CN109214367A - 一种基于视觉注意机制的人脸检测方法 - Google Patents
一种基于视觉注意机制的人脸检测方法 Download PDFInfo
- Publication number
- CN109214367A CN109214367A CN201811252072.XA CN201811252072A CN109214367A CN 109214367 A CN109214367 A CN 109214367A CN 201811252072 A CN201811252072 A CN 201811252072A CN 109214367 A CN109214367 A CN 109214367A
- Authority
- CN
- China
- Prior art keywords
- saliency map
- visual saliency
- obtains
- picture
- human face
- 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.)
- Pending
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
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于视觉注意机制的人脸检测方法,具有如下步骤:S1、图片预处理:将输入的固定大小的RGB图片分别转换到YCrCb颜色空间和Lab颜色空间,分别对三个颜色空间的图片进行预处理;S2、获取视觉显著图:通过GBVS算法得到预处理后图片所对应的视觉显著图,选择合适的权值系数进行线性组合得到最终视觉显著图;S3、获取人脸区域:对最终视觉显著图进行阈值分割得到粗模板,再对其进行形态学操作得到细模板,根据细模板得到人脸区域。本发明利用视觉注意机制获取视觉显著图,消除了复杂环境下光照、姿态、遮挡等因素的影响,避免了人工选择人脸位置的问题,自动、准确检测出人脸区域。
Description
技术领域
本发明所属领域为图像处理,尤其涉及一种基于视觉注意机制的人脸检测方法。
背景技术
人脸检测是指对一幅图像进行检测,判断是否含有人脸;含有人脸时要确定出人脸区域所在位置。是否能够精确检测到人脸对后续的人脸识别环节至关重要。
目前的常用的人脸检测算法主要有基于几何特征的方法、基于模板的方法。基于几何特征的方法易忽略了局部细微特征,造成部分信息的丢失,且计算量较大;基于模板的方法根据先验数据归纳出一个特征脸模板,然后手动选择人眼位置,根据人眼间的距离及特征脸模板检测出人脸区域,耗时长且不具有自动检测的能力,不能获得良好的检测效果。
发明内容
针对现有技术的不足,本发明提供一种基于视觉注意机制的人脸检测方法。本发明采用的技术手段如下:
一种基于视觉注意机制的人脸检测方法,具有如下步骤:
S1、图片预处理:
因为不同的颜色空间会显示不同的颜色细节,将输入的固定大小的RGB图片分别转换到YCrCb颜色空间和Lab颜色空间,分别对三个颜色空间的图片进行预处理;
S2、获取视觉显著图:
通过GBVS算法得到预处理后图片所对应的视觉显著图,选择合适的权值系数进行线性组合得到最终视觉显著图;
S3、获取人脸区域:
对最终视觉显著图进行阈值分割得到粗模板,再对其进行形态学操作得到细模板,根据细模板得到人脸区域。
步骤S1中将输入的固定大小的RGB图片记为S1,将S1分别转换到YCrCb颜色空间和Lab颜色空间,分别记为S2和S3;
RGB颜色空间中选择合适的gamma值对S1进行伽马变换,以降低光线对图像效果的影响,得到S′1;
YCrCb颜色空间中对于S2不满足:133≤Cr≤173,77≤Cb≤127的像素,将其各个分量置为零,得到S′2;
YCrCb颜色空间中肤色检测受亮度影响很小,会产生很好的类聚,当某像素CrCb值满足133≤Cr≤173,77≤Cb≤127,该点被认为是肤色点,对于不满足的像素,将其各个分量置为零,得到S′2。
Lab颜色空间中将S3的a分量置零,得到S′3,Lab颜色空间图片是一种基于生理特性的颜色系统,以数字化方式来描述人的视觉感应,a分量表示从绿色至红色,b分量表示从蓝色至黄色,因此将a分量置零,得到S′3。
通过GBVS算法得到S′1、S′2、S′3所对应的视觉显著图I1,I2,I3。
计算视觉显著图I1,I2,I3权值系数的步骤如下:
计算视觉显著图的平均值和方差:
式中,h和w分别指的是视觉显著图的长和宽,Dn(i,j)代表了视觉显著图In某一像素(i,j)的值,Averagen和Sn则分别代表了视觉显著图In的灰度平均值和标准差,n=1,2,3;
kn=Sn n=1,2,3
kn代表了视觉显著图In所对应的原始权值系数,因为标准差越大,表明该视觉显著图中的内容区分越明显,因此将标准差作为原始权值系数;
权值进行归一化处理:
Kn代表了视觉显著图In所对应归一化后的权值系数;
最终视觉显著图为:
i=1、2、3,(x,y)只是为了表示像素位置。
所述步骤S3中,对最终视觉显著图I′进行阈值分割的具体步骤如下:
设I′最大灰度值为Tmax,最小灰度值为Tmin,分割阈值为t时,前景像素个数占图片比例为w0,平均灰度为u0,背景像素个数占图片比例为w1,平均灰度为u1;
I′的总平均灰度为:u=w0×u0+w1×u1;
前景与背景图像的方差:g=w0×(u-u0)2+w1×(u-u1)2;
联立上述两个等式得到:g=w0×w1×(u0-u1)2;
t在(Tmin,Tmax)范围内从小到大遍历,当g达到最大值时,此时的灰度值t0就是最佳的阈值,前景与背景的差别最大。,此时获得粗模板M1。
所述步骤S3中,对粗模板进行形态学操作的具体步骤如下:
对M1进行腐蚀,消除周围的细小斑点;
进行闭操作,完整的覆盖人脸区域,此时也存在封闭孔洞;
进行孔洞填充;
确定M1质心a和边缘,以及质心到边缘的最小距离r和最大距离d;
满足以下任一条件时即认为该图片中不含有人脸:
以质心a为中心,2r为边长做一个正方形,得到细模板M2。
根据细模板M2与S1进行匹配得到人脸区域。
与现有技术相比,本发明利用视觉注意机制获取视觉显著图,消除了复杂环境下光照、姿态、遮挡等因素的影响,避免了人工选择人脸位置的问题,自动、准确检测出人脸区域。
基于上述理由本发明可在图像处理等领域广泛推广。
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做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的基于视觉注意机制的人脸检测方法的流程图。
图2是本发明的实施例1的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
如图1所示,一种基于视觉注意机制的人脸检测方法,具有如下步骤:
S1、图片预处理:
将输入的固定大小的RGB图片分别转换到YCrCb颜色空间和Lab颜色空间,分别对三个颜色空间的图片进行预处理;
S2、获取视觉显著图:
通过GBVS算法得到预处理后图片所对应的视觉显著图,选择合适的权值系数进行线性组合得到最终视觉显著图;
S3、获取人脸区域:
对最终视觉显著图进行阈值分割得到粗模板,再对其进行形态学操作得到细模板,根据细模板得到人脸区域。
步骤S1中将输入的固定大小的RGB图片记为S1,将S1分别转换到YCrCb颜色空间和Lab颜色空间,分别记为S2和S3;
RGB颜色空间中选择合适的gamma值对S1进行伽马变换,得到S′1;
YCrCb颜色空间中对于S2不满足:133≤Cr≤173,77≤Cb≤127的像素,将其各个分量置为零,得到S′2;
Lab颜色空间中将S3的a分量置零,得到S′3。
通过GBVS算法得到S′1、S′2、S′3所对应的视觉显著图I1,I2,I3。
计算视觉显著图I1,I2,I3权值系数的步骤如下:
计算视觉显著图的平均值和方差:
式中,h和w分别指的是视觉显著图的长和宽,Dn(i,j)代表了视觉显著图In某一像素(i,j)的值,Averagen和Sn则分别代表了视觉显著图In的灰度平均值和标准差,n=1,2,3;
kn=Sn n=1,2,3
kn代表了视觉显著图In所对应的原始权值系数;
权值进行归一化处理:
Kn代表了视觉显著图In所对应归一化后的权值系数;
最终视觉显著图为:
所述步骤S3中,对最终视觉显著图I′进行阈值分割的具体步骤如下:
设I′最大灰度值为Tmax,最小灰度值为Tmin,分割阈值为t时,前景像素个数占图片比例为w0,平均灰度为u0,背景像素个数占图片比例为w1,平均灰度为u1;
I′的总平均灰度为:u=w0×u0+w1×u1;
前景与背景图像的方差:g=w0×(u-u0)2+w1×(u-u1)2;
联立上述两个等式得到:g=w0×w1×(u0-u1)2;
t在(Tmin,Tmax)范围内从小到大遍历,当g达到最大值时,此时的灰度值t0就是最佳的阈值,此时获得粗模板M1。
所述步骤S3中,对粗模板进行形态学操作的具体步骤如下:
对M1进行腐蚀,消除周围的细小斑点;
进行闭操作,完整的覆盖人脸区域;
进行孔洞填充;
确定M1质心a和边缘,以及质心到边缘的最小距离r和最大距离d;
满足以下任一条件时即认为该图片中不含有人脸:
以质心a为中心,2r为边长做一个正方形,得到细模板M2。
根据细模板M2与S1进行匹配得到人脸区域。
实施例1
如图2所示,一种基于视觉注意机制的人脸检测方法,包括图片预处理、获取视觉显著图、获取人脸区域三部分;
图片预处理:
将输入的RGB图像转换为480×480大小,记为S1;
将S1(x,y)转换到YCrCb颜色空间得到S2;
将S1(x,y)转换到Lab颜色空间得到S3;
对S1(x,y)进行伽马变换得到S′1;
对S2(x,y)进行肤色检测得到S′2;
对S3(x,y)进行通道选择得到S′3;
获取视觉显著图:
使用GBVS算法计算得到出S′1、S′2和S′3所对应的视觉显著图I1,I2,I3;
计算出显著图像I1、I2、I3所对应的权重系数为K1、K2、K3;
得到最终显著图像I′;
获取人脸区域:
对I′进行阈值分割得到粗模板M1;
对粗模板M1进行形态学操作得到细模板M2;
将S1(x,y)与M2进行匹配得到人脸区域。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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 (7)
1.一种基于视觉注意机制的人脸检测方法,其特征在于具有如下步骤:
S1、图片预处理:
将输入的固定大小的RGB图片分别转换到YCrCb颜色空间和Lab颜色空间,分别对三个颜色空间的图片进行预处理;
S2、获取视觉显著图:
通过GBVS算法得到预处理后图片所对应的视觉显著图,选择合适的权值系数进行线性组合得到最终视觉显著图;
S3、获取人脸区域:
对最终视觉显著图进行阈值分割得到粗模板,再对其进行形态学操作得到细模板,根据细模板得到人脸区域。
2.根据权利要求1所述的方法,其特征在于:
步骤S1中将输入的固定大小的RGB图片记为S1,将S1分别转换到YCrCb颜色空间和Lab颜色空间,分别记为S2和S3;
RGB颜色空间中选择合适的gamma值对S1进行伽马变换,得到S′1;
YCrCb颜色空间中对于S2不满足:133≤Cr≤173,77≤Cb≤127的像素,将其各个分量置为零,得到S′2;
Lab颜色空间中将S3的a分量置零,得到S3′。
3.根据权利要求2所述的方法,其特征在于:通过GBVS算法得到S′1、S′2、S′3所对应的视觉显著图I1,I2,I3。
4.根据权利要求3所述的方法,其特征在于:计算视觉显著图I1,I2,I3权值系数的步骤如下:
计算视觉显著图的平均值和方差:
式中,h和w分别指的是视觉显著图的长和宽,Dn(i,j)代表了视觉显著图In某一像素(i,j)的值,Averagen和Sn则分别代表了视觉显著图In的灰度平均值和标准差,n=1,2,3;
kn=Sn n=1,2,3
kn代表了视觉显著图In所对应的原始权值系数;
权值进行归一化处理:
Kn代表了视觉显著图In所对应归一化后的权值系数;
最终视觉显著图为:
5.根据权利要求4所述的方法,其特征在于:所述步骤S3中,对最终视觉显著图I′进行阈值分割的具体步骤如下:
设I′最大灰度值为Tmax,最小灰度值为Tmin,分割阈值为t时,前景像素个数占图片比例为w0,平均灰度为u0,背景像素个数占图片比例为w1,平均灰度为u1;
I′的总平均灰度为:u=w0×u0+w1×u1;
前景与背景图像的方差:g=w0×(u-u0)2+w1×(u-u1)2;
联立上述两个等式得到:g=w0×w1×(u0-u1)2;
t在(Tmin,Tmax)范围内从小到大遍历,当g达到最大值时,此时的灰度值t0就是最佳的阈值,此时获得粗模板M1。
6.根据权利要求5所述的方法,其特征在于:所述步骤S3中,对粗模板进行形态学操作的具体步骤如下:
对M1进行腐蚀,消除周围的细小斑点;
进行闭操作,完整的覆盖人脸区域;
进行孔洞填充;
确定M1质心a和边缘,以及质心到边缘的最小距离r和最大距离d;
满足以下任一条件时即认为该图片中不含有人脸:
以质心a为中心,2r为边长做一个正方形,得到细模板M2。
7.根据权利要求6所述的方法,其特征在于:根据细模板M2与S1进行匹配得到人脸区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811252072.XA CN109214367A (zh) | 2018-10-25 | 2018-10-25 | 一种基于视觉注意机制的人脸检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811252072.XA CN109214367A (zh) | 2018-10-25 | 2018-10-25 | 一种基于视觉注意机制的人脸检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214367A true CN109214367A (zh) | 2019-01-15 |
Family
ID=64996761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811252072.XA Pending CN109214367A (zh) | 2018-10-25 | 2018-10-25 | 一种基于视觉注意机制的人脸检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214367A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232378A (zh) * | 2019-05-30 | 2019-09-13 | 苏宁易购集团股份有限公司 | 一种图像兴趣点检测方法、系统及可读存储介质 |
WO2021042823A1 (zh) * | 2019-09-02 | 2021-03-11 | 苏宁云计算有限公司 | 图片检测方法及装置 |
CN112966627A (zh) * | 2021-03-17 | 2021-06-15 | 江阴邦融微电子有限公司 | 一种基于颜色空间转换的rgb人脸图像判断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496157A (zh) * | 2011-11-22 | 2012-06-13 | 上海电力学院 | 基于高斯多尺度变换及颜色复杂度的图像检测方法 |
CN102509299A (zh) * | 2011-11-17 | 2012-06-20 | 西安电子科技大学 | 基于视觉注意机制的图像显著区域检测方法 |
CN103077529A (zh) * | 2013-02-27 | 2013-05-01 | 电子科技大学 | 基于图像扫描的植物叶片特征分析系统 |
CN106127749A (zh) * | 2016-06-16 | 2016-11-16 | 华南理工大学 | 基于视觉注意机制的目标零件识别方法 |
CN106485202A (zh) * | 2016-09-18 | 2017-03-08 | 南京工程学院 | 非约束人脸识别系统及方法 |
CN108549891A (zh) * | 2018-03-23 | 2018-09-18 | 河海大学 | 基于背景与目标先验的多尺度扩散显著目标检测方法 |
-
2018
- 2018-10-25 CN CN201811252072.XA patent/CN109214367A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509299A (zh) * | 2011-11-17 | 2012-06-20 | 西安电子科技大学 | 基于视觉注意机制的图像显著区域检测方法 |
CN102496157A (zh) * | 2011-11-22 | 2012-06-13 | 上海电力学院 | 基于高斯多尺度变换及颜色复杂度的图像检测方法 |
CN103077529A (zh) * | 2013-02-27 | 2013-05-01 | 电子科技大学 | 基于图像扫描的植物叶片特征分析系统 |
CN106127749A (zh) * | 2016-06-16 | 2016-11-16 | 华南理工大学 | 基于视觉注意机制的目标零件识别方法 |
CN106485202A (zh) * | 2016-09-18 | 2017-03-08 | 南京工程学院 | 非约束人脸识别系统及方法 |
CN108549891A (zh) * | 2018-03-23 | 2018-09-18 | 河海大学 | 基于背景与目标先验的多尺度扩散显著目标检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232378A (zh) * | 2019-05-30 | 2019-09-13 | 苏宁易购集团股份有限公司 | 一种图像兴趣点检测方法、系统及可读存储介质 |
WO2021042823A1 (zh) * | 2019-09-02 | 2021-03-11 | 苏宁云计算有限公司 | 图片检测方法及装置 |
CN112966627A (zh) * | 2021-03-17 | 2021-06-15 | 江阴邦融微电子有限公司 | 一种基于颜色空间转换的rgb人脸图像判断方法 |
CN112966627B (zh) * | 2021-03-17 | 2024-04-02 | 江阴邦融微电子有限公司 | 一种基于颜色空间转换的rgb人脸图像判断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103914699B (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
US7920725B2 (en) | Apparatus, method, and program for discriminating subjects | |
US6980691B2 (en) | Correction of “red-eye” effects in images | |
CN104834898B (zh) | 一种人物摄影图像的质量分类方法 | |
CN106096610B (zh) | 一种基于支持向量机的文档图像二值化方法 | |
CN100354875C (zh) | 基于人脸检测的红眼去除方法 | |
US7747071B2 (en) | Detecting and correcting peteye | |
EP2685419A1 (en) | Image processing device, image processing method, and control program | |
CN107277356A (zh) | 逆光场景的人脸区域处理方法和装置 | |
EP1965348A1 (en) | Gray-scale correcting method, gray-scale correcting device, gray-scale correcting program, and image device | |
CN105844242A (zh) | 图像中的肤色检测方法 | |
CN104717432A (zh) | 处理一组输入图像的方法、图像处理设备和数字照相机 | |
CN105139404A (zh) | 一种可检测拍摄质量的证照相机及拍摄质量检测方法 | |
CN104318262A (zh) | 通过人脸照片更换皮肤的方法及系统 | |
US20100195902A1 (en) | System and method for calibration of image colors | |
CN109214367A (zh) | 一种基于视觉注意机制的人脸检测方法 | |
CN106503644B (zh) | 基于边缘投影及颜色特征的眼镜属性检测方法 | |
WO2021098163A1 (zh) | 一种基于角点的空中目标探测方法 | |
CN108932493A (zh) | 一种面部皮肤质量评价方法 | |
CN106097354B (zh) | 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法 | |
US20090316168A1 (en) | Image processing apparatus, image processing method, and image processing program | |
CN110321753A (zh) | 一种基于人脸几何特征的人脸图像质量评价方法 | |
CN109359577A (zh) | 一种基于机器学习的复杂背景下人数检测系统 | |
CN107454315A (zh) | 逆光场景的人脸区域处理方法和装置 | |
CN109726681A (zh) | 一种基于机器学习识别与图像分割的盲道识别定位算法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |
|
RJ01 | Rejection of invention patent application after publication |