CN111259744B - 一种基于皮肤模型和svm分类器的人脸检测方法及其装置 - Google Patents

一种基于皮肤模型和svm分类器的人脸检测方法及其装置 Download PDF

Info

Publication number
CN111259744B
CN111259744B CN202010023633.XA CN202010023633A CN111259744B CN 111259744 B CN111259744 B CN 111259744B CN 202010023633 A CN202010023633 A CN 202010023633A CN 111259744 B CN111259744 B CN 111259744B
Authority
CN
China
Prior art keywords
value
client
layer window
image
elements
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.)
Active
Application number
CN202010023633.XA
Other languages
English (en)
Other versions
CN111259744A (zh
Inventor
李周姿
冯跃
林卓胜
梁惠珠
刘慧琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuyi University
Original Assignee
Wuyi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuyi University filed Critical Wuyi University
Priority to CN202010023633.XA priority Critical patent/CN111259744B/zh
Publication of CN111259744A publication Critical patent/CN111259744A/zh
Application granted granted Critical
Publication of CN111259744B publication Critical patent/CN111259744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于皮肤模型和SVM分类器的人脸检测方法及其装置，在获取到待检测图像后，对待检测图像进行肤色检测和形态学处理，得出候选人脸区域，再将候选人脸区域划分为若干个图像子块并获取对应的直方图，分别根据直方图中内层窗口和外层窗口的领域元素和相邻元素得出各自的元素均值，采用元素均值更能反映直方图中元素的纹理特征，与各自的中心元素进行大小比较后分得出直方图并合并得出的纹理特征向量能够很好地反映全局纹理，减少了非肤色区域，在利用SVM分类器得出人脸检测结果时减少了计算量，并且计算准确度更好。

Description

一种基于皮肤模型和SVM分类器的人脸检测方法及其装置
技术领域
本发明涉及图像处理技术领域，特别是一种基于皮肤模型和SVM分类器的人脸检测方法及其装置。
背景技术
目前，人脸识别技术得到了广泛的应用，而在进行人脸识别之前，首先需要从获取到的图像提取出人脸部分，因此人脸检测是人脸识别的前提和基础。现有方法通常先从图像中提取出皮肤特征，再使用SVM(Support Vector Machine,支持向量机)分类器对皮肤特征分为肤色区域和非肤色区域，进而将肤色区域组合得出人脸。但现有技术在特征提取的过程中主要使用LBP(Local Binary Pattern,局部二值模式)，由于传统的LBP采用3乘3的直方图，只考虑中心元素和周围的8个领域元素的大小关系，只能得出局部纹理的特征向量，既容易受到背景信息的干扰，又导致SVM分类器需要对很多非肤色区域进行匹配处理，时间开销较大，人脸检测的准确度和效率不高。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种基于皮肤模型和SVM分类器的人脸检测方法及其装置，能够减少背景信息的干扰，提高人脸检测的效率和准确性。
本发明解决其问题所采用的技术方案是：第一方面，本发明提供了一种基于皮肤模型和SVM分类器的人脸检测方法及其装置，包括以下步骤：
客户端获取待检测图像，读取预先设定的皮肤模型和约束条件，对所述待检测图像进行肤色检测和形态学处理，得出候选人脸区域；
所述客户端将所述候选人脸区域划分为若干个图像子块，并获取所述图像子块所对应的直方图；
所述客户端分别获取所述直方图中的内层窗口和外层窗口的领域元素和与所述领域元素相邻的相邻元素，分别计算出所述内层窗口和外层窗口的领域元素和所述相邻元素的元素均值，根据所述元素均值与中心元素比较大小，分别得出所述直方图并合并成所对应区域的纹理特征向量；
所述客户端根据SVM分类器和所述纹理特征向量完成所述候选人脸区域的特征分类，得出人脸检测结果。
进一步，所述皮肤模型为基于YCbCr颜色空间的椭圆模型，所述约束条件为RGB颜色空间的B与G的比值。
进一步，所述对所述待检测图像进行肤色检测和形态学处理具体包括以下步骤：
所述客户端根据所述皮肤模型和所述约束条件获取所述待检测图像中提取出肤色区域；
所述客户端从所述肤色区域中检测出非人脸连通区域并去除，得出候选人脸区域。
进一步，所述内层窗口为3×3的窗口；所述外层窗口为5×5的窗口。
进一步，所述得出所述直方图所对应区域的纹理特征向量具体包括以下步骤：
所述客户端分别选取所述直方图中的内层窗口和外层窗口的领域元素，分别将所述领域元素的值和与其相邻的相邻元素的值相加并计算出平均值，将所述平均值设置为元素均值；
所述客户端将所述元素均值与所述中心元素进行值的大小对比，若所述元素均值小于所述中心元素的值，则所对应的领域元素的值设为0，若大于则所述领域元素的值设置为1；
所述客户端根据顺时针的顺序依次分别读取所述内层窗口和外层窗口的领域元素的值，得出各自的直方图并组合得出纹理特征向量。
进一步，所述纹理特征向量为由0和1所组成的二进制编码。
第二方面，本发明提供了一种用于执行基于皮肤模型和SVM分类器的人脸检测方法的装置，包括CPU单元，所述CPU单元用于执行以下步骤：
客户端获取待检测图像，读取预先设定的皮肤模型和约束条件，对所述待检测图像进行肤色检测和形态学处理，得出候选人脸区域；
所述客户端将所述候选人脸区域划分为若干个图像子块，并获取所述图像子块所对应的直方图；
所述客户端分别获取所述直方图中的内层窗口和外层窗口的领域元素和与所述领域元素相邻的相邻元素，分别计算出所述内层窗口和外层窗口的领域元素和所述相邻元素的元素均值，根据所述元素均值与中心元素比较大小，分别得出所述直方图并合并成所对应区域的纹理特征向量；
所述客户端根据SVM分类器和所述纹理特征向量完成所述候选人脸区域的特征分类，得出人脸检测结果。
进一步，所述CPU单元还用于执行以下步骤：
所述客户端根据所述皮肤模型和所述约束条件获取所述待检测图像中提取出肤色区域；
所述客户端从所述肤色区域中检测出非人脸连通区域并去除，得出候选人脸区域。
进一步，所述CPU单元还用于执行以下步骤：
所述客户端分别选取所述直方图中的内层窗口和外层窗口的领域元素，分别将所述领域元素的值和与其相邻的相邻元素的值相加并计算出平均值，将所述平均值设置为元素均值；
所述客户端将所述元素均值与所述中心元素进行值的大小对比，若所述元素均值小于所述中心元素的值，则所对应的领域元素的值设为0，若大于则所述领域元素的值设置为1；
所述客户端根据顺时针的顺序依次分别读取所述内层窗口和外层窗口的领域元素的值，得出各自的直方图并组合得出纹理特征向量。
第三方面，本发明提供了一种用于执行基于皮肤模型和SVM分类器的人脸检测方法的设备，包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器；存储器存储有可被至少一个控制处理器执行的指令，指令被至少一个控制处理器执行，以使至少一个控制处理器能够执行如上所述的基于皮肤模型和SVM分类器的人脸检测方法。
第四方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如上所述的基于皮肤模型和SVM分类器的人脸检测方法。
第五方面，本发明还提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使计算机执行如上所述的基于皮肤模型和SVM分类器的人脸检测方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下有益效果：本发明实施例在获取到待检测图像后，对待检测图像进行肤色检测和形态学处理，得出候选人脸区域，再将候选人脸区域划分为若干个图像子块并获取对应的直方图，根据直方图中领域元素和相邻元素得出元素均值，采用元素均值更能反映直方图中元素的纹理特征，与中心元素进行大小比较后得出的纹理特征向量能够很好地反映全局纹理，减少了非肤色区域的数量，在利用SVM分类器得出人脸检测结果时减少了计算量，并且计算准确度更好。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例提供的一种基于皮肤模型和SVM分类器的人脸检测方法的流程图；
图2是本发明实施例提供的一种基于皮肤模型和SVM分类器的人脸检测方法中对所述待检测图像进行肤色检测和形态学处理的流程图；
图3是本发明第一实施例提供的一种基于皮肤模型和SVM分类器的人脸检测方法中得出所述直方图所对应区域的纹理特征向量的流程图；
图4是本发明第一实施例提供的一种基于皮肤模型和SVM分类器的人脸检测方法中得出所述直方图所对应区域的纹理特征向量的示意图，其中(a)为直方图的示意图，(b)为计算出元素均值后的示意图，(c)为执行大小比较后的示意图；
图5是本发明第二实施例提供的一种用于执行基于皮肤模型和SVM分类器的人脸检测方法的装置示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。
参考图1，本发明的第一实施例提供了一种基于皮肤模型和SVM分类器的人脸检测方法，包括以下步骤：
步骤S100，客户端获取待检测图像，读取预先设定的皮肤模型和约束条件，对所述待检测图像进行肤色检测和形态学处理，得出候选人脸区域；
步骤S200，所述客户端将所述候选人脸区域划分为若干个图像子块，并获取所述图像子块所对应的直方图；
步骤S300，所述客户端分别获取所述直方图中的内层窗口和外层窗口的领域元素和与所述领域元素相邻的相邻元素，分别计算出所述内层窗口和外层窗口的领域元素和所述相邻元素的元素均值，根据所述元素均值与中心元素比较大小，分别得出所述直方图并合并成所对应区域的纹理特征向量；
步骤S400，所述客户端根据SVM分类器和所述纹理特征向量完成所述候选人脸区域的特征分类，得出人脸检测结果。
其中，需要说明的是，本实施例优选在步骤S100获取到待检测图像后，将图片大小调整成600×900像素，通过对图像的压缩提高后续的处理速度，具体调整的像素值可以根据实际需求调整。
其中，需要说明的是，步骤S200中人脸区域可以分为任意个图像子块，区分的图像子块越多，对人脸检测的结果越精准，耗费的处理时间越长，具体数量根据实际处理时的需求调整即可。
其中，需要说明的是，步骤S300中，本实施例优选将领域元素的相邻元素计算出元素均值后与中心元素进行大小比较，由于直方图每个元素代表一个像素的LBP值，现有的LBP直接用领域元素与中心元素进行大小比较忽略了相邻元素的影响，得出的纹理信息仅为局部纹理，其精度较低，本实施例综合相邻元素计算出元素均值再与中心元素进行比较，能够提高图像中相邻元素的相关性，使得得出的结果不仅仅为局部纹理信息，而是能够得出与所有元素相关的全局纹理信息，人脸检测的精度更高。
其中，需要说明的是，本实施例步骤S400的SVM分类器为现有技术，本实施例并不涉及对SVM分类器的改进，能够实现特征提取分类即可，在此不再赘述。
进一步，在本发明的另一个实施例中，所述皮肤模型为基于YCbCr颜色空间的椭圆模型，所述约束条件为RGB颜色空间的B与G的比值。
其中，需要说明的是，基于YCbCR颜色空间的椭圆模型和约束条件取值仅为本实施例的优选，也可以出于实际需求换成其他有相似功能的模型和约束条件，在此并不对本实施例造成限制，本实施例优选的椭圆模型为现有技术中HSV等人提出的椭圆模型，具体计算方法在此不再赘述。
其中，需要说明的是，本实施例优选B与G范围的选取方法如下：获取多幅人体皮肤以及椭圆模型误检区域在YCbCr颜色空间中的像素数量占总数量的比值，以及在RGB颜色空间中，R与G比值为在一定范围内的像素数量占总像素的比值，B与G比值为在一定范围内的像素数占总像素的比值，从所获取的比值中选取任意一个数值即可，在此不再赘述。本实施例优选采用B与G的比值由于R与G比值在人体肤色得出中波动相对B与G的比值较大，容易导致已经通过椭圆模型检测的肤色区域被排除掉；另外，R/G在误检区域得出中所占的比例相对较大，从而不利于对误检区域的排除，能够在保留肤色区域同时又尽可能地去除非肤色区域。
参考图2，进一步，所述对所述待检测图像进行肤色检测和形态学处理具体包括以下步骤：
步骤S110，所述客户端根据所述皮肤模型和所述约束条件获取所述待检测图像中提取出肤色区域；
步骤S120，所述客户端从所述肤色区域中检测出非人脸连通区域并去除，得出候选人脸区域。
其中，需要说明的是，形态学处理可以采用现有技术中任意能够实现该功能的算法，本实施例优选方法如下：采用中值滤波对在皮肤模型和约束条件下得到的二值图进行滤波与膨胀处理，从而实现除去零散孤立的点以及消除噪声，从而便于对连通区域进行划分及得出，然后得出连通区域并计算出每个区域的面积、外接矩形宽长比以及连通区域矩形度后，排除面积过少以及比值不巧当的区域，得出候选人脸区域。可以理解的是，本实施例优选连通区域面积设置的阈值为400个像素、长宽比值的阈值为4、宽长比值的阈值为4、连通区域面积与其外接矩形面积比值的阈值为1/4，具体的判断标准根据实际需求调整即可。
进一步，在本发明的另一个实施例中，所述内层窗口为3×3的窗口；所述外层窗口为5×5的窗口。
其中，需要说明的是，所述内层窗口为3×3的窗口；所述外层窗口为5×5的窗口，能够尽可能多地引入元素，相比起现有技术中LBP固定为3×3的窗口，本实施例的直方图能够为进行更精准的LBP提供数据基础。
参考图3和图4，进一步，在本发明的另一个实施例中，所述得出所述直方图所对应区域的纹理特征向量具体包括以下步骤：
步骤S310，所述客户端分别选取所述直方图中的内层窗口和外层窗口的领域元素，分别将所述领域元素的值和与其相邻的相邻元素的值相加并计算出平均值，将所述平均值设置为元素均值；
步骤S320，所述客户端将所述元素均值与所述中心元素进行值的大小对比，若所述元素均值小于所述中心元素的值，则所对应的领域元素的值设为0，若大于则所述领域元素的值设置为1；
步骤S330，所述客户端根据顺时针的顺序依次分别读取所述内层窗口和外层窗口的领域元素的值，得出各自的直方图并组合得出纹理特征向量。
其中，需要说明的是，本实施例优选选取左、右、上和下方的元素为对相邻元素，而不将成对角线关系的元素设置为相邻元素，避免造成计算量过大。
以下结合图4举例说明直方图的处理方法：
如图4(a)所示的5×5的直方图，中心元素为第三行第三列值为200的元素，其领域元素为奇数行奇数列的其他元素，优选地，若领域元素位于直方图的拐角位，例如图4(a)中第一行第一列值为200的领域元素，其相邻元素为位于其右边且值为190的元素和位于其下方值为200的元素，若领域元素不位于拐角位，例如第一行第三列值为185的元素，其相邻元素为分别位于左右两侧的元素和位于下方的元素，其他位置的领域元素同理，在此不再赘述。如图4(b)所示为结合领域元素和相邻元素计算出的元素均值，例如第一行第一列值为200的领域元素，其元素均值的计算方式为(200+190+200)/3，即196.7，其余领域元素的计算方法类似，在此不再赘述。
需要说明的是，如图4(c)所示，根据图4(b)所示的元素均值与中心元素进行大小比较，若小于中心元素，例如第一行第一列元素均值为196.7，其值小于200，则领域元素的值设置为0,；例如第五行第五列的元素均值为211.7，其值大于200，则领域元素的值设置为1。
参考图4，进一步，在本发明的另一个实施例中，所述纹理特征向量为由0和1所组成的二进制编码。
其中，需要说明的是，纹理特征向量优选通过直方图计算得出后，按照从上到下，从左到右的顺序读取其值后排列得出，由于步骤S330中领域元素的值为0和1，则得出的纹理特征向量为二进制编码，例如图4(c)中表示的纹理特征向量为00001000。
参照图5，本发明实施例还提供了一种用于执行基于皮肤模型和SVM分类器的人脸检测方法的装置，该装置为智能设备，例如智能手机、计算机和平板电脑等，本实施例以计算机为例加以说明。
在该用于执行基于皮肤模型和SVM分类器的人脸检测方法的计算机5000中，包括CPU单元5100，所述CPU单元5100用于执行以下步骤：
客户端获取待检测图像，读取预先设定的皮肤模型和约束条件，对所述待检测图像进行肤色检测和形态学处理，得出候选人脸区域；
所述客户端将所述候选人脸区域划分为若干个图像子块，并获取所述图像子块所对应的直方图；
所述客户端分别获取所述直方图中的内层窗口和外层窗口的领域元素和与所述领域元素相邻的相邻元素，分别计算出所述内层窗口和外层窗口的领域元素和所述相邻元素的元素均值，根据所述元素均值与中心元素比较大小，分别得出所述直方图并合并成所对应区域的纹理特征向量；
所述客户端根据SVM分类器和所述纹理特征向量完成所述候选人脸区域的特征分类，得出人脸检测结果。
进一步，本发明的另一个实施例中，所述CPU单元5100还用于执行以下步骤：
所述客户端根据所述皮肤模型和所述约束条件获取所述待检测图像中提取出肤色区域；
所述客户端从所述肤色区域中检测出非人脸连通区域并去除，得出候选人脸区域。
进一步，本发明的另一个实施例中，所述CPU单元5100还用于执行以下步骤：
所述客户端分别选取所述直方图中的内层窗口和外层窗口的领域元素，分别将所述领域元素的值和与其相邻的相邻元素的值相加并计算出平均值，将所述平均值设置为元素均值；
所述客户端将所述元素均值与所述中心元素进行值的大小对比，若所述元素均值小于所述中心元素的值，则所对应的领域元素的值设为0，若大于则所述领域元素的值设置为1；
所述客户端根据顺时针的顺序依次分别读取所述内层窗口和外层窗口的领域元素的值，得出各自的直方图并组合得出纹理特征向量。
计算机5000和CPU单元5100之间可以通过总线或者其他方式连接，计算机5000中还包括存储器，所述存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的用于执行基于皮肤模型和SVM分类器的人脸检测方法的设备对应的程序指令/模块。计算机5000通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而控制CPU单元5100执行用于执行基于皮肤模型和SVM分类器的人脸检测方法的各种功能应用以及数据处理，即实现上述方法实施例的基于皮肤模型和SVM分类器的人脸检测方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据CPU单元5100的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于CPU单元5100远程设置的存储器，这些远程存储器可以通过网络连接至该计算机5000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中，当被所述CPU单元5100执行时，执行上述方法实施例中的基于皮肤模型和SVM分类器的人脸检测方法。
本发明实施例还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执行指令，该计算机可执行指令被CPU单元5100执行，实现上述所述的基于皮肤模型和SVM分类器的人脸检测方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的装置可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络装置上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
需要说明的是，由于本实施例中的用于执行基于皮肤模型和SVM分类器的人脸检测方法的装置与上述的基于皮肤模型和SVM分类器的人脸检测方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.一种基于皮肤模型和SVM分类器的人脸检测方法，其特征在于，包括以下步骤：
客户端获取待检测图像，读取预先设定的皮肤模型和约束条件，对所述待检测图像进行肤色检测和形态学处理，得出候选人脸区域，所述皮肤模型为基于YCbCr颜色空间的椭圆模型，所述约束条件为RGB颜色空间的B与G的比值；
所述客户端将所述候选人脸区域划分为若干个图像子块，并获取所述图像子块所对应的直方图；
所述客户端获取所述直方图中的内层窗口和外层窗口的领域元素和与所述领域元素相邻的相邻元素，分别计算出所述内层窗口和外层窗口的领域元素和所述相邻元素的元素均值，根据所述元素均值与中心元素比较大小，分别得出所述直方图并合并成所对应区域的纹理特征向量；
所述客户端根据SVM分类器和所述纹理特征向量完成所述候选人脸区域的特征分类，得出人脸检测结果；
所述得出所述直方图所对应区域的纹理特征向量具体包括以下步骤：
所述客户端选取所述直方图中的领域元素，将所述领域元素的值和与其相邻的相邻元素的值相加并计算出平均值，将所述平均值设置为元素均值；
所述客户端将所述元素均值与所述中心元素进行值的大小对比，若所述元素均值小于所述中心元素的值，则所对应的领域元素的值设为0，若大于则所述领域元素的值设置为1；
所述客户端根据顺时针的顺序依次分别读取所述内层窗口和外层窗口的领域元素的值，得出各自的直方图并组合得出纹理特征向量。
2.根据权利要求1所述的一种基于皮肤模型和SVM分类器的人脸检测方法，其特征在于，所述对所述待检测图像进行肤色检测和形态学处理具体包括以下步骤：
所述客户端根据所述皮肤模型和所述约束条件获取所述待检测图像中提取出肤色区域；
所述客户端从所述肤色区域中检测出非人脸连通区域并去除，得出候选人脸区域。
3.根据权利要求1所述的一种基于皮肤模型和SVM分类器的人脸检测方法，其特征在于：所述内层窗口为3×3的窗口；所述外层窗口为5×5的窗口。
4.根据权利要求1所述的一种基于皮肤模型和SVM分类器的人脸检测方法，其特征在于：所述纹理特征向量为由0和1所组成的二进制编码。
5.一种用于执行基于皮肤模型和SVM分类器的人脸检测方法的装置，其特征在于，包括CPU单元，所述CPU单元用于执行以下步骤：
客户端获取待检测图像，读取预先设定的皮肤模型和约束条件，对所述待检测图像进行肤色检测和形态学处理，得出候选人脸区域，所述皮肤模型为基于YCbCr颜色空间的椭圆模型，所述约束条件为RGB颜色空间的B与G的比值；
所述客户端将所述候选人脸区域划分为若干个图像子块，并获取所述图像子块所对应的直方图；
所述客户端分别获取所述直方图中的内层窗口和外层窗口的领域元素和与所述领域元素相邻的相邻元素，计算出所述领域元素和所述相邻元素的元素均值，根据所述元素均值与中心元素比较大小，分别内层窗口和外层窗口的得出所述直方图并合成所对应区域的纹理特征向量；
所述客户端根据顺时针的顺序依次分别读取所述内层窗口和外层窗口的领域元素的值，得出各自的直方图并组合得出纹理特征向量；
所述得出所述直方图所对应区域的纹理特征向量具体包括以下步骤：
所述客户端选取所述直方图中的领域元素，将所述领域元素的值和与其相邻的相邻元素的值相加并计算出平均值，将所述平均值设置为元素均值；
所述客户端将所述元素均值与所述中心元素进行值的大小对比，若所述元素均值小于所述中心元素的值，则所对应的领域元素的值设为0，若大于则所述领域元素的值设置为1；
所述客户端根据顺时针的顺序依次分别读取所述内层窗口和外层窗口的领域元素的值，得出各自的直方图并组合得出纹理特征向量。
6.根据权利要求5所述的一种用于执行基于皮肤模型和SVM分类器的人脸检测方法的装置，其特征在于，所述CPU单元还用于执行以下步骤：
所述客户端根据所述皮肤模型和所述约束条件获取所述待检测图像中提取出肤色区域；
所述客户端从所述肤色区域中检测出非人脸连通区域并去除，得出候选人脸区域。
7.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-4任一项所述的一种基于皮肤模型和SVM分类器的人脸检测方法。
CN202010023633.XA 2020-01-09 2020-01-09 一种基于皮肤模型和svm分类器的人脸检测方法及其装置 Active CN111259744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010023633.XA CN111259744B (zh) 2020-01-09 2020-01-09 一种基于皮肤模型和svm分类器的人脸检测方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010023633.XA CN111259744B (zh) 2020-01-09 2020-01-09 一种基于皮肤模型和svm分类器的人脸检测方法及其装置

Publications (2)

Publication Number Publication Date
CN111259744A CN111259744A (zh) 2020-06-09
CN111259744B true CN111259744B (zh) 2023-06-16

Family

ID=70953950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010023633.XA Active CN111259744B (zh) 2020-01-09 2020-01-09 一种基于皮肤模型和svm分类器的人脸检测方法及其装置

Country Status (1)

Country Link
CN (1) CN111259744B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844242A (zh) * 2016-03-23 2016-08-10 湖北知本信息科技有限公司 图像中的肤色检测方法
CN106874867A (zh) * 2017-02-14 2017-06-20 江苏科技大学 一种融合肤色及轮廓筛选的人脸自适应检测与跟踪方法
CN107220624A (zh) * 2017-05-27 2017-09-29 东南大学 一种基于Adaboost算法的人脸检测方法
CN108268859A (zh) * 2018-02-08 2018-07-10 南京邮电大学 一种基于深度学习的人脸表情识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844242A (zh) * 2016-03-23 2016-08-10 湖北知本信息科技有限公司 图像中的肤色检测方法
CN106874867A (zh) * 2017-02-14 2017-06-20 江苏科技大学 一种融合肤色及轮廓筛选的人脸自适应检测与跟踪方法
CN107220624A (zh) * 2017-05-27 2017-09-29 东南大学 一种基于Adaboost算法的人脸检测方法
CN108268859A (zh) * 2018-02-08 2018-07-10 南京邮电大学 一种基于深度学习的人脸表情识别方法

Also Published As

Publication number Publication date
CN111259744A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
US10783354B2 (en) Facial image processing method and apparatus, and storage medium
US11830230B2 (en) Living body detection method based on facial recognition, and electronic device and storage medium
CN109389562B (zh) 图像修复方法及装置
US10262397B2 (en) Image de-noising using an equalized gradient space
US11521303B2 (en) Method and device for inpainting image
WO2019014813A1 (zh) 一种定量检测人脸肤质参量的方法、装置和智能终端
US20130301911A1 (en) Apparatus and method for detecting body parts
CN110969046B (zh) 人脸识别方法、设备及计算机可读存储介质
US10229498B2 (en) Image processing device, image processing method, and computer-readable recording medium
US20160286092A1 (en) Image processing apparatus and image processing method
WO2019014814A1 (zh) 一种定量检测人脸抬头纹的方法和智能终端
CN111161281A (zh) 一种人脸区域识别方法、装置及存储介质
CN108960247B (zh) 图像显著性检测方法、装置以及电子设备
CN109087347B (zh) 一种图像处理方法及装置
CN112101323B (zh) 标题列表的识别方法、系统、电子设备及存储介质
CN111881846B (zh) 图像处理方法和相关装置、设备、存储介质
CN111259744B (zh) 一种基于皮肤模型和svm分类器的人脸检测方法及其装置
CN113228105A (zh) 一种图像处理方法、装置和电子设备
CN116798041A (zh) 图像识别方法、装置和电子设备
CN111179289A (zh) 一种适用于网页长图宽图的图像分割方法
CN108711157A (zh) 一种基于计算机视觉的前景物体提取解决方法
CN114549646A (zh) 关键点位置确定方法及装置
CN111986176B (zh) 一种裂纹图像识别方法、系统、终端及可读存储介质
CN110942043B (zh) 一种瞳孔图像处理方法及相关装置
US11275926B2 (en) Face tracking method and device

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
GR01 Patent grant