thShape1, MouthShape2分别是指眼长宽比、眼弯曲比、嘴长 宽比、嘴弯曲比，其计算方法如下：
P1, P2, P#P P 4分别指左眼最顶端，最底端，最左端和最右端的特征点；
Pi'，P/，P/和P/分别指嘴巴的最顶端，最底端，最左端和最右端的特征点；
?5指P Λ的连线和P 3P4的连线的交点；
P5'指P/P2'的连线和P3'P4'的连线的交点； (5) 对样本图像进行显著区域检测与分割，并提取显著度特征；所述显著度特征包括 显著面积比、显著区域清晰度、脸区域面积比、显著区域复杂度和显著纹理特征； (6) 以步骤（2)提取到的全局特征、步骤（4)提取到的人脸特征、步骤（5)提取到的显 著度特征为输入，样本图像对应的质量等级为输出，进行基于支持向量机的训练学习，得到 质量等级的分类器； (7) 对目标人物摄影图像调用步骤（6)中得到的分类器，进行质量分类。
2.根据权利要求1所述的人物摄影图像的质量分类方法，其特征在于，步骤（2)所述提 取样本图像的全局特征，具体为： (2-1)提取样本图像的色调搭配特征；所述色调搭配特征包括：平均色调、平均饱和 度、平均亮度、最大色调区间及其像素比例、次大色调区间及其像素比例、最大色调区间与 次大色调区间的距离； (2-2)提取样本图像的梯度特征；所述梯度特征包括整幅图像的色调和亮度梯度特 征、图像子区域的色调和亮度区域梯度特征； (2-3)提取样本图像的灰度对比特征；灰度对比特征包括图像中的低强度像素比例和 高强度像素比例，低强度像素数量和高强度像素数量的计算方法如下： 低强度像素数量为： Ndark= 11 ?ν(χ. y) I ν(χ. y)<i〇l 11 ； 高强度像素数量为： Nbright= I I {v(x, y) |v(x, y)>245} | | ； 其中，v(x,y)为模板中像素点（x,y)在图像HSV通道中的亮度值，I |v(x,y) I I为 V (X，y)的个数； (2-4)提取样本图像的锐度特征，计算方法如下：
其中，M = {(X，y) I I fft (I (X，y)) I > β max(fft (I (X，y)))}，fft 为快速傅里叶变换，β 为阈值，x，y分别为图像像素点的横、纵坐标，I (x，y)为像素点（x，y)的亮度。
3. 根据权利要求1所述的人物摄影图像的质量分类方法，其特征在于，步骤（5)所述对 样本图像进行显著区域检测与分割，并提取显著度特征，具体为： (5-1))采用基于先验融合和流形排序的显著目标检测方法来完成显著区域的检测与 分割； (5_2)提取显著面积比； (5-3)提取显著区域清晰度特征； (5-4)提取亮暗区域面积比特征，亮区域面积KRfcight和暗区域面积比Rdart的计算方法 如下： Rdark= 11 {I (χ. y) 11 (χ. y) <i〇l 11 /n Rbright= 11 Π (χ，y) 11 (χ，y) >245} 11 /n 其中，I (x，y)为像素点（x，y)在图像HSV通道中的亮度，N为像素点的数量； (5-5)提取显著区域复杂度特征； (5-6)提取显著纹理特征，即对图像样本进行显著区域和人脸区域的提取后，把两个区 域进行与运算，得到一个总区域，然后在此区域内计算Gabor小波纹理特征。
4. 根据权利要求2所述的人物摄影图像的质量分类方法，其特征在于，步骤（2-1)所述 提取样本图像的色调搭配特征，具体为： (2-1-1)计算样本图像的平均色调，即对整幅图像的色调求平均值，计算方法如下：
N是图像总像素数量，h(x，y)为像素点（x，y)在图像HSV通道中的色调； (2-1-2)计算图像的平均饱和度，即对整幅图像的色调求平均值，计算方法如下：
N是图像总像素数量，s(x，y)为像素点（x，y)在图像HSV通道中的饱和度； (2-1-3)计算图像的平均亮度，即对整幅图像的色调求平均值，计算方法如下：
N是图像总像素数量，v(x，y)为像素点（x，y)在图像HSV通道中的亮度； (2-1-4)计算最大色调区间，即样本图像中最多像素的色调所处的区间； 最大色调区间的i+笪方法加下，
其中，Φ,为对色调的〇~360 °范围进行24等分后第k个色调区间集合； hist (h(x，y))表示图像的像素在色调区间上的直方图分布； (2-1-5)计算次大色调区间H2，即除去最大色调区间，再进行步骤（2-1-4)的计算，取 次大色调区间； (2-1-6)计算最大色调区间和次大色调区间中像素数量占总像素数量的比例作为像素 比例特征； (2-1-7)计算最大色调区间与次大色调区间的距离，计算方法如下： Δ H = min (max (Hue) -min (Hue), min (Hue) +24-max (Hue)), Hue = IH1, H2} 〇
5. 根据权利要求3所述的人物摄影图像的质量分类方法，其特征在于，步骤（5-1)所述 基于先验融合和流形排序的显著目标检测方法，具体为： 首先，利用闭环k正则图模型来模拟图像数据的流行结构；然后，构建一个二级排序方 案提取显著区域和背景区域；而后将对比度先验和新的中心先验结合得到初始的显著图； 最后，通过优化一个图模型上的连续二次能量方程促使相邻相似节点具有相似的显著值， 即加入光滑先验，以使最终显著图更加均匀突出主体。
6. 根据权利要求1所述的人物摄影图像的质量分类方法，其特征在于，步骤（6)所述支 持向量机采用RBF核函数，训练参数为γ = 0. 2, C = 50。
7. 根据权利要求1所述的人物摄影图像的质量分类方法，其特征在于，步骤（3)所述使 用人脸关键点检测算法获取脸部特征点，具体为： 使用Face++提供的Research Toolkit v0. 1获取脸部的83个特征点。
【专利摘要】本发明公开了一种人物摄影图像的质量分类方法，首先从已根据人物摄影图像的质量分类划分为不同质量等级的样本图片库中，为每个质量等级随机选取多张人物图像作为该质量等级的样本图像；使用人脸特征点检测算法获取脸部的特征点，然后提取人脸的特征，包括脸内基本特征、位置关系特征、脸部光影特征、脸部比例特征、人脸显著度和表情特征；通过并结合样本图像的全局特征、显著特征，对样本进行基于SVM的学习训练，质量等级的分类器；对目标人物摄影图像调用步骤(6)中得到的分类器，进行质量分类。本发明的人物摄影图像的质量分类方法，对人脸相关特征进行深入挖掘，分类准确率高。
【IPC分类】G06K9-62, G06K9-00
【公开号】CN104834898
【申请号】CN201510167362
【发明人】王伟凝, 黄杰雄, 赵明权, 刘剑聪
【申请人】华南理工大学
【公开日】2015年8月12日
【申请日】2015年4月9日