CN104794693A - 一种人脸关键区域自动检测蒙版的人像优化方法 - Google Patents

Abstract

本发明公开了一种人脸关键区域自动检测蒙版的人像优化方法，该方法主要包括两个步骤：人脸检测和图像平滑处理；在人脸检测部分，首先使用adaboost算法、haar特征和级联检测器检测出人脸区域；其次采用“三庭五眼”的规律将人脸大致划分为几个区域，再根据图片的二值化结果、haar特征、积分投影判断出人脸的器官位置，将检测出的器官作为蒙版；使用双指数边缘保持平滑滤波的原理对人脸皮肤部分进行图像平滑处理，最后用蒙版覆盖结合平滑处理后的图片。本发明方法具有良好的自适应能力和可靠性，人脸的器官检测以及边缘保持平滑更为精准。

Description

一种人脸关键区域自动检测蒙版的人像优化方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种人脸关键区域自动检测蒙版的人像优化方法。

背景技术

随着计算机的广泛应用，更多的公司会选择使用电子商务来拓展业务。为了更好地宣传自己的产品，一般公司会对产品进行包装推广，例如投入广告业，以及互联网的产品宣传等。因此最直观的宣传方式就是为产品拍摄宣传照。为了吸引更多的顾客，一般会对照片做一定的美化处理。就这个需求，目前主要有以下几种方法：

第一种，聘请数位相关人员，对每张照片手动人工处理。因为每天都有成千上万张照片需要筛选，处理和美化，所以这种方式需要相关人员对图像处理软件达到一定的熟练程度。公司需要一定的经济实力以及相应的时间去培养一批相关照片处理人员。这样做不仅效率不高，也需要耗费大量的财力物力。

第二种，基于各类算法技术处理图片。其中分为两个步骤——人脸检测和图像平滑处理：

人脸检测目前主要有以下这些典型技术：1)基于肤色与模板匹配来检测人脸。人工训练一些平均脸模板，从需要检测的图像中提取出与模板大小一致的区域与模板做相似度的比较，从而找出匹配成功的区域，也就是人脸区域。同时加入了肤色模型来增强人脸检测的准确性。但是实验证明这种方法的精确度并不高，会容易产生漏检或是错检的现象；2)特征脸技术。根据与样本相似的训练集得出人脸部特征的形状和各器官之间的比例关系，再将这些几何特征量与样本的信息做比较，从而判断人脸区域。这种方法速度较快，且较为便捷，但是仍然有很大的局限性。

图像平滑处理目前主要有以下这些典型技术：1)均值滤波。这种算法用样本图像上的某个像素周围的八个像素构成一个模板，用这个模板中八个像素的平均值来代替这个像素值。2)高斯滤波。这种算法是对整个样本图像做加权平均，也就是把某个像素点和与它相邻的像素点做加权平均操作，来替代这个像素点的值；3)中值滤波。这种算法是用某一个像素点周围邻域内的像素点的中值来替代它的灰度值。4)双边滤波。这种算法由两个函数构成，与上述算法不同的是，它考虑了两种差别：一个是空域信息，也就是几何空间距离；另一个是灰度相似，也就是像素的差值。这个算法虽然在边缘保持方面效果有所改善，但是效率仍旧有待提高。

发明内容

本发明的目的在于针对现有的人像优化技术效率不高且精确度不够的问题，提供一种人脸关键区域自动检测蒙版的人像优化方法。

本发明的目的是通过以下技术方案来实现的：一种人脸关键区域自动检测蒙版的人像优化方法，包括以下步骤：

(1)读入人像彩色图像，使用积分图对彩色图像的Haar特征进行加速，再用AdaBoost算法训练区分人脸和非人脸的强分类器，通过强分类器检测人脸区域；

(2)在步骤1检测出的人脸区域内检测脸部重要器官区域，所述脸部重要器官区域包括眉毛、眼部、鼻部和嘴部位置，将检测出的脸部重要器官区域作为蒙版；

(3)对彩色图像使用双指数边缘保持平滑滤波对人脸的皮肤部分做平滑处理，将平滑处理后的彩色图像与步骤2中的蒙版结合，经过锐化处理后得到优化后的人脸图像。

进一步地，所述步骤2包括以下子步骤：

(2.1)将步骤1读入的彩色图像转化成灰度图像，绘制灰度图像的灰度直方图，将灰度直方图中两个峰值之间的谷值作为灰度阈值；

(2.2)根据步骤2.1中得到的灰度阈值将灰度图像转化为二值图像；

(2.3)根据三庭五眼的规律将步骤1中检测出的人脸区域划分为五个区域：眉毛所在的面部矩形区域、左眼所在的面部矩形区域、右眼所在的面部矩形区域、鼻子所在的面部矩形区域和嘴巴所在的面部矩形区域；

(2.4)对步骤2.3中划分出的左眼所在的面部矩形区域和右眼所在的面部矩形区域，使用haar级联分类器得到人的眼睛区域；

(2.5)遍历步骤2.3中划分出的左眼所在的面部矩形区域和右眼所在的面部矩形区域的像素值，根据二值图像中人眼部分灰度值为255，其他皮肤部位灰度值为0，得到人的眼睛区域；

(2.6)结合步骤2.4和步骤2.5得出的人的眼睛区域，两个区域的重合部分即为人眼部的精确区域，用矩形框框出；所述矩形框为包含所有重合部分像素的最小矩形框；

(2.7)计算眉毛所在的面部矩形区域的逆二值化图像(眉毛部分灰度值为0)的水平和垂直积分投影，垂直积分投影中第一个谷值和第三个谷值的坐标分别为眉毛区域的最上端和最下端；水平积分投影中第一个峰值和第二个峰值的坐标分别为左眉毛区域的最左端和最右端，第三个峰值和第四个峰值的坐标分别为右眉毛区域的最左端和最右端，两个眉毛的区域分别用两个矩形框框出；

(2.8)绘制鼻子所在的面部矩形区域的逆二值化图像(鼻孔部分灰度值为255)，划出反转图像中存在的轮廓，计算划出的轮廓中像素点最多的两个区域即为鼻孔的区域，用矩形框框出；

(2.9)计算嘴巴所在的面部矩形区域的灰度图像的垂直积分投影，采用高斯分布的方法，计算垂直积分直方图数据的均值，用均值作为阈值，得到像素值小于阈值的最大联通区域即为嘴巴的区域，用矩形框框出；

(2.10)将人脸区域内用矩形框框出的七个脸部重要器官区域作为蒙版。

进一步地，所述步骤(3)具体为：

(3.1)将彩色图像中除矩形框框出部分外的区域的像素数据作为输入序列x；

(3.2)对步骤3.1中的输入序列x依次做渐进递归和回归递归，得到辅助序列和φ[k]，所述渐进递归的公式如下：

其中，r为范围滤波，λ∈[0,1)控制回旋空间滤波器在脉冲响应时的平滑程度；x[k]为当前样本，k∈Z；为的前一个样本；

所述回归递归的公式如下：

φ[k]＝(1-ρ[k]λ)x[k]+ρ[k]λφ[k+1]    (2)

其中，ρ[k]＝r(x[k],φ[k+1])，r为范围滤波，λ∈[0,1)控制回旋空间滤波器在脉冲响应时的平滑程度；x[k]为当前样本，k∈Z；φ[k+1]为φ[k]的后一个样本；

(3.3)合并辅助序列和φ[k]，得到输出序列y：

(3.4)用步骤2.10的蒙版覆盖输出序列y对应的彩色图像，对覆盖结合后的图像进行锐化处理来融合蒙版与图像结合的边界，并使图像的边缘更清晰，从而更好地保持人脸的下巴轮廓，最终得到优化后的人像图片。

本发明的有益效果是：本发明使用了多种具有较高的精确性，较高效率的人脸部重要器官区域的检测方法，将检测出的眉，眼，鼻和嘴这些重要器官作为蒙版，覆盖平滑处理后的图像，从而达到精确地只对人脸的皮肤部分进行磨皮处理的目的。同时在图像平滑处理中使用了高效率且能有效地保留人脸轮廓边缘的滤波算法。

附图说明

图1本发明实施例中人脸关键区域自动检测蒙版的人像优化方法的流程图；

图2本发明实施例中实验原图；

图3本发明实施例中人脸及器官检测效果图；

图4本发明实施例中人像优化技术处理的效果图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

如图1所示，本发明一种人脸关键区域自动检测蒙版的人像优化方法，包括以下步骤：

(1)读入人像彩色图像，使用积分图对彩色图像的Haar特征进行加速，再用AdaBoost算法训练区分人脸和非人脸的强分类器，通过强分类器检测人脸区域；

(2)在步骤1检测出的人脸区域内检测脸部重要器官区域，所述脸部重要器官区域包括眉毛、眼部、鼻部和嘴部位置，将检测出的脸部重要器官区域作为蒙版；具体包括以下子步骤：

(2.1)将步骤1读入的彩色图像转化成灰度图像，绘制灰度图像的灰度直方图，将灰度直方图中两个峰值之间的谷值作为灰度阈值；

(2.2)根据步骤2.1中得到的灰度阈值将灰度图像转化为二值图像；

(2.3)根据三庭五眼的规律将步骤1中检测出的人脸区域划分为五个区域：眉毛所在的面部矩形区域、左眼所在的面部矩形区域、右眼所在的面部矩形区域、鼻子所在的面部矩形区域和嘴巴所在的面部矩形区域；

(2.4)对步骤2.3中划分出的左眼所在的面部矩形区域和右眼所在的面部矩形区域，使用haar级联分类器得到人的眼睛区域；

(2.5)遍历步骤2.3中划分出的左眼所在的面部矩形区域和右眼所在的面部矩形区域的像素值，根据二值图像中人眼部分灰度值为255，其他皮肤部位灰度值为0，得到人的眼睛区域；

(2.6)结合步骤2.4和步骤2.5得出的人的眼睛区域，两个区域的重合部分即为人眼部的精确区域，用矩形框框出；所述矩形框为包含所有重合部分像素的最小矩形框；

(2.7)计算眉毛所在的面部矩形区域的逆二值化图像(眉毛部分灰度值为0)的水平和垂直积分投影，垂直积分投影中第一个谷值和第三个谷值的坐标分别为眉毛区域的最上端和最下端；水平积分投影中第一个峰值和第二个峰值的坐标分别为左眉毛区域的最左端和最右端，第三个峰值和第四个峰值的坐标分别为右眉毛区域的最左端和最右端，两个眉毛的区域分别用两个矩形框框出；

(2.8)绘制鼻子所在的面部矩形区域的逆二值化图像(鼻孔部分灰度值为255)，划出反转图像中存在的轮廓，计算划出的轮廓中像素点最多的两个区域即为鼻孔的区域，用矩形框框出；

(2.9)计算嘴巴所在的面部矩形区域的灰度图像的垂直积分投影，采用高斯分布的方法，计算垂直积分直方图数据的均值，用均值作为阈值，得到像素值小于阈值的最大联通区域即为嘴巴的区域，用矩形框框出。其中，用矩形框框出所有的人脸部重要器官的效果如图3所示；

(2.10)将人脸区域内用矩形框框出的七个脸部重要器官区域作为蒙版。

(3)对彩色图像使用双指数边缘保持平滑滤波对人脸的皮肤部分做平滑处理，将平滑处理后的彩色图像与步骤2中的蒙版结合，经过锐化处理后得到优化后的人脸图像；具体为包括以下子步骤：

(3.1)将彩色图像中除矩形框框出部分外的区域的像素数据作为输入序列x；

(3.2)对步骤3.1中的输入序列x依次做渐进递归和回归递归，得到辅助序列和φ[k]，所述渐进递归的公式如下：

其中，r为范围滤波，λ∈[0,1)控制回旋空间滤波器在脉冲响应时的平滑程度；x[k]为当前样本，k∈Z；为的前一个样本；

所述回归递归的公式如下：

φ[k]＝(1-ρ[k]λ)x[k]+ρ[k]λφ[k+1]    (2)

其中，ρ[k]＝r(x[k],φ[k+1])，r为范围滤波，λ∈[0,1)控制回旋空间滤波器在脉冲响应时的平滑程度；x[k]为当前样本，k∈Z；φ[k+1]为φ[k]的后一个样本；

(3.3)合并辅助序列和φ[k]，得到输出序列y：

其中，以图2作为输入序列x为例，当所述λ设置为0.02，同时控制磨皮半径为10时，所述输出序列y的图像的平滑效果能达到图4的程度；当所述λ大于等于0.2时，所述输出序列y的图像会出现明显的失真。

(3.4)用步骤2.10的蒙版覆盖输出序列y对应的彩色图像，对覆盖结合后的图像进行锐化处理来融合蒙版与图像结合的边界，并使图像的边缘更清晰，从而更好地保持人脸的下巴轮廓，最终得到优化后的人像图片。

利用本发明方法对图2所示图像做优化处理，其中人脸及器官检测的效果图如图3所示，优化处理完的人像如图4所示，从图4可以看出，本发明方法能够精确地只对人脸的皮肤部分进行磨皮处理，优化效果明显。

Claims (3)

1.一种人脸关键区域自动检测蒙版的人像优化方法，其特征在于，包括以下步骤：

(1)读入人像彩色图像，使用积分图对彩色图像的Haar特征进行加速，再用AdaBoost算法训练区分人脸和非人脸的强分类器，通过强分类器检测人脸区域；

(2)在步骤1检测出的人脸区域内检测脸部重要器官区域，所述脸部重要器官区域包括眉毛、眼部、鼻部和嘴部位置，将检测出的脸部重要器官区域作为蒙版；

(3)对彩色图像使用双指数边缘保持平滑滤波对人脸的皮肤部分做平滑处理，将平滑处理后的彩色图像与步骤2中的蒙版结合，经过锐化处理后得到优化后的人脸图像。

2.根据权利要求1所述的一种人脸关键区域自动检测蒙版的人像优化方法，其特征在于，所述步骤2包括以下子步骤：

(2.1)将步骤1读入的彩色图像转化成灰度图像，绘制灰度图像的灰度直方图，将灰度直方图中两个峰值之间的谷值作为灰度阈值；

(2.2)根据步骤2.1中得到的灰度阈值将灰度图像转化为二值图像；

(2.3)根据三庭五眼的规律将步骤1中检测出的人脸区域划分为五个区域：眉毛所在的面部矩形区域、左眼所在的面部矩形区域、右眼所在的面部矩形区域、鼻子所在的面部矩形区域和嘴巴所在的面部矩形区域；

(2.4)对步骤2.3中划分出的左眼所在的面部矩形区域和右眼所在的面部矩形区域，使用haar级联分类器得到人的眼睛区域；

(2.5)遍历步骤2.3中划分出的左眼所在的面部矩形区域和右眼所在的面部矩形区域的像素值，根据二值图像中人眼部分灰度值为255，其他皮肤部位灰度值为0，得到人的眼睛区域；

(2.6)结合步骤2.4和步骤2.5得出的人的眼睛区域，两个区域的重合部分即为人眼部的精确区域，用矩形框框出；所述矩形框为包含所有重合部分像素的最小矩形框；

(2.7)计算眉毛所在的面部矩形区域的逆二值化图像的水平和垂直积分投影，垂直积分投影中第一个谷值和第三个谷值的坐标分别为眉毛区域的最上端和最下端；水平积分投影中第一个峰值和第二个峰值的坐标分别为左眉毛区域的最左端和最右端，第三个峰值和第四个峰值的坐标分别为右眉毛区域的最左端和最右端，两个眉毛的区域分别用两个矩形框框出；

(2.8)绘制鼻子所在的面部矩形区域的逆二值化图像，划出反转图像中存在的轮廓，计算划出的轮廓中像素点最多的两个区域即为鼻孔的区域，用矩形框框出；

(2.9)计算嘴巴所在的面部矩形区域的灰度图像的垂直积分投影，采用高斯分布的方法，计算垂直积分直方图数据的均值，用均值作为阈值，得到像素值小于阈值的最大联通区域即为嘴巴的区域，用矩形框框出；

(2.10)将人脸区域内用矩形框框出的七个脸部重要器官区域作为蒙版。

3.根据权利要求2所述的一种人脸关键区域自动检测蒙版的人像优化方法，其特征在于，所述步骤(3)具体为：

(3.1)将彩色图像的像素数据作为输入序列x；

(3.2)对步骤3.1中的输入序列x依次做渐进递归和回归递归，得到辅助序列和φ[k]，所述渐进递归的公式如下：

其中，r为范围滤波，λ∈[0,1)控制回旋空间滤波器在脉冲响应时的平滑程度；x[k]为当前样本，k∈Z；为的前一个样本；

所述回归递归的公式如下：

φ[k]＝(1-ρ[k]λ)x[k]+ρ[k]λφ[k+1]  (2)

其中，ρ[k]＝r(x[k],φ[k+1])，r为范围滤波，λ∈[0,1)控制回旋空间滤波器在脉冲响应时的平滑程度；x[k]为当前样本，k∈Z；φ[k+1]为φ[k]的后一个样本；

(3.3)合并辅助序列和φ[k]，得到输出序列y：

(3.4)用步骤2.10的蒙版覆盖输出序列y对应的彩色图像，对覆盖结合后的图像进行锐化处理，最终得到优化后的人像图片。