CN111429409A - 对图像中人物佩戴眼镜的识别方法、系统及其存储介质 - Google Patents

对图像中人物佩戴眼镜的识别方法、系统及其存储介质 Download PDF

Info

Publication number
CN111429409A
CN111429409A CN202010176422.XA CN202010176422A CN111429409A CN 111429409 A CN111429409 A CN 111429409A CN 202010176422 A CN202010176422 A CN 202010176422A CN 111429409 A CN111429409 A CN 111429409A
Authority
CN
China
Prior art keywords
image
glasses
module
skin color
person
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
Application number
CN202010176422.XA
Other languages
English (en)
Inventor
丁凡
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.)
Shenzhen Emperor Technology Co Ltd
Original Assignee
Shenzhen Emperor Technology Co Ltd
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 Shenzhen Emperor Technology Co Ltd filed Critical Shenzhen Emperor Technology Co Ltd
Priority to CN202010176422.XA priority Critical patent/CN111429409A/zh
Publication of CN111429409A publication Critical patent/CN111429409A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像识别技术领域，具体涉及一种对图像中人物佩戴眼镜的识别方法、系统及其存储介质，其方法包括：对图像中预定位置上的特征点进行标记，并获到人物的肤色值；根据特征点，从图像中分割出眼镜区域图像；在眼镜区域图像中，用肤色值对预定特征点的图像区域进行填充；将图像划分为预定数量的网格，获取每个网格中的方向梯度直方图特征；并将所有网格的方向梯度直方图特征进行串联，得到图像的方向梯度直方图特征向量；利用预设的正负样本训练的支持向量机二分类的数学模型，对图像的方向梯度直方图特征向量进行判断，得到识别结果；本发明能对图像的人物是否佩戴眼镜进行自动识别，其有效地提高了办证的效率，提高了用户的办证体验。

Description

对图像中人物佩戴眼镜的识别方法、系统及其存储介质
技术领域
本发明涉及图像识别技术领域，具体涉及一种对图像中人物佩戴眼镜的识别方法、一种对图像中人物佩戴眼镜的识别系统以及一种存储有对图像中人物佩戴眼镜的识别方法的存储介质。
背景技术
随着社会的迅速发展，广大市民所用到的证件种类也越来越多，而部分证件需要附有证件照，故证件照的拍摄需求也在逐渐提高；为了便于市民拍摄证件照，现今市面上出现了一些自助拍照设备，自助拍照设备的应用，给需要拍摄证件照的人们带来了很方便的体验。但是由于相关的国家机关部门对证件照的有一定要求，其中的一条要求明确指出不允许佩戴眼镜拍摄证件照片。
用户在使用自助拍照设备时，往往会因为忘记摘眼镜而导致生成一些不合规格的证件照，而在现有技术中，由于无法对证件照中的人物是否佩戴照片进行自动识别，其只能依靠人工进行判别，故其极大地影响了办证的效率，影响了用户的办证体验。
发明内容
为克服上述缺陷，本发明的目的即在于提供一种能自动对证件照中的人物是否佩戴眼镜进行识别的方法、系统以及存储有其方法的存储介质。
本发明的目的是通过以下技术方案来实现的：
本发明是一种对图像中人物佩戴眼镜的识别方法，包括：
对图像中预定位置上的特征点进行标记，并获取到人物的肤色值；
根据所标记的特征点，从所述图像中分割出眼镜区域图像；
在所述眼镜区域图像中，用所获取到的肤色值对预定特征点所围成的图像区域进行填充，得到预处理图像；
将所述预处理图像划分为预定数量的网格，获取每个网格中的方向梯度直方图特征；并将所有网格的方向梯度直方图特征进行串联，得到图像的方向梯度直方图特征向量；
利用预设的正负样本训练的支持向量机二分类的数学模型，对所述图像的方向梯度直方图特征向量进行预测判断，得到识别结果。
在本发明中，所述利用预设的正负样本训练的支持向量机二分类的数学模型，对所述图像的方向梯度直方图特征向量进行预测判断，得到识别结果包括：
若方向梯度直方图特征与所述正样品相匹配，则判断为未佩戴眼镜；若方向梯度直方图特征与所述负样品相匹配，则判断为已佩戴眼镜。
在本发明中，所述判断为已佩戴眼镜之后包括：
对提示信息进行提示。
在本发明中，所述获取到人物的肤色值包括：
从所述图像中获取到皮肤区域，并在所述皮肤区域中提取到所述肤色值。
在本发明中，所述从所述图像中获取到皮肤区域包括：
将所述图像的模型从RGB模型转化为YCrCb模型，利用预设的肤色模型对图像中各个像素点进行检测，判断像素点是否与所述肤色模型相匹配，若满足，则将该像素点定义为皮肤像素点，整合所有皮肤像素点，得到皮肤区域。
在本发明中，所述用所获取到的肤色值对预定特征点所围成的图像区域进行填充之后包括：
对所述图像区域进行颜色转换，得到灰度图；并对所述灰度图进行归一化处理。
在本发明中，所述获取每个网格中的方向梯度直方图特征包括：
通过索贝尔算子分别对每个网格水平方向的梯度图、垂直方向的梯度图进行计算，得到网格中各个像素点的梯度幅度及梯度方向；并将所述梯度幅度及所述梯度方向与网格的初始向量值进行结合，遍历网格中的每像素点，统计得到网格的方向梯度直方图向量。
本发明是一种对图像中人物佩戴眼镜的识别系统，其包括：
特征点标记模块，所述特征点标记模块用于对图像中预定位置上的特征点进行标记；
肤色值获取模块，所述肤色值获取模块用于获取到人物的肤色值；
图像分割模块，所述图像分割模块与所述特征点标记模块相连接，用于根据所标记的特征点，从所述图像中分割出眼镜区域图像；
图像预处理模块，所述图像预处理模块与所述图像分割模块和所述肤色值获取模块相连接，用于在所述眼镜区域图像中，用所获取到的肤色值对预定特征点所围成的图像区域进行填充，得到预处理图像；
方向特征获取模块，所述方向特征获取模块与所述图像预处理模块相连接，用于将所述预处理图像划分为预定数量的网格，获取每个网格中的方向梯度直方图特征；并将所有网格的方向梯度直方图特征进行串联，得到图像的方向梯度直方图特征向量；
图像识别模块，所述图像识别模块与所述方向特征获取模块相连接，用于利用预设的正负样本训练的支持向量机二分类的数学模型，对所述图像的方向梯度直方图特征向量进行预测判断，得到识别结果。
在本发明中，所述识别系统还包括：
提示模块，所述提示模块与所述图像识别模块相连接，用于在所述图像识别模块将图像判断为已佩戴眼镜之后，对提示信息进行提示；
照片生成模块，所述照片生成模块与所述图像识别模块相连接，用于在所述图像识别模块将图像判断为未佩戴眼镜之后，对照片进行生成。
本发明是一种计算机可读程序存储介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行如上所述的方法。
本发明能对图像的人物是否佩戴眼镜进行自动识别，其有效地提高了办证的效率，极大地提高了用户的办证体验。
附图说明
为了易于说明，本发明由下述的较佳实施例及附图作详细描述。
图1为本发明对图像中人物佩戴眼镜的识别方法一个实施例的工作流程示意图；
图2为本发明对图像中人物佩戴眼镜的识别方法另一个实施例的工作流程示意图；
图3为本发明对图像中人物佩戴眼镜的识别系统一个实施例的逻辑结构示意图。
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，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面以一个实施例对本发明的一种对图像中人物佩戴眼镜的识别方法进行具体描述，请参阅图1，其包括：
S101.标记特征点并获取肤色值
通过人脸特征检测的方法对图像中人眼周围的10个特征点进行标记，并获取到人物的肤色值；其中，人物的肤色值可根据经验值来进行设定，也可以从图像中的皮肤区域中进行获取。
S102.分割出眼镜区域图像
根据所标记的特征点，从所述图像中分割出眼镜区域图像；其具体为：依据各种款式眼镜可能覆盖人脸的区域的经验知识，以右侧眉梢特征点，作为眼镜区域Ag左右侧边界；比较左右眉侧特征点的最低位置，得到区域眼镜区域Ag的上边沿；比较左右眼的特征点，计算左右眼睛的下边沿的最低点位置L1，再以眼睛的高度为偏移量，从L1位置向下偏移3个眼睛高度的距离，得到眼镜区域Ag的下边沿；至此，左右上下位置定位完毕，即可分割眼镜区域Ag，依此区域在采集来的原图中分割出眼镜区域图像Ig。
S103.用肤色值填充特征点区域
在所述眼镜区域图像中，用所获取到的肤色值对预定特征点所围成的图像区域进行填充，得到预处理图像；其在眼镜区域图像Ig中根据特征点的位置识别出眼睛区域Aeye、眉毛区域Aebr，并利用肤色值Vf对该眼睛区域Aeye、眉毛区域Aebr分别进行填充，即在眼镜区域图像Ig中抹掉眉毛、眼睛，在本实施例中，通过对眉毛和眼睛进行抹掉，其能有效地降低眉毛和眼睛对图像识别的影响，有效地提高了对眼镜的识别率。
S104.获取图像的方向梯度直方图特征
将所述预处理图像划分为预定数量的网格，获取每个网格中的方向梯度直方图(Histogram of Oriented Gradient,HOG)特征，其是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征；并将所有网格的方向梯度直方图特征进行串联，得到图像的方向梯度直方图特征向量。
S105.支持向量机识别结果
利用预设的正负样本训练的支持向量机(Support Vector Machine,SVM)二分类的数学模型，对所述图像的方向梯度直方图特征向量进行预测判断，得到识别结果；其中，支持向量机是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier)，支持向量机使用铰链损失函数(hingeloss)计算经验风险(empirical risk)并在求解系统中加入了正则化项以优化结构风险(structural risk)，是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法(kernelmethod)进行非线性分类，是常见的核学习(kernel learning)方法之一。在本实施例中，支持向量机预先采集一定量没佩戴眼镜的正样本和佩戴眼镜的负样本，识别即是一个二分类的问题，核函数选用线性核即可，训练得到一个超平面参数集做为模型。戴眼镜识别即使通过同样步骤的特征提取，得到特征向量，通过识别模型判断，得到最终的识别结果。
在本实施例中，由于采用HOG特征提取与支持向量机配合的处理方式，使得系统不需要进行大规模数据的训练，且算法可控性高。
本发明的一种对图像中人物佩戴眼镜的识别方法可应用于后端的证件照检测设备中也可以应用于前端的自助拍照设备中，下面以一个自助拍照设备为例，对本发明进行描述，请参阅图2，其包括：
S201.标记特征点并获取肤色值
通过自助拍照设备获取到预生成的图像，并利用人脸特征检测的方法对图像中人眼周围的10个特征点进行标记，并获取到人物的肤色值；其中，人物的肤色值可以从图像中的皮肤区域中进行获取，在本实施例中，所述从所述图像中获取到皮肤区域包括：
将所述图像的模型从RGB模型转化为YCrCb模型，利用预设的肤色模型对图像中各个像素点进行检测，判断像素点是否与所述肤色模型相匹配，若满足，则将该像素点定义为皮肤像素点，整合所有皮肤像素点，得到皮肤区域。其具体为：将原图像Ic由RGB模型转化为YCrCb模型图像IY，利用预设的椭圆肤色模型遍历图像IY中每一点(Cr,Cb)做判断是否在椭圆肤色模型的内部，如果是，则该点属于皮肤，则Im相应位置处置为255，否则就是非皮肤像素点，置为0。遍历结束得到皮肤图像Im。以肤色区域Af为模板，提取肤色RGB值Vf；其中，模型转换公式如下：
Figure BDA0002410982490000071
S202.分割出眼镜区域图像
根据所标记的特征点，从所述图像中分割出眼镜区域图像；其具体为：依据各种款式眼镜可能覆盖人脸的区域的经验知识，以右侧眉梢特征点，作为眼镜区域Ag左右侧边界；比较左右眉侧特征点的最低位置，得到区域眼镜区域Ag的上边沿；比较左右眼的特征点，计算左右眼睛的下边沿的最低点位置L1，再以眼睛的高度为偏移量，从L1位置向下偏移3个眼睛高度的距离，得到眼镜区域Ag的下边沿；至此，左右上下位置定位完毕，即可分割眼镜区域Ag，依此区域在采集来的原图中分割出眼镜区域图像Ig。
S203.用肤色值填充特征点区域
在所述眼镜区域图像中，用所获取到的肤色值对预定特征点所围成的图像区域进行填充，得到预处理图像；其在眼镜区域图像Ig中根据特征点的位置识别出眼睛区域Aeye、眉毛区域Aebr，并利用肤色值Vf对该眼睛区域Aeye、眉毛区域Aebr分别进行填充，即在眼镜区域图像Ig中抹掉眉毛、眼睛，在本实施例中，通过对眉毛和眼睛进行抹掉，其能有效地降低眉毛和眼睛对图像识别的影响，有效地提高了对眼镜的识别率。
S204.图像转换为灰度图并归一化处理
对所述图像区域进行颜色转换，得到灰度图；并对所述灰度图进行归一化处理。其具体为：将图像Ig进行颜色空间RGB变换到灰度空间，得到灰度图像Igray；图像大小归一化处理得到Iz，归一化后的图像大小为128×32。
S205.将图像划分为预定数量的网格
将所述预处理图像划分为预定数量的网格；其将网格的大小设定为16×16，则图像由8×2个数目的网格组成；在本实施例中，网格处理的目的是为了限定特征向量生成的图像区域。
S206统计得到网格的方向梯度直方图向量
通过索贝尔(Sobel)算子分别对每个网格水平方向的梯度图、垂直方向的梯度图进行计算，得到网格中各个像素点的梯度幅度及梯度方向；并将所述梯度幅度及所述梯度方向与网格的初始向量值进行结合，遍历网格中的每像素点，统计得到网格的方向梯度直方图向量。其中，该索贝尔算子是计算机视觉领域的一种重要处理方法。主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。索贝尔算子是把图像中每个像素的上下左右四领域的灰度值加权差，在边缘处达到极值从而检测边缘。
其具体为：通过索贝尔算子计算水平方向的梯度图Igx、垂直方向的梯度图Igy，其中，图像中每个像素点的水平梯度值Gx、垂直梯度值Gy，公式为：
Gx＝[f(x+1,y-1)+2·f(x+1,y)+f(x+1,y+1)]
-[f(x-1,y-1)+2·f(x-1,y)+f(x-1,y+1)]
Gy＝[f(x-1,y-1)+2·f(x,y-1)+f(x+1,y-1)]
-[f(x-1,y+1)+2·f(x,y+1)+f(x+1,y+1)]
计算各个像素点的梯度模板的梯度幅值G及梯度方向θ，公式如下所示：
Figure BDA0002410982490000081
通常，为了提高效率，使用不开评分的近似值
|G|＝|Gx|+|Gy|
Figure BDA0002410982490000082
每个网格统计9维的梯度直方图，将各个网格结果串联起来，组成9×8×2。θ∈(-180，180)，如果θ∈(-180，0)，则令θ加上180转化到(0，180)。以每20度大小作为一个bin，对网格中各像素做梯度幅值、方向做统计；本方法中的统计方式为，每个网格的9为初始向量数组记为Vi＝{S0,S1,S2,S3,S4,S5,S6,S7,S8},其中Si均初始化为0，计算出网格中某点的梯度幅值G、方向θ，以θ的绝对值除以20得到索引i，则Si自加对应的梯度幅值G，依此遍历网格中的每点，统计得到网格的梯度直方图向量为Vi。然后将这8×2的网格依此拼接，得到整个图像的特征向量V＝{V0,V1,V2,V3,V4,V5,V6,V7,V8}。
S207.支持向量机判断是否已佩戴眼镜
利用预设的正负样本训练的支持向量机(Support Vector Machine,SVM)中二分类的数学模型，对所述图像的方向梯度直方图特征向量进行预测判断，得到识别结果；其中，支持向量机是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier)，支持向量机使用铰链损失函数(hingeloss)计算经验风险(empirical risk)并在求解系统中加入了正则化项以优化结构风险(structural risk)，是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法(kernelmethod)进行非线性分类，是常见的核学习(kernel learning)方法之一。在本实施例中，将图像的方向梯度直方图特征所述支持向量机中预设的正、负样品进行对比，若方向梯度直方图特征与所述正样品相匹配，则判断为未佩戴眼镜；若方向梯度直方图特征与所述负样品相匹配，则判断为已佩戴眼镜。
S208.对提示信息进行提示
若结果判断为已佩戴眼镜，则通过声音或显示的方式，对提示信息进行提示，提示用户摘下眼镜，有效的防止无效证件照的产生。
S209.对照片进行生成
将图像判断为未佩戴眼镜之后，对照片进行生成。其中，所述的照片生成方式包括将照片导入至数据库或对照片进行打印。
请参阅图3，本发明是一种对图像中人物佩戴眼镜的识别系统，其包括：
特征点标记模块301，所述特征点标记模块301用于对图像中预定位置上的特征点进行标记；
肤色值获取模块302，所述肤色值获取模块302用于获取到人物的肤色值；其具体通过人脸特征检测的方法对图像中人眼周围的10个特征点进行标记；
图像分割模块303，所述图像分割模块303与所述特征点标记模块301相连接，用于根据所标记的特征点，从所述图像中分割出眼镜区域图像；其中，人物的肤色值可根据经验值来进行设定，也可以从图像中的皮肤区域中进行获取；
图像预处理模块304，所述图像预处理模块304与所述图像分割模块303和所述肤色值获取模块302相连接，用于在所述眼镜区域图像中，用所获取到的肤色值对预定特征点所围成的图像区域进行填充，得到预处理图像；即其在眼镜区域图像对眉毛区域和眼睛区域进行抹除；
方向特征获取模块305，所述方向特征获取模块305与所述图像预处理模块304相连接，用于将所述预处理图像划分为预定数量的网格，获取每个网格中的方向梯度直方图特征；并将所有网格的方向梯度直方图特征进行串联，得到图像的方向梯度直方图特征；
图像识别模块306，所述图像识别模块306与所述方向特征获取模块305相连接，用于利用预设的正负样本训练的支持向量机二分类的数学模型，对所述图像的方向梯度直方图特征向量进行预测判断，得到识别结果。
在本发明中，所述识别系统还包括：
提示模块307，所述提示模块307与所述图像识别模块306相连接，用于在所述图像识别模块306将图像判断为已佩戴眼镜之后，对提示信息进行提示。其中，该提示模块307可包括：语音信息提示单元和显示信息提示单元。
照片生成模块308，所述照片生成模块308与所述图像识别模块306相连接，用于在所述图像识别模块将图像判断为未佩戴眼镜之后，对照片进行生成。其中，所述的照片生成方式包括将照片导入至数据库或对照片进行打印。
在本实施例中，通过提示模块307和照片生成模块308的配合，使其在识别到用户佩戴眼镜时，对用户进行提示，在识别到用户未佩戴眼镜时，才生成图片，有效地提高了证件照的合格率。
本发明包括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，本发明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，当所述程序产品在终端设备上运行时，所述程序代码用于使所述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发明各种示例性实施方式的步骤。
所述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。
以上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。
在本说明书的描述中，参考术语“一个实施方式”、“一些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合实施方式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方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种对图像中人物佩戴眼镜的识别方法，其特征在于，包括：
对图像中预定位置上的特征点进行标记，并获取到人物的肤色值；
根据所标记的特征点，从所述图像中分割出眼镜区域图像；
在所述眼镜区域图像中，用所获取到的肤色值对预定特征点所围成的图像区域进行填充，得到预处理图像；
将所述预处理图像划分为预定数量的网格，获取每个网格中的方向梯度直方图特征；并将所有网格的方向梯度直方图特征进行串联，得到图像的方向梯度直方图特征向量；
利用预设的正负样本训练的支持向量机二分类的数学模型，对所述图像的方向梯度直方图特征向量进行预测判断，得到识别结果。
2.根据权利要求1所述的对图像中人物佩戴眼镜的识别方法，其特征在于，所述利用预设的正负样本训练的支持向量机二分类的数学模型，对所述图像的方向梯度直方图特征向量进行预测判断，得到识别结果包括：
若方向梯度直方图特征与所述正样品相匹配，则判断为未佩戴眼镜；若方向梯度直方图特征与所述负样品相匹配，则判断为已佩戴眼镜。
3.根据权利要求2所述的对图像中人物佩戴眼镜的识别方法，其特征在于，所述判断为已佩戴眼镜之后包括：
对提示信息进行提示。
4.根据权利要求3所述的对图像中人物佩戴眼镜的识别方法，其特征在于，所述获取到人物的肤色值包括：
从所述图像中获取到皮肤区域，并在所述皮肤区域中提取到所述肤色值。
5.根据权利要求4所述的对图像中人物佩戴眼镜的识别方法，其特征在于，所述从所述图像中获取到皮肤区域包括：
将所述图像的模型从RGB模型转化为YCrCb模型，利用预设的肤色模型对图像中各个像素点进行检测，判断像素点是否与所述肤色模型相匹配，若满足，则将该像素点定义为皮肤像素点，整合所有皮肤像素点，得到皮肤区域。
6.根据权利要求5所述的对图像中人物佩戴眼镜的识别方法，其特征在于，所述用所获取到的肤色值对预定特征点所围成的图像区域进行填充之后包括：
对所述图像区域进行颜色转换，得到灰度图；并对所述灰度图进行归一化处理。
7.根据权利要求6所述的对图像中人物佩戴眼镜的识别方法，其特征在于，所述获取每个网格中的方向梯度直方图特征包括：
通过索贝尔算子分别对每个网格水平方向的梯度图、垂直方向的梯度图进行计算，得到网格中各个像素点的梯度幅度及梯度方向；并将所述梯度幅度及所述梯度方向与网格的初始向量值进行结合，遍历网格中的每像素点，统计得到网格的方向梯度直方图向量。
8.一种对图像中人物佩戴眼镜的识别系统，其特征在于，包括：
特征点标记模块，所述特征点标记模块用于对图像中预定位置上的特征点进行标记；
肤色值获取模块，所述肤色值获取模块用于获取到人物的肤色值；
图像分割模块，所述图像分割模块与所述特征点标记模块相连接，用于根据所标记的特征点，从所述图像中分割出眼镜区域图像；
图像预处理模块，所述图像预处理模块与所述图像分割模块和所述肤色值获取模块相连接，用于在所述眼镜区域图像中，用所获取到的肤色值对预定特征点所围成的图像区域进行填充，得到预处理图像；
方向特征获取模块，所述方向特征获取模块与所述图像预处理模块相连接，用于将所述预处理图像划分为预定数量的网格，获取每个网格中的方向梯度直方图特征；并将所有网格的方向梯度直方图特征进行串联，得到图像的方向梯度直方图特征向量；
图像识别模块，所述图像识别模块与所述方向特征获取模块相连接，用于利用预设的正负样本训练的支持向量机二分类的数学模型，对所述图像的方向梯度直方图特征向量进行预测判断，得到识别结果。
9.根据权利要求8所述的对图像中人物佩戴眼镜的识别系统，其特征在于，所述识别系统还包括：
提示模块，所述提示模块与所述图像识别模块相连接，用于在所述图像识别模块将图像判断为已佩戴眼镜之后，对提示信息进行提示；
照片生成模块，所述照片生成模块与所述图像识别模块相连接，用于在所述图像识别模块将图像判断为未佩戴眼镜之后，对照片进行生成。
10.一种计算机可读程序存储介质，其特征在于，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1至7中任一项所述的方法。
CN202010176422.XA 2020-03-13 2020-03-13 对图像中人物佩戴眼镜的识别方法、系统及其存储介质 Pending CN111429409A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010176422.XA CN111429409A (zh) 2020-03-13 2020-03-13 对图像中人物佩戴眼镜的识别方法、系统及其存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010176422.XA CN111429409A (zh) 2020-03-13 2020-03-13 对图像中人物佩戴眼镜的识别方法、系统及其存储介质

Publications (1)

Publication Number Publication Date
CN111429409A true CN111429409A (zh) 2020-07-17

Family

ID=71547895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010176422.XA Pending CN111429409A (zh) 2020-03-13 2020-03-13 对图像中人物佩戴眼镜的识别方法、系统及其存储介质

Country Status (1)

Country Link
CN (1) CN111429409A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052068A (zh) * 2021-03-24 2021-06-29 深圳威富云数科技有限公司 图像处理方法、装置、计算机设备和存储介质
CN113344914A (zh) * 2021-07-09 2021-09-03 重庆医科大学附属第一医院 基于图像识别智能分析ppd皮试结果的方法及装置
CN114463814A (zh) * 2022-01-26 2022-05-10 上海西虹桥导航技术有限公司 一种基于图像处理的快速证件照眼镜检测方法
CN116957524A (zh) * 2023-09-21 2023-10-27 青岛阿斯顿工程技术转移有限公司 一种技术转移过程中人才信息智能管理方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004272326A (ja) * 2003-03-05 2004-09-30 Matsushita Electric Ind Co Ltd 部分空間成分特徴を用いた顔面描写および認識用の確率的顔面成分融合方法
CN103020579A (zh) * 2011-09-22 2013-04-03 上海银晨智能识别科技有限公司 人脸识别方法及系统、人脸图像的眼镜框去除方法与装置
CN104063722A (zh) * 2014-07-15 2014-09-24 国家电网公司 一种融合hog人体目标检测和svm分类器的安全帽识别方法
TW201445457A (zh) * 2013-05-29 2014-12-01 Univ Ming Chuan 虛擬眼鏡試戴方法及其裝置
CN104463128A (zh) * 2014-12-17 2015-03-25 智慧眼（湖南）科技发展有限公司 用于人脸识别的眼镜检测方法及系统
CN106407911A (zh) * 2016-08-31 2017-02-15 乐视控股（北京）有限公司 基于图像的眼镜识别方法及装置
CN108985159A (zh) * 2018-06-08 2018-12-11 平安科技（深圳）有限公司 人眼模型训练方法、人眼识别方法、装置、设备及介质
US20190362193A1 (en) * 2017-09-30 2019-11-28 Ping An Technology (Shenzhen) Co., Ltd. Eyeglass positioning method, apparatus and storage medium

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004272326A (ja) * 2003-03-05 2004-09-30 Matsushita Electric Ind Co Ltd 部分空間成分特徴を用いた顔面描写および認識用の確率的顔面成分融合方法
CN103020579A (zh) * 2011-09-22 2013-04-03 上海银晨智能识别科技有限公司 人脸识别方法及系统、人脸图像的眼镜框去除方法与装置
TW201445457A (zh) * 2013-05-29 2014-12-01 Univ Ming Chuan 虛擬眼鏡試戴方法及其裝置
CN104063722A (zh) * 2014-07-15 2014-09-24 国家电网公司 一种融合hog人体目标检测和svm分类器的安全帽识别方法
CN104463128A (zh) * 2014-12-17 2015-03-25 智慧眼（湖南）科技发展有限公司 用于人脸识别的眼镜检测方法及系统
CN106407911A (zh) * 2016-08-31 2017-02-15 乐视控股（北京）有限公司 基于图像的眼镜识别方法及装置
US20190362193A1 (en) * 2017-09-30 2019-11-28 Ping An Technology (Shenzhen) Co., Ltd. Eyeglass positioning method, apparatus and storage medium
CN108985159A (zh) * 2018-06-08 2018-12-11 平安科技（深圳）有限公司 人眼模型训练方法、人眼识别方法、装置、设备及介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052068A (zh) * 2021-03-24 2021-06-29 深圳威富云数科技有限公司 图像处理方法、装置、计算机设备和存储介质
CN113052068B (zh) * 2021-03-24 2024-04-30 深圳威富云数科技有限公司 图像处理方法、装置、计算机设备和存储介质
CN113344914A (zh) * 2021-07-09 2021-09-03 重庆医科大学附属第一医院 基于图像识别智能分析ppd皮试结果的方法及装置
CN113344914B (zh) * 2021-07-09 2023-04-07 重庆医科大学附属第一医院 基于图像识别智能分析ppd皮试结果的方法及装置
CN114463814A (zh) * 2022-01-26 2022-05-10 上海西虹桥导航技术有限公司 一种基于图像处理的快速证件照眼镜检测方法
CN114463814B (zh) * 2022-01-26 2024-08-23 上海西虹桥导航技术有限公司 一种基于图像处理的快速证件照眼镜检测方法
CN116957524A (zh) * 2023-09-21 2023-10-27 青岛阿斯顿工程技术转移有限公司 一种技术转移过程中人才信息智能管理方法及系统
CN116957524B (zh) * 2023-09-21 2024-01-05 青岛阿斯顿工程技术转移有限公司 一种技术转移过程中人才信息智能管理方法及系统

Similar Documents

Publication Publication Date Title
CN111429409A (zh) 对图像中人物佩戴眼镜的识别方法、系统及其存储介质
AU2014368997B2 (en) System and method for identifying faces in unconstrained media
KR102462818B1 (ko) 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치
CN109389074B (zh) 一种基于人脸特征点提取的表情识别方法
KR20210100602A (ko) 안면 이미지 기반의 리스크 인식 방법, 장치, 컴퓨터 디바이스 및 저장 매체
JP6332937B2 (ja) 画像処理装置、画像処理方法及びプログラム
CN106056064A (zh) 一种人脸识别方法及人脸识别装置
CN105069448A (zh) 一种真假人脸识别方法及装置
US20060147093A1 (en) ID card generating apparatus, ID card, facial recognition terminal apparatus, facial recognition apparatus and system
CN103914676A (zh) 一种在人脸识别中使用的方法和装置
CN111274883B (zh) 基于多尺度hog特征和深层特征的合成素描人脸识别方法
CN107025442B (zh) 一种基于颜色和深度信息的多模态融合手势识别方法
JP2014041477A (ja) 画像認識装置及び画像認識方法
CN109800756B (zh) 一种用于中文历史文献密集文本的文字检测识别方法
CN110415212A (zh) 异常细胞检测方法、装置及计算机可读存储介质
CN113490947A (zh) 检测模型训练方法、装置、检测模型使用方法及存储介质
Hebbale et al. Real time COVID-19 facemask detection using deep learning
CN106203539A (zh) 识别集装箱箱号的方法和装置
CN105701489A (zh) 一种新型的数字提取和识别的方法及系统
HN et al. Human Facial Expression Recognition from static images using shape and appearance feature
CN111723762B (zh) 人脸属性识别方法、装置、电子设备及存储介质
CN114445879A (zh) 一种高精度人脸识别方法及人脸识别设备
JP2005084980A (ja) 顔画像付きカード用データ生成装置および方法並びにプログラム
CN110363111B (zh) 基于镜头失真原理的人脸活体检测方法、装置及存储介质
CN113269010A (zh) 一种人脸活体检测模型的训练方法和相关装置

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: 20200717

RJ01 Rejection of invention patent application after publication