一种全方位人脸检测的方法及系统的制作方法
【专利摘要】本发明公开了一种全方位人脸检测的方法及系统，基于肤色特征提取技术，利用人眼核心点特征提取，以便于对人脸进行全方位的定位；采用脸形模型进行人脸检测，无论人脸是正面还是侧面，皆能全方位检测出来；采用神经网络算法进行人脸验证，对每个人脸部位进行验证，检测人脸生成的结果，以验证全方位人脸检测成功率。
【专利说明】一种全方位人脸检测的方法及系统
【技术领域】
[0001]本发明涉及人脸识别领域，特别是一种全方位人脸检测的方法及系统。
【背景技术】
[0002]复杂背景下的人脸检测是指在输入图像中确定是否存在人脸，如果人脸存在，确定其位置、大小等信息，是当前计算机视觉、模式识别、人机交互和多媒体技术研究的热点，在人机接口、内容检索、视频处理、安全保障等领域具有着重要的应用价值。而在复杂背景下的人脸快速检测技术在安全保障、人机接口等实时系统中是一个热点的方向。
[0003]近年来，研究人员对复杂背景下的人脸快速检测已经进行了大量的研究，取得了众多成果。当前人脸检测步骤一般包括特征提取、检测模型和人脸验证三个步骤。其中，在特征提取研究中，研究者所采用的特征主要包括肤色特征、脸形特征和积分图像特征；在检测模型研究中，所采用的模型有知识模型、Adaboost模型、层叠分类器模型和模板匹配模型；在人脸验证研究中，采用的算法有神经网络算法及SVM算法。
[0004]以上关于复杂背景下全方位人脸检测方面研究的缺陷主要在于特征提取这个环节:无法进行全方向的人脸检测。其中，肤色提取主要用于人脸位置的初步确定，无法确定人脸的方向；脸形特征的前提是假定人脸已经是正方位的，因此，这种特征提取只能适用于正面的人脸照片；而积分图像特征也仅适合于事先预定的若干角度的人脸检测。
【发明内容】
[0005]为解决上述问题，本发明的目的在于提供一种新的全方位人脸检测的方法，基于肤色特征提取技术，利用人眼核心点特征提取，对人脸进行全方位定位，并采用脸形模型进行人脸检测，最后采用神经网络算法进行人脸验证，实现全方位的人脸检测。
[0006]本发明解决其问题所采用的技术方案是:
一种全方位人脸检测的方法，包括:
获取人脸图像的视频流；
对所述人脸图像的视频流进行人脸肤色的检测，确定人脸的区域范围；
在人脸的区域范围内确定人眼的位置；
以人脸的区域范围、人眼的位置及人脸图像的视频流作为输入，通过脸型模型确定人脸的各个部位，形成一个完整的人脸图形；以及
通过神经网络算法对形成的人脸图形进行验证。
[0007]其中，所述对人脸图像的视频流进行人脸肤色的检测包括以下步骤:
遍历整个视频流，获取每一像素的R、G与B颜色分量值；
利用RGB至HIS的转换公式将获取的R、G与B颜色分量值转换为对应的H、S及I值；将满足条件H值大于O小于设定值A、S值大于O小于设定值B并且I值大于设定值C小于I的像素设置为白色，将不满足此条件的像素设置为黑色，以黑色像素点形成的区域作为人脸的区域范围。[0008]所述设定值A、B与C依次为0.86、0、68与0、35。
[0009]其中，通过人眼核心点算法在人脸的区域范围内确定人眼的位置，具体包括以下步骤:
确定人脸区域范围的长轴，以此长轴的中心点为垂足作垂线确定短轴，根据所确定的长轴及短轴作出人脸椭圆；
在作出的人脸椭圆中确定非肤色的区域，此非肤色的区域包括人眼的位置；
清除非肤色区域的外围边缘，缩小非肤色区域的范围，当非肤色区域的大小小于预定值时，则停止清除非肤色区域的外围边缘，以缩小后的非肤色区域作为人眼区域；以及在人眼区域中取其像素块的质心作为人眼的核心。
[0010]所述通过脸型模型确定人脸的各个部位，形成一个完整的人脸图形包括以下步骤:
基于人脸的区域范围、人眼的位置及人脸图像的视频流与人脸模板进行匹配，从而确定人脸的各个部位，形成一个完整的人脸正面图形；
将此人脸的正面图形以水平方向为轴对称旋转，每次旋转固定角度，形成一定数目的人脸侧面图像，对应的即形成了不同人脸部位的侧面图像；以及
分别提取人脸侧面图像中人脸各个部位的像素块，将提取的像素块与视频流中对应的像素块进行吻合度计算，将吻合度最符合的人脸各个部位作为真实的人脸图形。
[0011]其中，所述将人脸的正面图形以水平方向为轴对称旋转时，从-30度到30进行水平旋转，每次旋转5度，形成12幅人脸侧面图像，对应的也形成了 12幅不同人脸部位的侧面图像。
[0012]所述通过神经网络算法对形成的人脸图形进行验证具体为:
将人脸图形中各个人脸部位的像素块作为输入，每个像素块经神经网络算法计算后，若输出值为1，则表示此像素块为脸部，若输出为零，则表示此像素块非脸部。
[0013]所述各个人脸部位的像素块包括左眼、右眼、左脸边缘、右脸边缘、嘴唇、左右眼睛中部、左眼下部、右眼下部、左右眼与中部的像素差和左右眼与下部的像素差。
[0014]一种全方位人脸检测的系统，包括:
摄像机，用于获取获取人脸图像的视频流；
人脸区域生成模块，用于对所述人脸图像的视频流进行人脸肤色的检测，确定人脸的区域范围；
人眼位置获取模块，用于在所述人脸的区域范围内确定人眼的位置；
人脸图形生成模块，用于以人脸的区域范围、人眼的位置及人脸图像的视频流作为输入，通过脸型模型确定人脸的各个部位，形成一个完整的人脸图形；
人脸图形验证模块，用于通过神经网络算法对形成的人脸图形进行验证。
[0015]所述人脸区域生成模块包括:
RGB提取单元，用于遍历整个视频流，获取每一像素的R、G与B颜色分量值；
HIS转换单元，用于利用RGB至HIS的转换公式将获取的R、G与B颜色分量值转换为对应的H、S及I值；
区域判断生成单元，用于将满足条件H值大于O小于0.86、S值大于O小于0.68并且I值大于0.35小于I的像素设置为白色，将不满足此条件的像素设置为黑色，以黑色像素点形成的区域作为人脸的区域范围。
[0016]所述人眼位置获取模块包括:
人脸椭圆单元，用于确定人脸区域范围的长轴，以此长轴的中心点为垂足作垂线确定短轴，根据所确定的长轴及短轴作出人脸椭圆；
人眼区域生成单元，用于在作出的人脸椭圆中确定非肤色的区域，此非肤色的区域包括人眼的位置，并清除非肤色区域的外围边缘，缩小非肤色区域的范围，当非肤色区域的大小小于预定值时，则停止清除非肤色区域的外围边缘，以缩小后的非肤色区域作为人眼区域；
眼核生成单元，用于在人眼区域中取其像素块的质心作为人眼的核心。
[0017]所述人脸图形生成模块包括:
人脸正面图形生成单元，基于人脸的区域范围、人眼的位置及人脸图像的视频流与人脸模板进行匹配，从而确定人脸的各个部位，形成一个完整的人脸正面图形；
人脸侧面图像生成单元，将此人脸的正面图形从-30度到30进行水平旋转，每次旋转5度，形成12幅人脸侧面图像，对应的也形成了不同人脸部位的侧面图像；
人脸图形生成单元，分别提取人脸侧面图像中人脸各个部位的像素块，将提取的像素块与视频流中对应的像素块进行吻合度计算，将吻合度最符合的人脸各个部位作为真实的人脸图形。
[0018]本发明的有益效果是:
本发明采用的一种全方位人脸检测的方法及系统，基于肤色特征提取技术，利用人眼核心点特征提取，以便于对人脸进行全方位的定位；采用脸形模型进行人脸检测，无论人脸是正面还是侧面，皆能全方位检测出来；采用神经网络算法进行人脸验证，对每个人脸部位进行验证，检测人脸生成的结果，以验证全方位人脸检测成功率。
【专利附图】
【附图说明】
[0019]下面结合附图和实例对本发明作进一步说明。
[0020]图1是本发明所述方法流程图；
图2是本发明所述确定人眼位置的流程图；
图3是本发明清楚非肤色区域前的人眼图；
图4是本发明清除非肤色区域后的人眼图；
图5是本发明所生成的人脸正面图形示意图；
图6是本发明所生成的人脸向左时的图形示意图；
图7是本发明所生成的人脸向右时的图形示意图；
图8是本发明所述系统的结构组成框图。
【具体实施方式】
[0021]参照图1所述本发明所述方法流程图，首先获取人脸图像的视频流，所述视频流可以通各种摄像机等获取，包括门禁系统摄像机、手机摄像机等；之后，对所述人脸图像的视频流进行人脸肤色的检测，确定人脸的区域范围；之后，在人脸的区域范围内确定人眼的位置；之后，以人脸的区域范围、人眼的位置及人脸图像的视频流作为输入，通过脸型模型确定人脸的各个部位，形成一个完整的人脸图形；以及通过神经网络算法对形成的人脸图形进行验证。
[0022]在对所述人脸图像的视频流进行人脸肤色的检测，确定人脸的区域范围时，本发明在图像阈值分割法的基础上，选取了在HSI空间中进行肤色分割。
[0023]我们知道，肤色是人脸非常重要的特征之一。尽管不同种族、不同年龄、不同性别的人脸肤色看上去不同，但是这种不同主要集中在亮度上，不同人的肤色在色度空间的分布集中在一定区域范围内，即肤色具有聚类性。聚类性是一种事物区别于其他事物的特征，它可以用来从其他物体中分割出此物体。因此肤色的这种聚类特征可以用来从背景中分割出人脸。
[0024]以肤色信息作为基本信息在人脸检测中具有以下特点:
1.速度快且对姿态不敏感；；
2.对于光照、角度、阴影以及环境的变化具有鲁棒性；
3.在色度空间中其分布聚类在一个小范围内。
[0025]因此，本发明以肤色作为基本信息，具有无法比拟的效果。本发明根据肤色的聚类性选用了图像阈值分割法。图像阈值分割是一种广泛使用的图像分割技术，它利用了图像中要提取的目标和背景在灰度特征上的差异，把图像视为具有不同灰度级的两类区域(目标和背景)的组合。选择一个合适的阈值，以确定图像中每一像素点应属于目标还是背景区域，从而产生相应的二值图像。但要从复杂背景中分辨出目标并将其形状完整地提取出来，阈值的选择是关键，如果阈值选取过高，则过多的目标点被误归为背景；阈值选得过低，则会出现相反的情况。
[0026]本发明结合试验中获得的数据，选取了在HSI空间中进行肤色分割。HSI色彩空间是基于色度(Hue)、饱和度(Saturation)、亮度(Intensity)三坐标轴构成的三维颜色空间。HSI色彩空间的优点在于:它将亮度(I)与反映色彩本质特性的两个参数色度(H)和饱和度(S)分离开。所述肤色区域分割算法具体如下:
遍历整个视频流(图像)，得到该视频流(图像)每一像素R，、G、B颜色分量。
[0027]根据RGB色彩空间到HSI色彩空间的转换公式，将RBG图像转换到HSI色彩空间，得到对应的H、S、I值；
对视频流(图像)中每一像素进行判断，若满足条件0〈H〈0.86&&0〈S〈0.68&&0.35<I<1(&&表示同时满足条件)，则此像素设为白色，否则，像素值设为黑色。这样便形成以黑色像素点为区域的人脸区域范围。其中值0.86、0、68与0.35均为设定值，本发明只是提出了一种最符合应用的实际数据，本发明并不限于数据的变化，只要能符合最佳应用即可。
[0028]形成人脸区域范围后，便需要在人脸的区域范围内确定人眼的位置。人脸定位的关键在于人眼定位。我们知道人脸是椭圆形的，上述方法中所形成的人脸区域范围也是椭圆形的，在进一步对人脸成型时，需要在此椭圆形的区域内确定人眼的位置。本发明采用了人眼核心点算法，其基本思路为:将人脸范围内的非肤色区域标记出来，这些非肤色的区域即为可能的人眼，然后为了增加算法的健壮性，防止两眼非肤色黑色部分连接后导致无法正确识别眼睛，需要对非肤色部分逐步清除外围边缘，在非肤色区域到了人眼大小后，再确定人眼中的核心点，即所谓的眼睛点或人们常说的眼球(眼珠)。其具体流程参照图2所示，包括:肤色椭圆的确定，确定人脸区域范围的长轴，以此长轴的中心点为垂足作垂线确定短轴，根据所确定的长轴及短轴作出人脸椭圆；
确定非肤色区域，在作出的人脸椭圆中确定非肤色的区域，此非肤色的区域包括人眼的位置；
以两个像素为宽度，清除非肤色区域的外围边缘，缩小非肤色区域的范围，当非肤色区域的大小小于预定值时，则停止清除非肤色区域的外围边缘，以缩小后的非肤色区域作为人眼区域；
在人眼区域中取其像素块的质心作为人眼的核心。
[0029]图3与图4为清楚非肤色区域外围边缘前后的人眼图；从图中看出，外围边缘清除后，眼睛显示的更加清晰，人眼的核心也显示出来了。
[0030]在确定人脸图形时，一般都会用到脸形模型。脸形模型是目前性能最为稳定的人脸检测技术，主要是通过模板匹配进行检测，该方法使用眼睛、鼻子、嘴和人脸轮廓等子模板建模，检测照片中的正面人脸。每一个子模板按照线分割定义，基于最大梯度变化提取输入图像的线，基于图像与轮廓模板之间的相互关系检测人脸的区域，以进行匹配。参照图5所示，为生成的人脸正面图形示意图，图中显示出了基于人脸的区域范围、人眼的位置及人脸图像的视频流与人脸模板进行匹配，从而确定人脸的各个部位，形成一个完整的人脸正面图形。本发明为了获取有关侧脸的图形，将人脸的正面图形从-30度到30度进行水平旋转，每次旋转5度，形成最低限度包括两只眼睛边缘的侧脸检测图像，计12幅人脸侧面图像，对应的也形成了不同人脸部位的侧面图像，此处所设定的-30度到30度进行旋转，并不是一成不变的，具体应用时，可以根据实际情况设定，旋转后，参照图6与图7所示分别生成的人脸向左向右时的图形示意图；之后，分别提取人脸侧面图像中人脸各个部位的像素块，将提取的像素块与视频流中对应的像素块进行吻合度计算，将吻合度最符合的人脸各个部位作为真实的人脸图形。本发明需要检测的吻合度特征包括:(1)视频流像素块方向；(2)视频流像素块长轴。计算公式为:
1?ta| + l)]，其中，.3*?为实际像素块的长轴与检测模板块的像素长轴的
角度的吻合度，3为实际像素块的长轴方向为检测模板块的像素方向+1〕为实际像素块长轴长度与模板像素块长轴长度的吻合度，其中，i为实际像素块长轴长度，10为模板像素块长轴长度。
[0031]人脸图形生成后，需要能生成的人脸图形进行验证，验证其与真实人脸是否符合。本发明通过神经网络算法对形成的人脸图形进行验证。神经网络是对人脑神经系统的数学模拟，其目的是学习和模仿人脑的信息处理能力。撇开神经网络的具体结构形式和学习算法，一般地认为神经网络的信息处理过程包括学习和工作两个相互独立的阶段。在学习阶段，由学习样本集获得权值向量，权值向量中蕴涵学习样本中包含的知识。设X为输入向量，W为权值向量，B为输出向量，则对于监督学习，其过程可表示为:『=/(U),其中r是教师信号，如BP网络等。BP算法属于监督学习算法，其具体算法可简述为:
(1)从训练样本集中取出一个训练样本，将输入信息输入到网络中；
(2)由网络分别计算各层节点的输出；
(3)计算网络的实际输出与期望输出的误差；
(4)从输出层反向计算到第一个隐层，按一定的原则向减小误差方向调整网络的各个连接权值；
(5)对训练样本集中的每一个样本重复以上步骤,直到对整个训练样本集中的每一个样本的误差都达到要求为止。
[0032]神经网络在很多方面表现出优秀的性能，如知识容量大，由V个神经元组成的神
经网络的信息表达能力的下限和上限分别是况3/24和(J1-1)2F,比如存储10000个样本
所需要的神经元数目在23到63之间；逼近能力强，已经证明:在隐含层神经元数目可以任意设定的情况下，可以以任意精度逼近任意连续函数；计算速度快。这些优越性使得神经网络已经在很多领域中获得了广泛的应用。
[0033]本发明采用神经网络进行人脸验证时，将人脸图形中各个人脸部位的像素块作为输入，每个像素块经神经网络算法计算后，若输出值为1，则表示此像素块为脸部，若输出为零，则表示此像素块非脸部。所述各个人脸部位的像素块包括左眼、右眼、左脸边缘、右脸边缘、嘴唇、左右眼睛中部、左眼下部、右眼下部、左右眼与中部的像素差和左右眼与下部的像素差，本发明将以上10个特征值作为神经网络的输入，而输出则为I或0，其中，I表示检测结果为脸部；0表示非脸部。这样即实现了基于神经网络的人脸检测。
[0034]本发明基于肤色特征提取技术，利用人眼核心点特征提取，以便于对人脸进行全方位的定位；采用脸形模型进行人脸检测，无论人脸是正面还是侧面，皆能全方位检测出来；采用神经网络算法进行人脸验证，对每个人脸部位进行验证，检测人脸生成的结果，以验证全方位人脸检测成功率。
[0035]参照图8所示系统结构组成框图，本发明提供了一种全方位检测的系统，包括: 摄像机，用于获取获取人脸图像的视频流，所述摄像机并无具体限制；
人脸区域生成模块，用于对所述人脸图像的视频流进行人脸肤色的检测，确定人脸的区域范围；
人眼位置获取模块，用于在所述人脸的区域范围内确定人眼的位置；
人脸图形生成模块，用于以人脸的区域范围、人眼的位置及人脸图像的视频流作为输入，通过脸型模型确定人脸的各个部位，形成一个完整的人脸图形；
人脸图形验证模块，用于通过神经网络算法对形成的人脸图形进行验证。
[0036]其中，所述人脸区域生成模块包括:
RGB提取单元，用于遍历整个视频流，获取每一像素的R、G与B颜色分量值；
HIS转换单元，用于利用RGB至HIS的转换公式将获取的R、G与B颜色分量值转换为对应的H、S及I值；
区域判断生成单元，用于将满足条件H值大于O小于0.86、S值大于O小于0.68并且I值大于0.35小于I的像素设置为白色，将不满足此条件的像素设置为黑色，以黑色像素点形成的区域作为人脸的区域范围。
[0037]其中，所述人眼位置获取模块包括: 人脸椭圆单元，用于确定人脸区域范围的长轴，以此长轴的中心点为垂足作垂线确定短轴，根据所确定的长轴及短轴作出人脸椭圆；
人眼区域生成单元，用于在作出的人脸椭圆中确定非肤色的区域，此非肤色的区域包括人眼的位置，并清除非肤色区域的外围边缘，缩小非肤色区域的范围，当非肤色区域的大小小于预定值时，则停止清除非肤色区域的外围边缘，以缩小后的非肤色区域作为人眼区域；
眼核生成单元，用于在人眼区域中取其像素块的质心作为人眼的核心。
[0038]其中，所述人脸图形生成模块包括:
人脸正面图形生成单元，基于人脸的区域范围、人眼的位置及人脸图像的视频流与人脸模板进行匹配，从而确定人脸的各个部位，形成一个完整的人脸正面图形；
人脸侧面图像生成单元，将此人脸的正面图形从-30度到30进行水平旋转，每次旋转5度，形成12幅人脸侧面图像，对应的也形成了不同人脸部位的侧面图像；
人脸图形生成单元，分别提取人脸侧面图像中人脸各个部位的像素块，将提取的像素块与视频流中对应的像素块进行吻合度计算，将吻合度最符合的人脸各个部位作为真实的人脸图形。
[0039]所述人脸图形验证模块通过神经网络算法对形成的人脸图形进行验证，将人脸图形中各个人脸部位的像素块作为输入，每个像素块经神经网络算法计算后，若输出值为1，则表示此像素块为脸部，若输出为零，则表示此像素块非脸部，所述各个人脸部位的像素块包括左眼、右眼、左脸边缘、右脸边缘、嘴唇、左右眼睛中部、左眼下部、右眼下部、左右眼与中部的像素差和左右眼与下部的像素差。
[0040]以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。
【权利要求】
1.一种全方位人脸检测的方法，其特征在于，包括: 获取人脸图像的视频流； 对所述人脸图像的视频流进行人脸肤色的检测，确定人脸的区域范围； 在人脸的区域范围内确定人眼的位置； 以人脸的区域范围、人眼的位置及人脸图像的视频流作为输入，通过脸型模型确定人脸的各个部位，形成一个完整的人脸图形；以及 通过神经网络算法对形成的人脸图形进行验证。
2.根据权利要求1所述的方法，其特征在于，所述对人脸图像的视频流进行人脸肤色的检测包括以下步骤: 遍历整个视频流，获取每一像素的R、G与B颜色分量值； 利用RGB至HIS的转换公式将获取的R、G与B颜色分量值转换为对应的H、S及I值；将满足条件H值大于O小于设定值A、S值大于O小于设定值B并且I值大于设定值C小于I的像素设置为白色，将不满足此条件的像素设置为黑色，以黑色像素点形成的区域作为人脸的区域范围。
3.根据权利要求2所述的方法，其特征在于，所述设定值A、B与C依次为0.86,0,68与0.35。
4.根据权利要求1或2所述的方法，其特征在于，通过人眼核心点算法在人脸的区域范围内确定人眼的位置，具体包括以下步骤: 确定人脸区域范围的长轴，以此长轴的中心点为垂足作垂线确定短轴，根据所确定的长轴及短轴作出人脸椭圆； 在作出的人脸椭圆中确定非肤色的区域，此非肤色的区域包括人眼的位置； 清除非肤色区域的外围边缘，缩小非肤色区域的范围，当非肤色区域的大小小于预定值时，则停止清除非肤色区域的外围边缘，以缩小后的非肤色区域作为人眼区域；以及在人眼区域中取其像素块的质心作为人眼的核心。
5.根据权利要求1所述的方法，其特征在于，所述通过脸型模型确定人脸的各个部位，形成一个完整的人脸图形包括以下步骤: 基于人脸的区域范围、人眼的位置及人脸图像的视频流与人脸模板进行匹配，从而确定人脸的各个部位，形成一个完整的人脸正面图形； 将此人脸的正面图形以水平方向为轴对称旋转，每次旋转固定角度，形成一定数目的人脸侧面图像，对应的即形成了不同人脸部位的侧面图像；以及 分别提取人脸侧面图像中人脸各个部位的像素块，将提取的像素块与视频流中对应的像素块进行吻合度计算，将吻合度最符合的人脸各个部位作为真实的人脸图形。
6.根据权利要求5所述的方法，其特征在于，所述将人脸的正面图形以水平方向为轴对称旋转时，从-30度到30进行水平旋转，每次旋转5度，形成12幅人脸侧面图像，对应的也形成了 12幅不同人脸部位的侧面图像。
7.根据权利要求1所述的方法，其特征在于，所述通过神经网络算法对形成的人脸图形进行验证具体为: 将人脸图形中各个人脸部位的像素块作为输入，每个像素块经神经网络算法计算后，若输出值为1，则表示此像素块为脸部，若输出为零，则表示此像素块非脸部。
8..根据权利要求7所述的方法，其特征在于，所述各个人脸部位的像素块包括左眼、右眼、左脸边缘、右脸边缘、嘴唇、左右眼睛中部、左眼下部、右眼下部、左右眼与中部的像素差和左右眼与下部的像素差。
9.一种全方位人脸检测的系统，其特征在于，包括: 摄像机，用于获取获取人脸图像的视频流； 人脸区域生成模块，用于对所述人脸图像的视频流进行人脸肤色的检测，确定人脸的区域范围； 人眼位置获取模块，用于在所述人脸的区域范围内确定人眼的位置； 人脸图形生成模块，用于以人脸的区域范围、人眼的位置及人脸图像的视频流作为输入，通过脸型模型确定人脸的各个部位，形成一个完整的人脸图形； 人脸图形验证模块，用于通过神经网络算法对形成的人脸图形进行验证。
10.根据权利要求9所述的系统，其特征在于，所述人脸区域生成模块包括: RGB提取单元，用于遍历整个视频流，获取每一像素的R、G与B颜色分量值； HIS转换单元，用于利用RGB至HIS的转换公式将获取的R、G与B颜色分量值转换为对应的H、S及I值； 区域判断生成单元，用于 将满足条件H值大于O小于0.86、S值大于O小于0.68并且I值大于0.35小于I的像素设置为白色，将不满足此条件的像素设置为黑色，以黑色像素点形成的区域作为人脸的区域范围。
11.根据权利要求9所述的系统，其特征在于，所述人眼位置获取模块包括: 人脸椭圆单元，用于确定人脸区域范围的长轴，以此长轴的中心点为垂足作垂线确定短轴，根据所确定的长轴及短轴作出人脸椭圆； 人眼区域生成单元，用于在作出的人脸椭圆中确定非肤色的区域，此非肤色的区域包括人眼的位置，并清除非肤色区域的外围边缘，缩小非肤色区域的范围，当非肤色区域的大小小于预定值时，则停止清除非肤色区域的外围边缘，以缩小后的非肤色区域作为人眼区域； 眼核生成单元，用于在人眼区域中取其像素块的质心作为人眼的核心。
12.根据权利要求9所述的系统，其特征在于，所述人脸图形生成模块包括: 人脸正面图形生成单元，基于人脸的区域范围、人眼的位置及人脸图像的视频流与人脸模板进行匹配，从而确定人脸的各个部位，形成一个完整的人脸正面图形； 人脸侧面图像生成单元，将此人脸的正面图形从-30度到30进行水平旋转，每次旋转5度，形成12幅人脸侧面图像，对应的也形成了不同人脸部位的侧面图像； 人脸图形生成单元，分别提取人脸侧面图像中人脸各个部位的像素块，将提取的像素块与视频流中对应的像素块进行吻合度计算，将吻合度最符合的人脸各个部位作为真实的人脸图形。
【文档编号】G06K9/00GK103544478SQ201310468403
【公开日】2014年1月29日 申请日期:2013年10月9日 优先权日:2013年10月9日
【发明者】肖健华, 彭敏晶, 李勃, 骆达荣 申请人:五邑大学