CN109446977A - 基于人脸识别的图像处理方法、装置、存储介质及终端 - Google Patents
基于人脸识别的图像处理方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN109446977A CN109446977A CN201811248462.XA CN201811248462A CN109446977A CN 109446977 A CN109446977 A CN 109446977A CN 201811248462 A CN201811248462 A CN 201811248462A CN 109446977 A CN109446977 A CN 109446977A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel point
- skin pixel
- facial image
- gray scale
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 230000001815 facial effect Effects 0.000 claims abstract description 122
- 238000012544 monitoring process Methods 0.000 claims abstract description 99
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 74
- 239000011159 matrix material Substances 0.000 claims description 49
- 239000006185 dispersion Substances 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Image Processing (AREA)
Abstract
本发明属于计算机技术领域,尤其涉及一种基于人脸识别的图像处理方法、装置、计算机可读存储介质及终端设备。所述方法首先获取由监控摄像头采集的监控图像,并对该监控图像进行人脸检测,若在该监控图像中检测到人脸图像,则通过相似度计算的方式判断该人脸图像是否为工作人员的人脸图像,若该人脸图像不是工作人员的人脸图像,则对其进行隐藏处理,得到处理后的监控图像,最后将处理后的监控图像发送至显示终端进行显示。通过本发明实施例,可以将识别出的非工作人员的人脸图像均进行隐藏处理后再进行显示,有效保障了顾客的个人隐私。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种基于人脸识别的图像处理方法、装置、计算机可读存储介质及终端设备。
背景技术
随着社会发展带来的人民生活水平的提高,人们越来越关注饮食卫生与健康,在前期各类餐饮业脏乱差现象频出的背景下,市面上开始提出了明厨亮灶工程,并且需求和要求越来越高。该工程会对厨房或者吧台等地方进行实时的视频监控,并通过直播使得顾客可通过在线或线下的方式实时观看。但是,现场往往会有顾客出现在镜头下,这些顾客便会在不知情的情况下被直播,对于顾客的隐私存在一定的侵犯。
发明内容
有鉴于此,本发明实施例提供了一种基于人脸识别的图像处理方法、装置、计算机可读存储介质及终端设备,以解决现有的监控方式容易对顾客的隐私造成侵犯的问题。
本发明实施例的第一方面提供了一种图像处理方法,可以包括:
获取由预设的监控摄像头采集的监控图像,并对所述监控图像进行人脸检测;
若在所述监控图像中检测到人脸图像,则分别计算检测人脸图像与预设的基准人脸图像集合中的各个基准人脸图像之间的相似度,所述检测人脸图像为在所述监控图像中检测到的人脸图像;
若所述检测人脸图像与所述基准人脸图像集合中的各个基准人脸图像之间的相似度均小于预设的相似度阈值,则对所述监控图像中的所述检测人脸图像进行隐藏处理;
将所述监控图像发送至预设的显示终端进行显示。
本发明实施例的第二方面提供了一种图像处理装置,可以包括:
人脸检测模块,用于获取由预设的监控摄像头采集的监控图像,并对所述监控图像进行人脸检测;
相似度计算模块,用于若在所述监控图像中检测到人脸图像,则分别计算检测人脸图像与预设的基准人脸图像集合中的各个基准人脸图像之间的相似度,所述检测人脸图像为在所述监控图像中检测到的人脸图像;
图像隐藏处理模块,用于若所述检测人脸图像与所述基准人脸图像集合中的各个基准人脸图像之间的相似度均小于预设的相似度阈值,则对所述监控图像中的所述检测人脸图像进行隐藏处理;
图像显示模块,用于将所述监控图像发送至预设的显示终端进行显示。
本发明实施例的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如下步骤:
获取由预设的监控摄像头采集的监控图像,并对所述监控图像进行人脸检测;
若在所述监控图像中检测到人脸图像,则分别计算检测人脸图像与预设的基准人脸图像集合中的各个基准人脸图像之间的相似度,所述检测人脸图像为在所述监控图像中检测到的人脸图像;
若所述检测人脸图像与所述基准人脸图像集合中的各个基准人脸图像之间的相似度均小于预设的相似度阈值,则对所述监控图像中的所述检测人脸图像进行隐藏处理;
将所述监控图像发送至预设的显示终端进行显示。
本发明实施例的第四方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现如下步骤:
获取由预设的监控摄像头采集的监控图像,并对所述监控图像进行人脸检测;
若在所述监控图像中检测到人脸图像,则分别计算检测人脸图像与预设的基准人脸图像集合中的各个基准人脸图像之间的相似度,所述检测人脸图像为在所述监控图像中检测到的人脸图像;
若所述检测人脸图像与所述基准人脸图像集合中的各个基准人脸图像之间的相似度均小于预设的相似度阈值,则对所述监控图像中的所述检测人脸图像进行隐藏处理;
将所述监控图像发送至预设的显示终端进行显示。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例首先获取由监控摄像头采集的监控图像,并对该监控图像进行人脸检测,若在该监控图像中检测到人脸图像,则通过相似度计算的方式判断该人脸图像是否为工作人员的人脸图像,若该人脸图像不是工作人员的人脸图像,则对其进行隐藏处理,得到处理后的监控图像,最后将处理后的监控图像发送至显示终端进行显示。通过本发明实施例,可以将识别出的非工作人员的人脸图像均进行隐藏处理后再进行显示,有效保障了顾客的个人隐私。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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它的附图。
图1为本发明实施例中一种图像处理方法的一个实施例流程图;
图2为对监控图像进行人脸检测的示意流程图;
图3为本发明实施例中一种图像处理装置的一个实施例结构图;
图4为本发明实施例中一种终端设备的示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例中一种图像处理方法的一个实施例可以包括:
步骤S101、获取由预设的监控摄像头采集的监控图像,并对所述监控图像进行人脸检测。
如图2所示,对所述监控图像进行人脸检测的具体过程可以包括:
步骤S1011、将所述监控图像由RGB颜色空间转换到YCbCr颜色空间,得到转换后的监控图像。
在YCbCr颜色空间中,Y代表亮度,Cb和Cr分别代表蓝色分量和红色分量,两者合称为色彩分量。YCbCr颜色空间具有将色度与亮度分离的特点,在YCbCr颜色空间中,肤色的聚类特性比较好,而且是两维独立分布,能够比较好地限制肤色的分布区域,并且受人种的影响不大。对比RGB颜色空间和YCbCr颜色空间,当光强发生变化时,RGB颜色空间中的R(红色分量)、G(绿色分量)、B(蓝色分量)三个颜色分量会同时发生变化,而YCbCr颜色空间中受光强影响相对独立,色彩分量受光强度影响不大,因此YCbCr颜色空间更适合用于肤色识别。
具体地,可以通过以下公式实现由RGB颜色空间到YCbCr颜色空间的转换,得到转换后的监控图像:
Y=0.257×R+0.564×G+0.098×B+16;
Cb=-0.148*R-0.291*G+0.439*B+128;
Cr=0.439*R-0.368*G-0.071*B+128。
步骤S1012、在所述转换后的监控图像中将满足预设的肤色判定条件的像素点确定为肤色像素点,并构造由各个肤色像素点组成的肤色像素点集合。
由于肤色在YCbCr空间的两路色彩分量受亮度信息的影响较小,本方案直接考虑YCbCr空间的CbCr分量,映射为两维独立分布的CbCr空间。在CbCr空间下,肤色类聚性好,利用预设的肤色判定条件即可将肤色像素点确定出来,在本实施例中,优选采用的肤色判定条件为:77<Cb<127且133<Cr<173,满足该肤色判定条件的像素点即为肤色像素点。
步骤S1013、统计所述肤色像素点集合中肤色像素点的数目,并计算所述肤色像素点集合的分散度。
在本实施例中,优选根据下式计算所述肤色像素点集合的分散度:
其中,n为所述肤色像素点集合中肤色像素点的序号,1≤n≤N,N为所述肤色像素点集合中肤色像素点的数目,SkinPixXn为所述肤色像素点集合中第n个肤色像素点的横坐标,SkinPixYn为所述肤色像素点集合中第n个肤色像素点的纵坐标,DisperDeg为所述肤色像素点集合的分散度,其取值越大,则说明这些像素点越分散,其取值越小,则说明这些像素点越集中。
步骤S1014、判断预设的人脸判定条件是否成立。
对于人脸图像而言,应该是由众多的肤色像素点连接而成的一个集中区域,因此,所述人脸判定条件为所述肤色像素点集合中肤色像素点的数目大于预设的数目阈值,且所述肤色像素点集合的分散度小于预设的分散度阈值,即:
其中,NumThresh为所述数目阈值,可以根据实际情况将其设置为1000、2000、5000或者其它的取值,DisperThresh为所述分散度阈值,可以根据实际情况将其设置为30、50、100或者其它的取值。
若所述人脸判定条件成立,则执行步骤S1015,若所述人脸判定条件不成立,则执行步骤S1016。
步骤S1015、将所述肤色像素点集合所覆盖的区域确定为人脸图像。
步骤S1016、判定所述监控图像中未检测到人脸图像。
经过图2所示的对所述监控图像进行人脸检测的步骤,若在所述监控图像中检测到人脸图像,则执行步骤S102及其后续步骤,若在所述监控图像中未检测到人脸图像,则执行步骤S104。
步骤S102、分别计算检测人脸图像与预设的基准人脸图像集合中的各个基准人脸图像之间的相似度。
所述检测人脸图像为在所述监控图像中检测到的人脸图像,所述基准人脸图像集合中包括至少一个基准人脸图像,其中的每个基准人脸图像均为一个工作人员的人脸图像,由于工作人员是被监督的对象,其人脸图像无需进行隐藏处理,而其他人员的人脸图像需要进行隐藏处理,因此,在检测到人脸图像后,需要进一步根据相似度来判断其是否为工作人员的人脸图像。
以下以计算所述检测人脸图像与所述基准人脸图像集合中的第m个基准人脸图像之间的相似度为例进行说明:
首先,构造所述检测人脸图像的灰度值矩阵,并分别计算所述检测人脸图像的灰度值矩阵的均值和均方差。
根据下式计算所述检测人脸图像的灰度值矩阵的均值:
根据下式计算所述检测人脸图像的灰度值矩阵的均方差:
然后,构造所述基准人脸图像集合中的第m个基准人脸图像的灰度值矩阵,并分别计算第m个基准人脸图像的灰度值矩阵的均值和均方差。
其中,1≤m≤M,M为所述基准人脸图像集合中的基准人脸图像的总数。
根据下式计算第m个基准人脸图像的灰度值矩阵的均值:
根据下式计算第m个基准人脸图像的灰度值矩阵的均方差:
最后,根据下式计算所述检测人脸图像与所述基准人脸图像集合中的第m个基准人脸图像之间的相似度:
其中,R[i][j]为所述检测人脸图像的灰度值矩阵中第i行第j列的元素,T[i][j]为第m个基准人脸图像的灰度值矩阵中第i行第j列的元素,H、W分别为灰度值矩阵的行数和列数,μR、σR分别为所述检测人脸图像的灰度值矩阵的均值和均方差,μT、σT分别为第m个基准人脸图像的灰度值矩阵的均值和均方差,SimDeg为所述检测人脸图像与所述基准人脸图像集合中的第m个基准人脸图像之间的相似度。
若所述检测人脸图像与所述基准人脸图像集合中的各个基准人脸图像之间的相似度均小于预设的相似度阈值,则说明所述检测人脸图像不是工作人员的人脸图像,需要对其进行隐藏处理,此时执行步骤S103及其后续步骤,若所述检测人脸图像与所述基准人脸图像集合中的任意一个基准人脸图像之间的相似度大于或等于所述相似度阈值,则说明所述检测人脸图像是工作人员的人脸图像,无需对其进行隐藏处理,此时执行步骤S104。
所述相似度阈值可以根据实际情况进行设置,例如,可以将其设置为85%、90%、95%或者其它的取值,
步骤S103、对所述监控图像中的所述检测人脸图像进行隐藏处理。
在本实施例中,对所述检测人脸图像进行隐藏处理的方式可以包括但不限于以下的处理方式:马赛克处理、模糊化处理、添加遮罩图案等等。
马赛克处理是将所述检测人脸图像的色阶细节劣化并造成色块打乱的效果,因为在这种处理后,图像看上去有一个个的小格子组成,便形象的称这种画面为马赛克。对于马赛克处理,还可以进一步提供各种马赛克外观类型给用户进行预先选择。
模糊化处理即对所述检测人脸图像进行像素平滑化,通过对图像中的像素值进行平均处理,让这些像素值越来越来接近,来达到一种人尽量无法辨识出这些像素点的差别,从来产生模糊的效果。例如,可以直接取某个像素点周边的预设半径内所有像素点的平均像素值作为其自身的像素值,还可以采取正态分布取权值的做法来取平均值,因为实际上围绕一个特定的像素点,离它越远,和它的相似度就越低,对它们处理的权重也应该越低,而正态分布恰好是一个山型函数,可以围绕着这一个特定的像素点按距离进行加权平均。对于模糊化处理,还可以进一步提供各种模糊程度给用户进行预先选择。
添加遮罩图案即为在人脸图像区域上添加一层遮罩图案以遮挡人脸图像。对于添加遮罩图案,还可以提供两种以上的遮罩图案给用户选择,所述遮罩图案可以包括漫画头像、表情头像或者其它图案。漫画头像即可以是各种漫画角色的头像,表情头像可以是各种流行的表情头像,例如聊天软件上流行的emoji表情。当然,用户还可以自行上传图片作为遮罩图案,并使用该遮罩图案对人脸图像进行隐藏处理。
在本实施例中,可以对监控摄像头采集的各帧监控图像中的非工作人员人脸图像均进行隐藏处理。但为了降低图像处理的复杂度,在具体实现中,还可以仅针对监控摄像头采集的视频流中的特定图像帧中的非工作人员人脸图像进行隐藏处理。
以常用的MPEG视频编码为例,MPEG将图像帧分为I、P、B三种,I是内部编码帧,P是前向预测帧,B是双向内插帧。简单地讲,I帧是一个完整的画面,而P帧和B帧记录的是相对于I帧的变化。则在本实施例中,可以提取每一个连续画面组(Group of Pictures,GOP)中的I帧以及I帧与其他帧的运动差值,对I帧中的非工作人员人脸图像进行隐藏处理,并依据隐藏处理后的I帧与运动差值计算GOP中的其他帧,从而大大减少了人脸图像隐藏处理的工作量。
步骤S104、将所述监控图像发送至预设的显示终端进行显示。
最终在显示终端上显示的监控图像可分为两种情况,对于存在非工作人员人脸图像的监控图像而言,最终显示的是对人脸图像进行隐藏处理后的图像,而对于其它的监控图像而言,最终显示的是原始的图像,并未对其进行任何隐藏处理。
综上所述,本发明实施例首先获取由监控摄像头采集的监控图像,并对该监控图像进行人脸检测,若在该监控图像中检测到人脸图像,则通过相似度计算的方式判断该人脸图像是否为工作人员的人脸图像,若该人脸图像不是工作人员的人脸图像,则对其进行隐藏处理,得到处理后的监控图像,最后将处理后的监控图像发送至显示终端进行显示。通过本发明实施例,可以将识别出的非工作人员的人脸图像均进行隐藏处理后再进行显示,有效保障了顾客的个人隐私。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种图像处理方法,图3示出了本发明实施例提供的一种图像处理装置的一个实施例结构图。
本实施例中,一种图像处理装置可以包括:
人脸检测模块301,用于获取由预设的监控摄像头采集的监控图像,并对所述监控图像进行人脸检测;
相似度计算模块302,用于若在所述监控图像中检测到人脸图像,则分别计算检测人脸图像与预设的基准人脸图像集合中的各个基准人脸图像之间的相似度,所述检测人脸图像为在所述监控图像中检测到的人脸图像;
图像隐藏处理模块303,用于若所述检测人脸图像与所述基准人脸图像集合中的各个基准人脸图像之间的相似度均小于预设的相似度阈值,则对所述监控图像中的所述检测人脸图像进行隐藏处理;
图像显示模块304,用于将所述监控图像发送至预设的显示终端进行显示。
进一步地,所述人脸检测模块可以包括:
颜色空间转换单元,用于将所述监控图像由RGB颜色空间转换到YCbCr颜色空间,得到转换后的监控图像;
肤色像素点集合构造单元,用于在所述转换后的监控图像中将满足预设的肤色判定条件的像素点确定为肤色像素点,并构造由各个肤色像素点组成的肤色像素点集合;
肤色像素点统计单元,用于统计所述肤色像素点集合中肤色像素点的数目;
分散度计算单元,用于计算所述肤色像素点集合的分散度;
人脸图像确定单元,用于若所述肤色像素点集合中肤色像素点的数目大于预设的数目阈值,且所述肤色像素点集合的分散度小于预设的分散度阈值,则将所述肤色像素点集合所覆盖的区域确定为人脸图像。
进一步地,所述分散度计算单元具体用于根据下式计算所述肤色像素点集合的分散度:
其中,n为所述肤色像素点集合中肤色像素点的序号,1≤n≤N,N为所述肤色像素点集合中肤色像素点的数目,SkinPixXn为所述肤色像素点集合中第n个肤色像素点的横坐标,SkinPixYn为所述肤色像素点集合中第n个肤色像素点的纵坐标,DisperDeg为所述肤色像素点集合的分散度。
进一步地,所述相似度计算模块可以包括:
第一计算单元,用于构造所述检测人脸图像的灰度值矩阵,并分别计算所述检测人脸图像的灰度值矩阵的均值和均方差;
第二计算单元,用于构造所述基准人脸图像集合中的第m个基准人脸图像的灰度值矩阵,并分别计算第m个基准人脸图像的灰度值矩阵的均值和均方差,1≤m≤M,M为所述基准人脸图像集合中的基准人脸图像的总数;
第三计算单元,用于根据下式计算所述检测人脸图像与所述基准人脸图像集合中的第m个基准人脸图像之间的相似度:
其中,R[i][j]为所述检测人脸图像的灰度值矩阵中第i行第j列的元素,T[i][j]为第m个基准人脸图像的灰度值矩阵中第i行第j列的元素,H、W分别为灰度值矩阵的行数和列数,μR、σR分别为所述检测人脸图像的灰度值矩阵的均值和均方差,μT、σT分别为第m个基准人脸图像的灰度值矩阵的均值和均方差,SimDeg为所述检测人脸图像与所述基准人脸图像集合中的第m个基准人脸图像之间的相似度。
进一步地,所述第一计算单元可以包括:
第一均值计算子单元,用于根据下式计算所述检测人脸图像的灰度值矩阵的均值:
第一均方差计算子单元,用于根据下式计算所述检测人脸图像的灰度值矩阵的均方差:
所述第二计算单元可以包括:
第二均值计算子单元,用于根据下式计算第m个基准人脸图像的灰度值矩阵的均值:
第二均方差计算子单元,用于根据下式计算第m个基准人脸图像的灰度值矩阵的均方差:
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置,模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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或记载的部分,可以参见其它实施例的相关描述。
图4示出了本发明实施例提供的一种终端设备的示意框图,为了便于说明,仅示出了与本发明实施例相关的部分。
在本实施例中,所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备4可包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机可读指令42,例如执行上述的图像处理方法的计算机可读指令。所述处理器40执行所述计算机可读指令42时实现上述各个图像处理方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,所述处理器40执行所述计算机可读指令42时实现上述各装置实施例中各模块/单元的功能,例如图3所示模块301至304的功能。
示例性的,所述计算机可读指令42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机可读指令42在所述终端设备4中的执行过程。
所述处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元,例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备,例如所述终端设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机可读指令以及所述终端设备4所需的其它指令和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
在本发明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,包括若干计算机可读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)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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储计算机可读指令的介质。
以上所述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精神和范围。
Claims (10)
1.一种基于人脸识别的图像处理方法,其特征在于,包括:
获取由预设的监控摄像头采集的监控图像,并对所述监控图像进行人脸检测;
若在所述监控图像中检测到人脸图像,则分别计算检测人脸图像与预设的基准人脸图像集合中的各个基准人脸图像之间的相似度,所述检测人脸图像为在所述监控图像中检测到的人脸图像;
若所述检测人脸图像与所述基准人脸图像集合中的各个基准人脸图像之间的相似度均小于预设的相似度阈值,则对所述监控图像中的所述检测人脸图像进行隐藏处理;
将所述监控图像发送至预设的显示终端进行显示。
2.根据权利要求1所述的图像处理方法,其特征在于,所述对所述监控图像进行人脸检测包括:
将所述监控图像由RGB颜色空间转换到YCbCr颜色空间,得到转换后的监控图像;
在所述转换后的监控图像中将满足预设的肤色判定条件的像素点确定为肤色像素点,并构造由各个肤色像素点组成的肤色像素点集合;
统计所述肤色像素点集合中肤色像素点的数目,并计算所述肤色像素点集合的分散度;
若所述肤色像素点集合中肤色像素点的数目大于预设的数目阈值,且所述肤色像素点集合的分散度小于预设的分散度阈值,则将所述肤色像素点集合所覆盖的区域确定为人脸图像。
3.根据权利要求2所述的图像处理方法,其特征在于,所述计算所述肤色像素点集合的分散度包括:
根据下式计算所述肤色像素点集合的分散度:
其中,n为所述肤色像素点集合中肤色像素点的序号,1≤n≤N,N为所述肤色像素点集合中肤色像素点的数目,SkinPixXn为所述肤色像素点集合中第n个肤色像素点的横坐标,SkinPixYn为所述肤色像素点集合中第n个肤色像素点的纵坐标,DisperDeg为所述肤色像素点集合的分散度。
4.根据权利要求1至3中任一项所述的图像处理方法,其特征在于,所述分别计算检测人脸图像与预设的基准人脸图像集合中的各个基准人脸图像之间的相似度包括:
构造所述检测人脸图像的灰度值矩阵,并分别计算所述检测人脸图像的灰度值矩阵的均值和均方差;
构造所述基准人脸图像集合中的第m个基准人脸图像的灰度值矩阵,并分别计算第m个基准人脸图像的灰度值矩阵的均值和均方差,1≤m≤M,M为所述基准人脸图像集合中的基准人脸图像的总数;
根据下式计算所述检测人脸图像与所述基准人脸图像集合中的第m个基准人脸图像之间的相似度:
其中,R[i][j]为所述检测人脸图像的灰度值矩阵中第i行第j列的元素,T[i][j]为第m个基准人脸图像的灰度值矩阵中第i行第j列的元素,H、W分别为灰度值矩阵的行数和列数,μR、σR分别为所述检测人脸图像的灰度值矩阵的均值和均方差,μT、σT分别为第m个基准人脸图像的灰度值矩阵的均值和均方差,SimDeg为所述检测人脸图像与所述基准人脸图像集合中的第m个基准人脸图像之间的相似度。
5.根据权利要求4所述的图像处理方法,其特征在于,所述分别计算所述检测人脸图像的灰度值矩阵的均值和均方差包括:
根据下式计算所述检测人脸图像的灰度值矩阵的均值:
根据下式计算所述检测人脸图像的灰度值矩阵的均方差:
所述分别计算第m个基准人脸图像的灰度值矩阵的均值和均方差包括:
根据下式计算第m个基准人脸图像的灰度值矩阵的均值:
根据下式计算第m个基准人脸图像的灰度值矩阵的均方差:
6.一种图像处理装置,其特征在于,包括:
人脸检测模块,用于获取由预设的监控摄像头采集的监控图像,并对所述监控图像进行人脸检测;
相似度计算模块,用于若在所述监控图像中检测到人脸图像,则分别计算检测人脸图像与预设的基准人脸图像集合中的各个基准人脸图像之间的相似度,所述检测人脸图像为在所述监控图像中检测到的人脸图像;
图像隐藏处理模块,用于若所述检测人脸图像与所述基准人脸图像集合中的各个基准人脸图像之间的相似度均小于预设的相似度阈值,则对所述监控图像中的所述检测人脸图像进行隐藏处理;
图像显示模块,用于将所述监控图像发送至预设的显示终端进行显示。
7.根据权利要求6所述的图像处理装置,其特征在于,所述人脸检测模块包括:
颜色空间转换单元,用于将所述监控图像由RGB颜色空间转换到YCbCr颜色空间,得到转换后的监控图像;
肤色像素点集合构造单元,用于在所述转换后的监控图像中将满足预设的肤色判定条件的像素点确定为肤色像素点,并构造由各个肤色像素点组成的肤色像素点集合;
肤色像素点统计单元,用于统计所述肤色像素点集合中肤色像素点的数目;
分散度计算单元,用于计算所述肤色像素点集合的分散度;
人脸图像确定单元,用于若所述肤色像素点集合中肤色像素点的数目大于预设的数目阈值,且所述肤色像素点集合的分散度小于预设的分散度阈值,则将所述肤色像素点集合所覆盖的区域确定为人脸图像。
8.根据权利要求6所述的图像处理装置,其特征在于,所述相似度计算模块包括:
第一计算单元,用于构造所述检测人脸图像的灰度值矩阵,并分别计算所述检测人脸图像的灰度值矩阵的均值和均方差;
第二计算单元,用于构造所述基准人脸图像集合中的第m个基准人脸图像的灰度值矩阵,并分别计算第m个基准人脸图像的灰度值矩阵的均值和均方差,1≤m≤M,M为所述基准人脸图像集合中的基准人脸图像的总数;
第三计算单元,用于根据下式计算所述检测人脸图像与所述基准人脸图像集合中的第m个基准人脸图像之间的相似度:
其中,R[i][j]为所述检测人脸图像的灰度值矩阵中第i行第j列的元素,T[i][j]为第m个基准人脸图像的灰度值矩阵中第i行第j列的元素,H、W分别为灰度值矩阵的行数和列数,μR、σR分别为所述检测人脸图像的灰度值矩阵的均值和均方差,μT、σT分别为第m个基准人脸图像的灰度值矩阵的均值和均方差,SimDeg为所述检测人脸图像与所述基准人脸图像集合中的第m个基准人脸图像之间的相似度。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的图像处理方法的步骤。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至5中任一项所述的图像处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811248462.XA CN109446977B (zh) | 2018-10-25 | 基于人脸识别的图像处理方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811248462.XA CN109446977B (zh) | 2018-10-25 | 基于人脸识别的图像处理方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109446977A true CN109446977A (zh) | 2019-03-08 |
CN109446977B CN109446977B (zh) | 2024-06-28 |
Family
ID=
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111031348A (zh) * | 2019-12-11 | 2020-04-17 | 浙江宇视科技有限公司 | 一种视频加扰方法、装置、服务器和存储介质 |
CN111160169A (zh) * | 2019-12-18 | 2020-05-15 | 中国平安人寿保险股份有限公司 | 人脸检测方法、装置、设备及计算机可读存储介质 |
CN112241704A (zh) * | 2020-10-16 | 2021-01-19 | 百度(中国)有限公司 | 一种判定肖像侵权的方法、装置、电子设备及存储介质 |
CN112733637A (zh) * | 2020-12-29 | 2021-04-30 | 上海小零网络科技有限公司 | 一种超市的全景视频监控方法 |
CN116308748A (zh) * | 2023-03-19 | 2023-06-23 | 二十六度数字科技(广州)有限公司 | 一种基于知识图谱的用户欺诈行为判断系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216885A (zh) * | 2008-01-04 | 2008-07-09 | 中山大学 | 一种基于视频的行人人脸检测与跟踪算法 |
CN107862247A (zh) * | 2017-10-13 | 2018-03-30 | 平安科技(深圳)有限公司 | 一种人脸活体检测方法及终端设备 |
CN108012122A (zh) * | 2017-12-15 | 2018-05-08 | 北京奇虎科技有限公司 | 监控视频的处理方法、装置和服务器 |
CN108021881A (zh) * | 2017-12-01 | 2018-05-11 | 腾讯数码(天津)有限公司 | 一种肤色分割方法、装置和存储介质 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216885A (zh) * | 2008-01-04 | 2008-07-09 | 中山大学 | 一种基于视频的行人人脸检测与跟踪算法 |
CN107862247A (zh) * | 2017-10-13 | 2018-03-30 | 平安科技(深圳)有限公司 | 一种人脸活体检测方法及终端设备 |
CN108021881A (zh) * | 2017-12-01 | 2018-05-11 | 腾讯数码(天津)有限公司 | 一种肤色分割方法、装置和存储介质 |
CN108012122A (zh) * | 2017-12-15 | 2018-05-08 | 北京奇虎科技有限公司 | 监控视频的处理方法、装置和服务器 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111031348A (zh) * | 2019-12-11 | 2020-04-17 | 浙江宇视科技有限公司 | 一种视频加扰方法、装置、服务器和存储介质 |
CN111031348B (zh) * | 2019-12-11 | 2022-03-15 | 浙江宇视科技有限公司 | 一种视频加扰方法、装置、服务器和存储介质 |
CN111160169A (zh) * | 2019-12-18 | 2020-05-15 | 中国平安人寿保险股份有限公司 | 人脸检测方法、装置、设备及计算机可读存储介质 |
CN111160169B (zh) * | 2019-12-18 | 2024-03-15 | 中国平安人寿保险股份有限公司 | 人脸检测方法、装置、设备及计算机可读存储介质 |
CN112241704A (zh) * | 2020-10-16 | 2021-01-19 | 百度(中国)有限公司 | 一种判定肖像侵权的方法、装置、电子设备及存储介质 |
CN112241704B (zh) * | 2020-10-16 | 2024-05-31 | 百度(中国)有限公司 | 一种判定肖像侵权的方法、装置、电子设备及存储介质 |
CN112733637A (zh) * | 2020-12-29 | 2021-04-30 | 上海小零网络科技有限公司 | 一种超市的全景视频监控方法 |
CN116308748A (zh) * | 2023-03-19 | 2023-06-23 | 二十六度数字科技(广州)有限公司 | 一种基于知识图谱的用户欺诈行为判断系统 |
CN116308748B (zh) * | 2023-03-19 | 2023-10-20 | 二十六度数字科技(广州)有限公司 | 一种基于知识图谱的用户欺诈行为判断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kuang et al. | Thermal infrared colorization via conditional generative adversarial network | |
CN105843386B (zh) | 一种商场虚拟试衣系统 | |
CN105518744B (zh) | 行人再识别方法及设备 | |
Prakash et al. | Bounded Kalman filter method for motion-robust, non-contact heart rate estimation | |
Zhou et al. | Activity analysis, summarization, and visualization for indoor human activity monitoring | |
CN112381011B (zh) | 基于人脸图像的非接触式心率测量方法、系统及装置 | |
CN105556508A (zh) | 虚拟镜子的装置、系统和方法 | |
CN107408205A (zh) | 用红外成像区分前景和背景 | |
CN109886153B (zh) | 一种基于深度卷积神经网络的实时人脸检测方法 | |
Tan et al. | Legitimate adversarial patches: Evading human eyes and detection models in the physical world | |
KR20210088600A (ko) | 전시 영역 상태 인식 방법, 장치, 전자 디바이스 및 기록 매체 | |
CN110458895A (zh) | 图像坐标系的转换方法、装置、设备及存储介质 | |
Kumar et al. | Application of internet of things in image processing | |
CN102789637B (zh) | 基于改进的susan算子的显著性区域提取 | |
TW202121233A (zh) | 影像處理方法、處理器、電子設備、儲存媒介 | |
CN104361593A (zh) | 一种基于hvs和四元数的彩色图像质量评价方法 | |
CN110502974A (zh) | 一种视频图像的展示方法、装置、设备、及可读存储介质 | |
JP6656572B1 (ja) | 情報処理装置、表示制御方法および表示制御プログラム | |
CN109902613A (zh) | 一种基于迁移学习和图像增强的人体特征提取方法 | |
CN103065282A (zh) | 一种基于稀疏线性系统的图像融合方法 | |
Wang et al. | Multimodal medical image fusion based on multichannel coupled neural P systems and max-cloud models in spectral total variation domain | |
Ma et al. | Efficient saliency analysis based on wavelet transform and entropy theory | |
Lee et al. | SEE: a proactive strategy-centric and deep learning-based ergonomic risk assessment system for risky posture recognition | |
CN103914677B (zh) | 一种动作识别方法及装置 | |
Zhang et al. | The generative adversarial networks and its application in machine vision |
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 |