睛反光影响严重，而且所有人的瞳孔部分都接近于黑色，通俗意义上的“瞳色”实际上是指虹膜的颜色，而在图像中虹膜所占部分极少。更重要的是，人类的瞳色在面部只占极小的面积，基本不影响对人物进行季节判断，因此给“瞳色”分配0.05的权重系数，即coeeye＝0.05。

对人物进行季节归属自动判断的具体操作为：

(1)计算该人物在“唇色”、“肤色”、“眉色”、“瞳色”四个指示器上分别与春季、夏季、秋季、冬季的相似度。

(2)计算该人物分别与春季、夏季、秋季、冬季的综合相似度，与主观判断进行比较分析。

其中，上述操作步骤(1)，以“唇色”为例，具体计算方法为：

<1>将f1和四季样例都进行灰度和规则化处理，在同一坐标系中绘制出四张不同季节样例的颜色概率分布曲线和f1的颜色概率分布曲线，作一直线y＝0.010，在后续步骤中只考虑此直线上方的区域，处理后的曲线分别记为S春季(x)(黄色)、S夏季(x)(绿色)、S秋季(x)(红色)、S冬季(x)(黑色)、Sf1(x)(蓝色)。

<2>分别计算图像的灰度均值gl_avg，若表1所示：

表1唇部灰度均值

<3>计算样例之间的avg_diff和tem_sim，如表2所示：

表2唇部样例相似度

<4>计算f1与四季样例的色彩相似度avg_similar，这个色彩相似度被看做被测试图像与对应季节类型的相似度，如表3所示：

表3唇部被测试图像与四季的相似度

<5>季节归属判断：由于f1与秋季样例的色彩相似度avg_similar(S秋季(x))＝0.9035635110270218，最大，因此f1属于秋季型。

将以上步骤<1>～<5>应用于f2-f4进行季节归属判断。

图4为基于人物面部图像进行“四季型人”自动判断的系统模块图。基于本发明可实现“四季型人”自动检测系统，系统的设计目标是当用户上传一张正面人物图像时，可依据本发明的判断方法返回季节判断雷达图及计算数值来表示图像中人物与四种季节类型的相似度。系统的主要设计思想是首先对用户上传的正面图像进行人脸识别及关键点划分，划分出四个关键部位；其次将关键部位分别进行季节类型归类并计算与四种季节类型的匹配程度；最后综合计算关键部位的季节归类结果，得出对该人物所属季节类型的定性分析和定量判断。

系统分为面部识别模块、分区域的季节类型判断模块、综合计算模块和用户交互模块。

(1)面部识别模块。本模块接受用户交互模块传来的图像文件，自动识别图像中的人脸，并确定出人脸关键点的位置，根据人脸关键点的位置分割出唇部、肤色部、眉部、瞳孔的图像，分别传给分区域季节类型判断模块中不同的方法进行判断。

(2)分区域的季节类型判断模块。接收面部识别模块传来的关键位置分割，使用基于颜色直方图和灰度均值的区域色彩相似度算法，与内置的不同季节类型色彩样例进行比较，得出唇色、肤色、眉色、瞳色所指出的唇部、肤部、眉部、瞳部所属的季节类型。

(3)综合计算模块。将分区域的季节类型判断模块传来的四个面部关键区域的季节类型判断结果进行综合计算，得出人物整体所属季节类型判断的定性和定量结果，返回给用户交互模块进行展示。

(4)用户交互模块。用户从本地选择图像上传，进行“四季型人”的判断，判断结果在另一窗口以雷达图、文字、数据的形式进行直观展示。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于人物面部图像特征分析的“四季型人”自动判别方法，该方法基于数字图像处理及特征分析技术，其特征在于，所述的方法具体包括以下步骤：

第一步，基于人脸区域数字图像选择皮肤、眼睛、嘴唇和眉毛四个面部关键区域，用作人物所属季节类型的指示器；

第二步，根据所建立的标注季节类型的人物图像数据库，分别为四个面部关键区域选择四种季节类型的样例；

第三步，使用基于颜色直方图和灰度均值的区域色彩相似度算法，将待测图像每个关键区域的色彩依次与四种季节类型的对应区域样例进行色彩相似度比较，分别得出人物每个关键区域的季节类型；

第四步，将四个关键区域的季节类型进行综合分析，得出人物整体的最终季节类型。

2.根据权利要求1所述的方法，其特征在于，该方法直接从人脸面部区域的数字图像进行特征提取及分析，具体来讲，选取皮肤、眼睛、嘴唇和眉毛四个面部关键区域作为人物季节类型的指示器，综合分析后得出该人物的“四季型人”季节类型。

3.根据权利要求1所述的方法，其特征在于，所述的第二步建立的“人物图像数据集”并设定了关键区域季节类型样例，其中人物图像数据库由通过拍摄或互联网收集得到的高分辨率和高质量彩色图像组成，图像能够清晰显示15～55岁女性人物的面部区域，并在人物图像数据库的基础上为皮肤、眼睛、嘴唇和眉毛四个面部关键区域分别选择了四种季节类型的典型样例。

4.根据权利要求3所述的方法，其特征在于，所述的面部区域包括双侧眉毛、双侧瞳孔、无遮挡的面部皮肤和嘴唇。

5.根据权利要求3所述的方法，其特征在于，所述的高分辨率和高质量彩色图像为分辨率大于1920×1080的彩色图像。

6.根据权利要求1所述的方法，其特征在于，所述的第三步具体步骤包括：

S1、将区域图像的空间分辨率调整为50*50，并对像素点进行灰度化处理，采用RGB色彩空间进行灰度映射，转化公式为：

Gray＝R×0.299+G×0.587+B×0.114

S2、在同一坐标系中绘制出四张不同季节样例的颜色概率分布曲线和待测图像的颜色概率分布曲线，作一直线y＝a将曲线进行分割，只考虑此直线上方的曲线区域，将处理后的曲线记为S(x)；

S3、定义图像的灰度均值gl_avg：

灰度均值gl_avg是图像中出现频率大于0.010的像素点所对应的灰度值的加权平均数，反映了整张图像的色彩特征；

S4、定义两张图像的灰度均值差为avg_diff，它们的灰度均值分别为gl_avg1和gl_avg2，则：

avg_diff＝abs(gl_avg1-gl_avg2)

计算四个样例中每相邻一对样例的avg_diff的平均值，记为tem_sim，其中tem_sim被视为评价为“相似”的基准值，即如果两张图像的avg_diff大于tem_sim，那么认为这两张图像不相似；也就是说，如果待测图像与某季节样例的avg_diff超过tem_sim，那么本文认为待测图像完全不属于这个季节，与这个季节的相似度为0；

其中avg_diff_相邻1、avg_diff_相邻2和avg_diff_相邻3分别为三个相邻图像的灰度均值差；

S5、计算被测试图像与样例的色彩相似度avg_similar，avg_similar是1减去二者灰度均值差avg_diff与基准值tem_sim的比值；若avg_similar<0，意味着二者的灰度均值差超过了基准值，被认为完全不相似，此时取avg_similar＝0；avg_similar的值位于[0,1]区间内，0为完全不相似，1为极度相似；这个色彩相似度被看做被测试图像与对应季节类型的相似度，

7.根据权利要求6所述的方法，其特征在于，所述的S2中的a取值为0.01。

8.根据权利要求1所述的方法，其特征在于，所述的第四步采用加权平均的算法，给每个指示器分配权重系数coe，人物整体与某个季节的相似程度similar_spring由四个指示器与该季节的相似程度求加权平均数而得出，

similar_spring＝coe_skin×skin_sim_spring+coe_lip×lip_sim_spring

+coe_brow×brow_sim_spring+coe_eye×eye_sim_spring

其中coe_skin为皮肤分配权重系数，skin_sim_spring为皮肤与该季节对应的相似程度，coe_lip为嘴唇分配权重系数，lip_sim_spring为嘴唇与该季节对应的相似程度，coe_brow为眉毛分配权重系数，brow_sim_spring为眉毛与该季节对应的相似程度，coe_eye为眼睛分配权重系数，eye_sim_spring为眼睛与该季节对应的相似程度。