CN109215010B - 一种图像质量判断的方法及机器人人脸识别系统 - Google Patents

Abstract

本发明公开一种图像质量判断的方法及包含该图像质量判断方法的机器人人脸识别系统。图像质量判断方法包括对目标物的图像进行灰度分布统计，判断所述图像的亮度是否符合亮度阈值条件；若所述图像符合亮度阈值条件，对所述图像进行人脸区域判断；若所述图像包含人脸区域，则对所述图像进行再模糊处理，获得再模糊图像；对所述图像和所述再模糊图像各自进行分块及边缘提取，计算两者的结构相似度，若结构相似度大于预设阈值，则判断所述图像符合质量要求。本发明实施例采用亮度判断和模糊特征判断两者结合，有效地判断出由环境亮度及机器人或目标物运动而造成图像质量下降的情况，剔除不符合人脸识别要求的图像，有效地提高人脸识别的准确率。

Description

一种图像质量判断的方法及机器人人脸识别系统

技术领域

本发明涉及图像处理领域，尤其涉及如何进行图像质量判断的方法及采用该图像质量判断方法的机器人人脸识别系统。

背景技术

随着科学技术的进步，机器人越来越多的出现在我们的日常生活中，如在餐厅吃饭、商场购物、银行大厅办理业务等场所均能看见机器人为我们服务的身影。为了增加机器人同人的互动性，人脸识别是一种必不可少的功能。

作为一种新兴的生物识别技术，人脸识别主要利用人面部的特征信息来进行身份识别。不同于其他生物识别技术，人脸识别由于具有直接、友好、方便等特点，使用者无任何心理障碍，更易为使用者所接受，从而得到了广泛的研究与应用。通过对人脸识别的结果作进一步的分析，研究者可得到有关人的性别、表情、年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。

机器人进行人脸识别通常是通过采集人脸的图像进行识别，然而，由于机器人在实际使用过程中会受到各种环境情况的干扰，其所采集的图像会因为各种环境情况的干扰而质量不佳。例如，当机器人或人存在运动情况时，采集到的图像会有模糊现象，而模糊的图像会影响人脸面目特征的提取，从而导致识别错误。同时，当机器人处在光线较强或较差的环境下时，面目特征的提取也会受到影响，从而导致识别错误的发生。

因此，需要一种具有图像质量判断的机器人人脸识别系统，来进行图像质量的甄别，从而避免上述由于图像质量不佳而发生的识别错误现象，提高机器人使用过程中人脸识别的准确率。

发明内容

针对现有机器人人脸识别系统所存在的问题，本发明提出一种图像质量判断方法，通过结合亮度判断和模糊判断，有效地判断出由环境亮度及机器人或目标物运动而造成图像质量下降的情况，剔除不符合人脸识别要求的图像，有效地提高人脸识别的准确率。该方法的方案如下：

一种图像质量判断的方法，包括步骤：对所采集目标物的图像进行灰度分布统计，判断所述图像的亮度是否符合亮度阈值条件；若所述图像符合亮度阈值条件，对所述图像进行人脸区域判断；若所述图像包含人脸区域，则对所述图像进行再模糊处理，获得再模糊图像；对所述图像和所述再模糊图像各自进行分块及边缘提取，计算两者的结构相似度，若结构相似度大于预设阈值，则判断所述图像符合质量要求。

优选的，所述灰度分布统计包括步骤：将所述图像进行灰度转化，获得灰度图像；对所述灰度图像构建灰度直方图，并且根据灰度范围对所述灰度直方图划分区间；统计所述区间的占比，计算灰度分布比例因子。

优选的，将所述灰度范围划分为50等分，前10等分区间定义为暗区间，中间30等分区间定义为正常区间，后10等分区间定义为亮区间。

优选的，对所述区间进行权重值分配，所述暗区间的权重值为0.2，所述正常区间的权重值为0.6，所述亮区间的权重值为0.2。

优选的，对所述人脸区域图像采用高斯平滑滤波进行模糊处理。

优选的，所述分块的窗口为8×8的窗口，所述块间的移动步长为4。

优选的，所述边缘提取方法采用canny边缘检测算法，提取预定数目个边缘信息最丰富的子块。

优选的，所述计算结构相似度的方法为采用高斯加权计算每一个边缘信息最丰富子块的均值、方差以及协方差，将计算结果代入结构相似度评价算法SSIM中，再计算各个子块SSIM的平均值作为结构相似性度量值。

优选的，所述图像质量判断的方法用于机器人人脸识别系统，若所述图像符合质量要求，所述机器人人脸识别系统再对所述图像进行人脸识别步骤。

本发明实施例还提供一种机器人人脸识别系统，所述系统应用上述任意一种图像质量判断方法进行所获取图像的质量判断，若经过判断所述图像符合质量要求，所述系统再进行对所述图像进行人脸提取，再将所提取到的特征向量与机器人人脸数据库中特征向量进行比对，进行识别。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例采用亮度判断和模糊判断的结合，有效地判断出由环境亮度因素及机器人或目标物运动而造成图像质量下降的情况，在机器人进行人脸识别之前对采集到的图像先进行质量判断，对符合人脸识别标准的图像再人脸识别处理，从而有效地提高机器人人脸识别的准确率。

附图说明

图1是本发明实施例中提供一种图像质量判断方法的流程示意图；

图2为本发明实施例中图1所对应亮度判断部分流程示意图；

图3为本发明实施例中图1所对应模糊判断部分流程示意图；

图4是本发明实施例中提供一种包含图1方法的机器人人脸识别系统框图。

具体实施方式

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”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1所示，本发明实施例中的一种图像质量判断的流程示意图。在该实施例中，图像质量判断的方法包括下列步骤。

步骤S1：对所采集目标物的图像进行灰度分布统计，并进入步骤S2。

步骤S2：判断所述图像的亮度是否符合亮度阈值条件，若判断符合亮度阈值条件则进入步骤S3。

步骤S1和步骤S2可以统称为图像质量判断中的亮度判断部分。亮度判断部分具体的过程，如图2所示，具体包括以下步骤。

步骤S11：将所采集目标物的图像X进行灰度转化，获得灰度图像Y。彩色图像X中的每个像素由R、G、B三个分量决定，且每个分量有255个变化范围，因此一个像素点有255×255×255个变化范围。灰度图像Y是R、G、B三个分量相同的一种特殊的彩色图像，其一个像素点有255个变化范围，即灰度值从0至255之间变化。将彩色图像X转变成灰度图像Y后，会使计算量变少，从而加快计算速度。

步骤S12：对灰度图像Y构建灰度直方图，并且根据灰度范围对所述灰度直方图划分区间。优选地，将图像Y的灰度范围等分为50个区间。其中，前10个区间(即灰度值在0～51)定义为暗区域，后10个区间(即灰度值在204～255)为定义亮区域，中间的30个区间(灰度值在52～203)定义为正常区域。当然，直方图划分区间，也可以采用其他划分方式，如根据需求进行权重划分、或者划分的区间个数为其他个数。

步骤S13：统计所述区间的占比，计算灰度分布比例因子。统计各区域的像素所占比例，并且对三个区域设置进行权重分配，其中亮区域和暗区域的权值都为0.2，正常区域的权值为0.6，然后计算出灰度分布比例因子α。

步骤S14：利用灰度分布比例因子α判断图像的亮度情况。预先设置一个亮度阈值H，在该实施例中亮度阈值H＝0.44。经过统计结果分析，一般情况下，图像灰度比例因子α大于0.44即可视为正常图像，较亮或较暗的图像灰度比例因子α小于0.44。用图像灰度比例因子α与设定的阈值H作比较，如果图像灰度比例因子α≥H，则为亮度正常图像，从而进入下一步骤，进行人脸图像提取；如果图像灰度比例因子α＜H且暗区域比例大于亮区域比例，则为图像过暗，滤掉该图像；如果图像灰度比例因子α＜H且暗区域比例小于亮区域比例，则为图像过亮，滤掉该图像。

步骤S3：对所述图像进行人脸区域判断；若所述图像包含人脸区域，则对所述图像进行再模糊处理，获得再模糊图像。

步骤S4：对所述图像和所述再模糊图像各自进行分块及边缘提取，计算两者的结构相似度。

步骤S5：将结构相似度与预设阈值进行比较，若结构相似度大于预设阈值，则进入步骤S61判断所述图像符合质量要求；否则，进入步骤S62判断所述图像不符合质量要求。

步骤S3、S4、S5、S61及S62组合成图像质量判断的模糊判断部分。模糊判断部分具体的流程步骤如图3所示。

步骤S31：提取人脸图像。对符合亮度要求的图像X进行人脸区域提取处理，对于无人脸图像X进行舍弃并重新拍照进行识别，对有人脸图像进行人脸提取，提取出人脸区域图像P后进行下一步处理。

步骤S32：对提取得到的人脸区域图像P进行再模糊处理。使用高斯平滑滤波方式对人脸区域图像P进行再模糊处理，得到再模糊图像Q。

步骤S33：分别对人脸区域图像P和再模糊图像Q进行8×8分块运算。优选的，为了防止丢失边缘信息，将块间的步长设为4，使相邻的块间具有50％的重合。

步骤S34：计算各子块的边缘信息，根据边缘信息进行排序，提取边缘信息最丰富的N个子块。在该实施例中，采用Canny边缘检测算法进行边缘检测来提取子块的边缘信息。

步骤S35：计算图像结构相似度。采用高斯加权计算每一个边缘丰富子块的均值、方差以及协方差，然后代入结构相似度评价算法SSIM中，从而计算各个边缘丰富子块SSIM的平均值并将该SSIM的平均值作为结构相似性度量。其中，SSIM平均值的取值范围为[0，1]，SSIM平均值越大表示图像模糊程度越小。在该实施例中，模糊判断的预设阈值为0.9，即当结构相似度大于等于0.9时，判断该图像质量符合要求而保留该图像，当结构相似度小于0.9时，判断该图像质量不符合要求而滤掉该图像。

本发明实施例还提供一种机器人人脸识别系统，具体的框图结构如图4所示。在该实施例中，机器人人脸识别系统首先采集图像，然后采用上文所述的图像质量判断方法进行图像质量判断，当判断图像质量符合要求时，人脸识别系统再对所述图像进行人脸提取，最后再将所提取到的特征向量与机器人人脸数据库中特征向量进行比对，进行识别，从而确定图像中人脸的身份。

由于在该机器人人脸识别系统中所采用的图像质量判断方法和图1、图2、图3所述的方法是一致的，因此，此处不在赘述图像质量判断的具体过程。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种图像质量判断的方法，其特征在于，包括步骤：

对所采集目标物的图像进行灰度分布统计，判断所述图像的亮度是否符合亮度阈值条件；

若所述图像符合亮度阈值条件，对所述图像进行人脸区域判断；

若所述图像包含人脸区域，则对所述图像进行再模糊处理，获得再模糊图像；

对所述图像和所述再模糊图像各自进行分块及边缘提取，计算两者的结构相似度，若结构相似度大于预设阈值，则判断所述图像符合质量要求；

所述灰度分布统计包括步骤：

将所述图像进行灰度转化，获得灰度图像；

对所述灰度图像构建灰度直方图，并且根据灰度范围对所述灰度直方图划分区间；

统计所述区间的占比，计算灰度分布比例因子。

2.根据权利要求1所述的一种图像质量判断的方法，其特征在于，将所述灰度范围划分为50等分，前10等分区间定义为暗区间，中间30等分区间定义为正常区间，后10等分区间定义为亮区间。

3.根据权利要求2所述的一种图像质量判断的方法，其特征在于，对所述区间进行权重值分配，所述暗区间的权重值为0.2，所述正常区间的权重值为0.6，所述亮区间的权重值为0.2。

4.根据权利要求1所述的一种图像质量判断的方法，其特征在于，对所述人脸区域图像采用高斯平滑滤波进行模糊处理。

5.根据权利要求1所述的一种图像质量判断的方法，其特征在于，所述分块的窗口为8×8的窗口，所述块间的移动步长为4。

6.根据权利要求5所述的一种图像质量判断的方法，其特征在于，所述边缘提取方法采用canny边缘检测算法，提取预定数目个边缘信息最丰富的子块。

7.根据权利要求6所述的一种图像质量判断的方法，其特征在于，所述计算结构相似度的方法为采用高斯加权计算每一个边缘信息最丰富子块的均值、方差以及协方差，将计算结果代入结构相似度评价算法SSIM中，再计算各个子块SSIM的平均值作为结构相似性度量值。

8.根据权利要求1至7中任意一项所述的一种图像质量判断的方法，其特征在于，所述图像质量判断的方法用于机器人人脸识别系统，若所述图像符合质量要求，所述机器人人脸识别系统再对所述图像进行人脸识别步骤。

9.一种机器人人脸识别系统，其特征在于，所述系统应用权利要求1至7中任意一种图像质量判断方法进行所获取图像的质量判断，若经过判断所述图像符合质量要求，所述系统再进行对所述图像进行人脸提取，再将所提取到的特征向量与机器人人脸数据库中特征向量进行比对，进行识别。

Images