CN111091056A

CN111091056A - 图像中的墨镜识别方法及装置、电子设备、存储介质

Info

Publication number: CN111091056A
Application number: CN201911111142.4A
Authority: CN
Inventors: 刘岩
Original assignee: Taikang Insurance Group Co Ltd
Current assignee: Taikang Insurance Group Co Ltd
Priority date: 2019-11-14
Filing date: 2019-11-14
Publication date: 2020-05-01
Anticipated expiration: 2039-11-14
Also published as: CN111091056B

Abstract

本公开提供了一种图像中的墨镜识别方法、图像中的墨镜识别装置、电子设备及计算机可读存储介质，属于图像处理技术领域。该方法包括：获取待识别图像，通过检测窗口遍历所述待识别图像，得到所述待识别图像的多个子图像；采用预先训练的集成分类器对各所述子图像的哈尔特征进行处理，分别判断各所述子图像是否包含墨镜；根据包含墨镜的所述子图像确定所述待识别图像中关于墨镜的预识别区域；通过计算所述预识别区域内像素点的梯度，确定所述预识别区域内是否包含墨镜。本公开可以有效识别图像中的墨镜区域。

Description

图像中的墨镜识别方法及装置、电子设备、存储介质

技术领域

本公开涉及图像处理技术领域，尤其涉及一种图像中的墨镜识别方法、图像中的墨镜识别装置、电子设备及计算机可读存储介质。

背景技术

目前，随着社会各个领域对身份识别的要求日益突出，基于视频流的安全防范方法有了非常多的研究，例如人脸识别、行人检测或入侵检测等等。然而，在上述各种关于图像的检测中，通常需要基于人脸的面部特征对人的身份进行识别，当图像中的人佩戴墨镜时，不仅难以对其身份进行识别，还可能会出现遗漏对某些可疑人员的检测的情况。

因此，如何有效的识别图像中佩戴墨镜的人，是现有技术亟待解决的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供了一种图像中的墨镜识别方法、图像中的墨镜识别装置、电子设备及计算机可读存储介质，进而至少在一定程度上克服现有技术中难以对图像中的墨镜区域进行有效识别的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种图像中的墨镜识别方法，包括：获取待识别图像，通过检测窗口遍历所述待识别图像，得到所述待识别图像的多个子图像；采用预先训练的集成分类器对各所述子图像的哈尔特征进行处理，分别判断各所述子图像是否包含墨镜；根据包含墨镜的所述子图像确定所述待识别图像中关于墨镜的预识别区域；通过计算所述预识别区域内像素点的梯度，确定所述预识别区域内是否包含墨镜。

在本公开的一种示例性实施例中，所述集成分类器通过以下步骤获得：获取样本图像，提取所述样本图像的多种哈尔特征；分别以所述样本图像的每种哈尔特征作为训练数据，结合所述样本图像的标签，采用迭代算法训练分类器，获得所述每种哈尔特征对应的弱分类器；将所述每种哈尔特征对应的弱分类器进行集成，得到所述集成分类器。

在本公开的一种示例性实施例中，所述将所述每种哈尔特征对应的弱分类器进行集成，得到所述集成分类器，包括：确定所述每种哈尔特征对应的弱分类器的误差权重；根据所述误差权重，通过以下公式将所述每种哈尔特征对应的弱分类器进行集成，得到所述集成分类器：

其中，V(x)表示所述集成分类器，x表示图像的哈尔特征，h_t(x)表示为第t弱分类器，为第t种哈尔特征对应的弱分类器，α_t为第t弱分类器的误差权重，n表示所述哈尔特征的种类数。

在本公开的一种示例性实施例中，所述采用预先训练的集成分类器对各所述子图像的哈尔特征进行处理，分别确定各所述子图像是否包含墨镜，包括：将所述子图像的哈尔特征输入所述集成分类器，得到所述子图像的输出值，如果该输出值大于分类阈值，则判断所述子图像包含墨镜；其中，所述分类阈值通过以下步骤确定：确定所述样本图像中的正样本图像以及负样本图像；根据所述集成分类器对每个所述正样本图像的哈尔特征进行处理，并对每个所述正样本图像的输出值计算平均值，得到第一平均值；根据所述集成分类器对每个所述负样本图像的哈尔特征进行处理，并对每个所述负样本图像的输出值计算平均值，得到第二平均值；根据所述第一平均值和所述第二平均值，确定所述分类阈值。

在本公开的一种示例性实施例中，所述通过计算所述预识别区域内像素点的梯度，确定所述预识别区域内是否包含墨镜，包括：将所述预识别区域的图像转换为灰度图像，并计算所述灰度图像的垂直积分投影和水平积分投影；基于所述垂直积分投影和水平积分投影在所述灰度图像中确定基准点；在所述预识别区域中确定以所述基准点为中心的目标子区域；计算所述目标子区域中每个像素点的梯度大小和梯度方向；根据所述梯度大小和所述梯度方向确定所述预识别区域内是否包含墨镜。

在本公开的一种示例性实施例中，所述根据所述梯度大小和所述梯度方向确定所述预识别区域内是否包含墨镜，包括：确定所述目标子区域中梯度大小超过第一阈值的像素点数量占所述目标子区域中总像素点数量的第一比值；确定所述目标子区域中梯度方向超过第二阈值的像素点数量占所述目标子区域中总像素点数量的第二比值；如果所述第一比值与所述第二比值之和超过一第三阈值，则确定所述预识别区域内包含墨镜。

在本公开的一种示例性实施例中，所述哈尔特征包括边缘特征、线性特征、中心特征和对角线特征中的一种或多种。

根据本公开的一个方面，提供一种图像中的墨镜识别装置，包括：图像获取模块，用于获取待识别图像，通过检测窗口遍历所述待识别图像，得到所述待识别图像的多个子图像；特征处理模块，用于采用预先训练的集成分类器对各所述子图像的哈尔特征进行处理，分别判断各所述子图像是否包含墨镜；区域确定模块，用于根据包含墨镜的所述子图像确定所述待识别图像中关于墨镜的预识别区域；墨镜识别模块，用于通过计算所述预识别区域内像素点的梯度，确定所述预识别区域内是否包含墨镜。

在本公开的一种示例性实施例中，所述集成分类器通过以下模块获得：特征提取模块，用于获取样本图像，提取所述样本图像的多种哈尔特征；数据训练模块，用于分别以所述样本图像的每种哈尔特征作为训练数据，结合所述样本图像的标签，采用迭代算法训练分类器，获得所述每种哈尔特征对应的弱分类器；分类器集成模块，用于将所述每种哈尔特征对应的弱分类器进行集成，得到所述集成分类器。

在本公开的一种示例性实施例中，分类器集成模块包括：误差权重确定单元，用于确定所述每种哈尔特征对应的弱分类器的误差权重；集成分类器确定单元，用于根据所述误差权重，通过以下公式将所述每种哈尔特征对应的弱分类器进行集成，得到所述集成分类器：

在本公开的一种示例性实施例中，特征处理模块包括：图像输入单元，用于将所述子图像的哈尔特征输入所述集成分类器，得到所述子图像的输出值，如果该输出值大于分类阈值，则判断所述子图像包含墨镜；其中，所述分类阈值通过以下步骤确定：确定所述样本图像中的正样本图像以及负样本图像；根据所述集成分类器对每个所述正样本图像的哈尔特征进行处理，并对每个所述正样本图像的输出值计算平均值，得到第一平均值；根据所述集成分类器对每个所述负样本图像的哈尔特征进行处理，并对每个所述负样本图像的输出值计算平均值，得到第二平均值；根据所述第一平均值和所述第二平均值，确定所述分类阈值。

在本公开的一种示例性实施例中，墨镜识别模块包括：图像转换单元，用于将所述预识别区域的图像转换为灰度图像，并计算所述灰度图像的垂直积分投影和水平积分投影；基准点确定单元，用于基于所述垂直积分投影和水平积分投影在所述灰度图像中确定基准点；目标子区域确定单元，用于在所述预识别区域中确定以所述基准点为中心的目标子区域；墨镜确定单元，用于根据所述梯度大小和所述梯度方向确定所述预识别区域内是否包含墨镜。

在本公开的一种示例性实施例中，墨镜确定单元包括：第一比值确定子单元，用于确定所述目标子区域中梯度大小超过第一阈值的像素点数量占所述目标子区域中总像素点数量的第一比值；第二比值确定子单元，用于确定所述目标子区域中梯度方向超过第二阈值的像素点数量占所述目标子区域中总像素点数量的第二比值；墨镜确定子单元，用于如果所述第一比值与所述第二比值之和超过一第三阈值，则确定所述预识别区域内包含墨镜。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。

本公开的示例性实施例具有以下有益效果：

获取待识别图像，通过检测窗口遍历所述待识别图像，得到待识别图像的多个子图像，采用预先训练的集成分类器对各子图像的哈尔特征进行处理，分别判断各子图像是否包含墨镜，根据包含墨镜的子图像确定待识别图像中关于墨镜的预识别区域，通过计算预识别区域内像素点的梯度，确定预识别区域内是否包含墨镜。一方面，本示例性实施例提出一种新的图像识别方法，可以对图像中的墨镜区域进行有效识别，且识别过程不依赖于人脸特征，具有较广的适用性；另一方面，采用预识别与再识别的方式，对待识别图像进行粗识别，并对可能存在墨镜的区域进行再识别，大大降低了一次性识别所需的计算量，使得图像识别过程更加具有针对性，提高了墨镜识别的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出本示例性实施例中一种图像中的墨镜识别方法的流程图；

图2示意性示出本示例性实施例中一种图像中的墨镜识别方法的子流程图；

图3示意性示出本示例性实施例中另一种图像中的墨镜识别方法的子流程图；

图4示意性示出本示例性实施例中另一种图像中的墨镜识别方法的流程图；

图5示意性示出本示例性实施例中一种图像中的墨镜识别装置的结构框图；

图6示意性示出本示例性实施例中一种用于实现上述方法的电子设备；

图7示意性示出本示例性实施例中一种用于实现上述方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

本公开的示例性实施例首先提供了一种图像中的墨镜识别方法，本实施例方法的应用场景可以是：对医院或社区等特殊场所设置的监控设施获取的视频图像进行识别，如果有佩戴墨镜的可疑人员则触发警报；或者结合人像识别，对视频图像首先进行墨镜识别，当识别到有人佩戴墨镜，可令其摘掉墨镜后进行人像识别，避免出现遗漏对佩戴墨镜的人的识别的情况等等。

下面结合附图1对本示例性实施例做进一步说明，如图1所示，图像中的墨镜识别方法可以包括以下步骤S110～S140：

步骤S110，获取待识别图像，通过检测窗口遍历待识别图像，得到待识别图像的多个子图像。

其中，待识别图像是指需要进行墨镜识别的图像，对待识别图像进行墨镜识别，实质上是对待识别图像中的对象进行墨镜识别，例如对图像中的一个或多个人脸面部是否佩戴墨镜进行识别。待识别图像可以是从某一平台(如云端)抽取的待审核图像，也可以是从监控捕获的视频中抽取的帧图像等等。在本示例性实施例中，对待识别图像进行检测时，可以通过检测窗口遍历待识别图像，其中，检测窗口可以根据需要自定义设置。具体过程可以为，首先设置一预设尺寸的检测窗口，然后按照一定的尺度参数(即每次移动的像素个数)进行移动，遍历整个待识别图像。遍历完以后按照指定的放大的倍数参数放大检测窗口，然后再进行一次图像遍历；通过这样的方式调整检测窗口，并对待识别图像进行循环遍历，直到检测窗口到达某一程度以后停止遍历，例如超过原待识别图像的一半。其中，检测窗口每移动至一个位置，都会在待识别图像中框选出一个区域，该区域即为待识别图像的子图像。通过对子图像中特征的处理，可以得到子图像中是否包含墨镜的初步判断。

步骤S120，采用预先训练的集成分类器对各子图像的哈尔特征进行处理，分别判断各子图像是否包含墨镜。

其中，哈尔特征通常使用一种具有黑白区域的矩形的特征模板来确定，具体的，将一特征模板放在图像中，通过计算白色区域的像素和减去黑色区域的像素和，以确定该特征模板对应的特征值。因此，在检测窗口中使特征模板进行滑动，即可以将该检测窗口所在区域的图像进行特征量化，确定多个特征值。其中，特征模板可以在检测窗口内以“任意”尺寸“任意”放置，每一种形态都可以确定一个特征值。确定检测窗口内的所有特征值，是进行训练集成分类器的基础。在本示例性实施例中，哈尔特征可以用于描述待识别图像中墨镜的结构特征，通常哈尔特征可以包括多种类型。本示例性实施例的哈尔特征可以包括边缘特征、线性特征、中心特征和对角线特征中的一种或多种类型。不同类型的哈尔特征的特征模板具有差异，同一类型的特征模板又可以细分为多种小类，本示例性实施例，可以通过对子图像中的4种边缘特征、4种线性特征、2种中心特征以及4种对角线特征，共14种哈尔特征进行处理，以提高对子图像墨镜判断的准确性。

在本示例性实施例中，集成分类器可以是指Adaboost分类器，其在训练时，可以分别对每一种哈尔特征进行训练，以得到每种哈尔特征对应的弱分类器，例如采用上述14种哈尔特征进行训练，可以确定14个弱分类器。按照一定的规则将多个弱分类器结合在一起可以形成强分类器并级联起来，以便从大量的哈尔特征中选出一些重要的特征，从而得到一个用于确定各子图像中是否包含墨镜的Adaboost分类器。

步骤S130，根据包含墨镜的子图像确定待识别图像中关于墨镜的预识别区域。

在本示例性实施例中，通过集成分类器对每个子图像的哈尔特征进行处理后，可以初步判断哪一子图像中可能存在墨镜，则所有可能存在墨镜的子图像将会出现重叠部分，根据各子图像的交集部分，可以预判断墨镜可能存在的区域，即预识别区域，从而执行之后的识别步骤。需要说明的是，如果在步骤S130中，没有出现可能存在墨镜的子区域，则将确定待识别图像中不包含墨镜，则无需进行之后的步骤。

步骤S140，如果预识别区域内的像素点的梯度满足预设条件，则确定预识别区域包含墨镜。

为了增加待识别区域中对墨镜识别的准确性，在本示例性实施例中，可以在确定可能包含墨镜的预识别区域后，可以设置再识别机制对预识别区域进行再次识别，以对根据集成分类器得到的识别结果进行确认。具体的，可以通过计算预识别区域内每个像素点的梯度，判断梯度是否满足一预设条件来实现，其中，像素点梯度可以包括梯度大小和梯度方向，预设条件可以是指能够判断当前待识别区域内像素点的梯度是否符合一待识别区域内包含墨镜的标准条件，其可以是关于待识别区域内像素点梯度大小的阈值条件，也可以是梯度方向的阈值条件，或者是梯度大小和梯度方向的阈值条件等等，本公开对此不做具体限定。

考虑到墨镜本身的颜色特征，待识别区域中墨镜区域的灰度分布会具有一定的规律。因此，为了增强对预识别区域是否包含墨镜的识别准确性，本示例性实施例还可以将预识别区域的图像转换为灰度图像，并结合积分投影算法对预识别区域进行再次识别，具体的，在一示例性实施例中，步骤S140可以包括以下步骤：

步骤S210，将预识别区域的图像转换为灰度图像，并计算灰度图像的垂直积分投影和水平积分投影；

步骤S220，基于垂直积分投影和水平积分投影在灰度图像中确定基准点；

步骤S230，在预识别区域中确定以基准点为中心的目标子区域；

步骤S240，计算目标子区域中每个像素点的梯度大小和梯度方向；

步骤S250，根据梯度大小和梯度方向确定预识别区域内是否包含墨镜。

通常，在采用积分投影算法图像进行处理时，仅需要用到灰度信息，因此，本示例性实施例首先对预识别区域进行了灰度处理。为了提高图像处理效率，可以采用加权平均值的方法，将彩色的图像转换为灰度图像。另外，同时考虑到外界因素，如天气、光照变化和摄像头曝光不足等因素的影响，可能导致图像的对比度不足不问题，还可以针对图像采用直方图均衡化的方法增强图像的对比度，从而保证最后进行墨镜定位的准确性。

为了提高计算效率，并减少不必要的计算量，本示例性实施例可以对待识别区域中墨镜区域进行再一次预判，从预识别区域内确定大概率包含墨镜的子区域，即目标子区域。其中，目标子区域的确定过程具体可以包括，将预识别区域的图像转换为灰度图像I(x,y)，并对该灰度图像进行垂直积分投影，以确定垂直投影曲线V(x)，垂直投影曲线可以通过以下公式表示：

根据垂直投影曲线的图像，以水平坐标的中心位置

为起始点，可以利用线性梯度算法寻找v(x)附近的峰值及其对应的水平坐标x_c；

另外，对灰度图像再进行水平积分投影，以确定水平投影曲线h(x)，其可以通过以下公式表示：

根据水平投影曲线的图像，以垂直坐标的中心位置

为起始点，可以利用线性梯度算法寻找h(x)附近的峰值及其对应的垂直坐标y_c；

根据水平坐标x_c以及垂直坐标y_c可以确定一基准点的位置(x_c，y_c)；

以该基准点的位置(x_c，y_c)为中心，可以在预识别区域内截取一预设长度和宽度的矩形区域作为目标子区域，例如可以截取高度为

宽度为

的矩形区域，其中，a为预识别区域的高度，b为预识别区域的宽度。另外，目标子区域的尺寸还可以根据需要进行自定义设置，本公开对此不做具体限定。在确定目标子区域后，计算目标子区域内每个像素点的梯度大小和梯度方向，并据此确定目标子区域内是否包含墨镜，可以减少图像中像素点的计算量，进一步提高识别墨镜的效率，使得墨镜区域的识别更加具有针对性。

在一示例性实施例中，上述步骤S250可以包括以下步骤：

确定目标子区域中梯度大小超过第一阈值的像素点数量占目标子区域中总像素点数量的第一比值；

确定目标子区域中梯度方向超过第二阈值的像素点数量占目标子区域中总像素点数量的第二比值；

如果第一比值与第二比值之和超过一第三阈值，则确定预识别区域内包含墨镜。

其中，第一阈值是指用于确定目标子区域中像素点的梯度大小是否满足一特定要求的判断条件，其可以是各像素点梯度大小的平均值；第二阈值是指用于确定目标子区域中像素点的梯度方向是否满足一特定要求的判断条件，其可以是各像素点梯度方向的平均值。在本示例性实施例中，目标子区域可以表示为f(x，y)，目标子区域中总共包括n个像素点，每个像素点的梯度大小可以通过公式：

来计算，梯度方向可以通过公式：θ＝arctan(G_v，G_x)，来计算，则第一阈值可以设置为

第二阈值可以设置为

其中，G_y，G_x分别表示为目标子区域f(x，y)在(x，y)处水平方向的一阶导数和垂直方向上的一阶导数。第一比值可以通过：

来计算，其中，m为目标子区域中梯度大小超过

的像素点数量；第二比值可以通过：

来计算，其中，k为目标子区域中梯度方向超过

的像素点数量。

在本示例性实施例中，可以通过第一比值和第二比值计算得到第三比值，并根据第三阈值，确定目标子区域中是否含有墨镜，例如可以设置当U₁+U₂>1/3时，判定预识别区域内包含墨镜。需要说明的是，第三阈值可以根据需要进行自定义调整，本公开对此不做具体限定。

基于上述说明，在本示例性实施例中，获取待识别图像，通过检测窗口遍历所述待识别图像，得到待识别图像的多个子图像，采用预先训练的集成分类器对各子图像的哈尔特征进行处理，分别判断各子图像是否包含墨镜，根据包含墨镜的子图像确定待识别图像中关于墨镜的预识别区域，通过计算预识别区域内像素点的梯度，确定预识别区域内是否包含墨镜。一方面，本示例性实施例提出一种新的图像识别方法，可以对图像中的墨镜区域进行有效识别，且识别过程不依赖于人脸特征，具有较广的适用性；另一方面，采用预识别与再识别的方式，对待识别图像进行粗识别，并对可能存在墨镜的区域进行再识别，大大降低了一次性识别所需的计算量，使得图像识别过程更加具有针对性，提高了墨镜识别的准确性。

在一示例性实施例中，上述集成分类器可以通过以下步骤获得：

步骤S310，获取样本图像，提取样本图像的多种哈尔特征；

步骤S320，分别以样本图像的每种哈尔特征作为训练数据，结合样本图像的标签，采用迭代算法训练分类器，获得每种哈尔特征对应的弱分类器；

步骤S330，将每种哈尔特征对应的弱分类器进行集成，得到集成分类器。

其中，样本图像是指用于训练分类器的图像，其可以从系统的历史图像中获取，例如监控拍摄的历史视频中包含墨镜的图像和不含墨镜的图像，样本图像的标签即能够反映样本图像中是否包含墨镜的标识信息，例如“1”表示图像中包含墨镜，“0”表示图像中不含墨镜。

在本示例性实施例中，可以将样本图像中的每种哈尔特征作为训练数据，训练得到每种哈尔特征对应的弱分类器。以Adaboost分类器，一种哈尔特征为例，进行说明，训练过程可以包括：

获取样本图像中哈尔特征的集合X，根据样本图像的标签的集合Y，建立样本特征集合S＝{(x_i，y_i)|i＝1，2，…，m}，其中x_i∈X，y_i∈Y，由于是否包含墨镜属于二分类问题，因此，Y＝{0，1}；

初始化样本特征的权重

d_t(i)表示第t次训练迭代中样本特征(x_i,y_i)的权重，样本特征的权重每一训练一轮会更新一次，即每一轮训练都可以得到一个分类器k_t(x)，权重的更新规则可以是：

计算第t轮样本特征的权重之和(即分类误差率)：

在训练过程中，每一轮迭代得到的分类器k_t(x)的权重系数，可以通过

计算得到，则第t+1轮样本特征的权重可以通过以下公式确定：

其中，其中Z_t为正则因子，以保证∑_id_t+1(i)＝1。

根据以上训练过程，每一种哈尔特征最终都将确定一对应的弱分类器，该弱分类器可以是训练过程中所有轮迭代得到的分类器的集合，也可以是某一轮迭代得到的准确率最高的分类器，本公开对此不做具体限定。需要说明的是，本示例性实施例中每种哈尔特征对应的弱分类器区别于一般的Adaboost分类器在迭代过程中每一轮确定的弱分类器，相比于迭代过程中每轮确定的弱分类器，可以认为每种哈尔特征对应的弱分类器为强分类器。在本示例性实施例中，将各种特征对应的弱分类器进行集成，即可以得到一最强分类器，为本示例性实施例中的集成分类器。

具体的，在一示例性实施例中，上述步骤S430可以包括以下步骤：

确定每种哈尔特征对应的弱分类器的误差权重；

根据误差权重，通过以下公式将每种哈尔特征对应的弱分类器进行集成，得到集成分类器：

其中，V(x)表示集成分类器，x表示图像的哈尔特征，h_t(x)表示为第t弱分类器，为第t种哈尔特征对应的弱分类器，α_t为第t弱分类器的误差权重，n表示哈尔特征的种类数。

其中，误差权重是指样本特征的错分样本的权重之和，在本示例性实施例中，每种哈尔特征对应的弱分类器的误差权重可以通过以下公式计算：

其中D_t(i)为每种哈尔特征在进行多轮迭代，最后一轮迭代结束时，各样本特征的权重。进一步，根据公式

即可以得到集成分类器，其中t表示哈尔特征的种类数，例如本示例性实施例可以采用14中哈尔特征进行处理，则可以得到14种哈尔特征对应的弱分类器，则集成分类器可以根据14个弱分类器得到。

在本示例性实施例中，将图像输入集成分类器后会得到一个输出值，通过对该输出值设置阈值大小，即可以得到图像是否包含墨镜的判断结果。因此，需要合理设置集成分类器的阈值大小，在一示例性实施例中，步骤S120可以包括：

将子图像的哈尔特征输入集成分类器，得到子图像的输出值，如果该输出值大于分类阈值，则判断子图像包含墨镜；

其中，分类阈值通过以下步骤确定：

确定样本图像中的正样本图像以及负样本图像；

根据集成分类器对每个正样本图像的哈尔特征进行处理，并对每个正样本图像的输出值计算平均值，得到第一平均值；

根据集成分类器对每个负样本图像的哈尔特征进行处理，并对每个负样本图像的输出值计算平均值，得到第二平均值；

根据第一平均值和第二平均值，确定分类阈值。

其中，样本图像中会包括大量含墨镜的图像以及不含墨镜的图像，可以认为含墨镜的图像为正样本图像，不含墨镜的图像为负样本图像。在本示例性实施例中，可以通过以下公式确定子图像是否包含墨镜：

其中，V(x)即集成分类器，表示样本图像经过各弱分类器后输出的值，Q即为集成分类器的分类阈值，当V(x)≥Q时，可以判断子图像中包含墨镜，当V(x)<Q时，可以判断子图像中不包含墨镜。

在本示例性实施例中，分类阈值Q的确定具体可以包括：采用集成分类器对每个图像的哈尔特征进行处理，可以得到关于正样本图像的V(x)值的集合Pv，以及关于负样本图像的V(x)值的集合Nv，则第一平均值即为

第二平均值即为

在本示例性实施例中，可以采用多种方式，通过第一平均值和第二平均值确定分类阈值，例如根据公式

计算分类阈值，或者还可以为第一平均值与第二平均值设置不同的权重，本公开对此不做具体限定。

图4示出了本示例性实施例中另一种图像中的墨镜识别方法，具体可以包括：步骤S410，获取待识别图像；步骤S420，对待识别图像中进行墨镜预识别，以确定关于墨镜的预识别区域；步骤S430，对预识别区域内的图像进行墨镜再识别；步骤S440，从待识别图像中确定墨镜所在的区域；最后，执行步骤S450，输出待识别图像是否包含墨镜的识别结果。需要说明的是，如果在步骤S420中没有在待识别图像中检测到墨镜，则无需进行步骤S430及之后的步骤，因此，通过本示例性实施例中粗检测加定位的方式，可以减少墨镜识别的计算量，提高识别效率。

本公开的示例性实施例还提供了一种图像中的墨镜识别装置。参照图5，该装置500可以包括，图像获取模块510，用于获取待识别图像，通过检测窗口遍历待识别图像，得到待识别图像的多个子图像；特征处理模块520，用于采用预先训练的集成分类器对各子图像的哈尔特征进行处理，分别判断各子图像是否包含墨镜；区域确定模块530，用于根据包含墨镜的子图像确定待识别图像中关于墨镜的预识别区域；墨镜识别模块540，用于通过计算预识别区域内像素点的梯度，确定预识别区域内是否包含墨镜。

在一示例性实施例中，集成分类器可以通过以下模块获得：特征提取模块，用于获取样本图像，提取样本图像的多种哈尔特征；数据训练模块，用于分别以样本图像的每种哈尔特征作为训练数据，结合样本图像的标签，采用迭代算法训练分类器，获得每种哈尔特征对应的弱分类器；分类器集成模块，用于将每种哈尔特征对应的弱分类器进行集成，得到集成分类器。

在一示例性实施例中，分类器集成模块可以包括：误差权重确定单元，用于确定每种哈尔特征对应的弱分类器的误差权重；集成分类器确定单元，用于根据误差权重，通过以下公式将每种哈尔特征对应的弱分类器进行集成，得到集成分类器：

在一示例性实施例中，特征处理模块可以包括：图像输入单元，用于将子图像的哈尔特征输入集成分类器，得到子图像的输出值，如果该输出值大于分类阈值，则判断子图像包含墨镜；其中，分类阈值通过以下步骤确定：确定样本图像中的正样本图像以及负样本图像；根据集成分类器对每个正样本图像的哈尔特征进行处理，并对每个正样本图像的输出值计算平均值，得到第一平均值；根据集成分类器对每个负样本图像的哈尔特征进行处理，并对每个负样本图像的输出值计算平均值，得到第二平均值；根据第一平均值和第二平均值，确定分类阈值。

在一示例性实施例中，墨镜识别模块可以包括：图像转换单元，用于将预识别区域的图像转换为灰度图像，并计算灰度图像的垂直积分投影和水平积分投影；基准点确定单元，用于基于垂直积分投影和水平积分投影在灰度图像中确定基准点；目标子区域确定单元，用于在预识别区域中确定以基准点为中心的目标子区域；墨镜确定单元，用于根据梯度大小和梯度方向确定预识别区域内是否包含墨镜。

在一示例性实施例中，墨镜确定单元可以包括：第一比值确定子单元，用于确定目标子区域中梯度大小超过第一阈值的像素点数量占目标子区域中总像素点数量的第一比值；第二比值确定子单元，用于确定目标子区域中梯度方向超过第二阈值的像素点数量占目标子区域中总像素点数量的第二比值；墨镜确定子单元，用于如果第一比值与第二比值之和超过一第三阈值，则确定预识别区域内包含墨镜。

在一示例性实施例中，哈尔特征可以包括边缘特征、线性特征、中心特征和对角线特征中的一种或多种。

上述装置中各模块/单元的具体细节在方法部分的实施例中已经详细说明，未披露的细节内容可以参见方法部分的实施例内容，因此此处不再赘述。

本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图6来描述根据本公开的这种示例性实施例的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。

其中，存储单元存储有程序代码，程序代码可以被处理单元610执行，使得处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，处理单元610可以执行图1所示的步骤S110～S140，也可以执行图2所示的步骤S210～S250等。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)621和/或高速缓存存储单元622，还可以进一步包括只读存储单元(ROM)623。

存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624，这样的程序模块625包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。

本公开的示例性实施例还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图7所示，描述了根据本公开的示例性实施例的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施例，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims

1.一种图像中的墨镜识别方法，其特征在于，所述方法包括：

获取待识别图像，通过检测窗口遍历所述待识别图像，得到所述待识别图像的多个子图像；

采用预先训练的集成分类器对各所述子图像的哈尔特征进行处理，分别判断各所述子图像是否包含墨镜；

根据包含墨镜的所述子图像确定所述待识别图像中关于墨镜的预识别区域；

通过计算所述预识别区域内像素点的梯度，确定所述预识别区域内是否包含墨镜。

2.根据权利要求1所述的方法，其特征在于，所述集成分类器通过以下步骤获得：

获取样本图像，提取所述样本图像的多种哈尔特征；

分别以所述样本图像的每种哈尔特征作为训练数据，结合所述样本图像的标签，采用迭代算法训练分类器，获得所述每种哈尔特征对应的弱分类器；

将所述每种哈尔特征对应的弱分类器进行集成，得到所述集成分类器。

3.根据权利要求2所述的方法，其特征在于，所述将所述每种哈尔特征对应的弱分类器进行集成，得到所述集成分类器，包括：

确定所述每种哈尔特征对应的弱分类器的误差权重；

根据所述误差权重，通过以下公式将所述每种哈尔特征对应的弱分类器进行集成，得到所述集成分类器：

4.根据权利要求3所述的方法，其特征在于，所述采用预先训练的集成分类器对各所述子图像的哈尔特征进行处理，分别确定各所述子图像是否包含墨镜，包括：

将所述子图像的哈尔特征输入所述集成分类器，得到所述子图像的输出值，如果该输出值大于分类阈值，则判断所述子图像包含墨镜；

其中，所述分类阈值通过以下步骤确定：

确定所述样本图像中的正样本图像以及负样本图像；

根据所述集成分类器对每个所述正样本图像的哈尔特征进行处理，并对每个所述正样本图像的输出值计算平均值，得到第一平均值；

根据所述集成分类器对每个所述负样本图像的哈尔特征进行处理，并对每个所述负样本图像的输出值计算平均值，得到第二平均值；

根据所述第一平均值和所述第二平均值，确定所述分类阈值。

5.根据权利要求1所述的方法，其特征在于，所述通过计算所述预识别区域内像素点的梯度，确定所述预识别区域内是否包含墨镜，包括：

将所述预识别区域的图像转换为灰度图像，并计算所述灰度图像的垂直积分投影和水平积分投影；

基于所述垂直积分投影和水平积分投影在所述灰度图像中确定基准点；

在所述预识别区域中确定以所述基准点为中心的目标子区域；

计算所述目标子区域中每个像素点的梯度大小和梯度方向；

根据所述梯度大小和所述梯度方向确定所述预识别区域内是否包含墨镜。

6.根据权利要求5所述的方法，其特征在于，所述根据所述梯度大小和所述梯度方向确定所述预识别区域内是否包含墨镜，包括：

确定所述目标子区域中梯度大小超过第一阈值的像素点数量占所述目标子区域中总像素点数量的第一比值；

确定所述目标子区域中梯度方向超过第二阈值的像素点数量占所述目标子区域中总像素点数量的第二比值；

如果所述第一比值与所述第二比值之和超过一第三阈值，则确定所述预识别区域内包含墨镜。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述哈尔特征包括边缘特征、线性特征、中心特征和对角线特征中的一种或多种。

8.一种图像中的墨镜识别装置，其特征在于，包括：

图像获取模块，用于获取待识别图像，通过检测窗口遍历所述待识别图像，得到所述待识别图像的多个子图像；

特征处理模块，用于采用预先训练的集成分类器对各所述子图像的哈尔特征进行处理，分别判断各所述子图像是否包含墨镜；

区域确定模块，用于根据包含墨镜的所述子图像确定所述待识别图像中关于墨镜的预识别区域；

墨镜识别模块，用于通过计算所述预识别区域内像素点的梯度，确定所述预识别区域内是否包含墨镜。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。