一种面部特征提取重构方法与流程

本发明涉及互联网技术领域，具体为一种面部特征提取重构方法。

背景技术：

人脸识别，是指对输入的人脸图像或者视频.判断其中是否存在人脸，如果存在人脸，则进一步给出每张人脸的位置、大小和各个主要面部器官的位置信息。并且依据这些信息，进一步提取每张人脸蕴含的身份特征，并将其与已知人脸库中的人脸进行对比，从而识别每张人脸的身份。

由于人脸五官的分布是非常相似的，而且人脸本身又是一个柔性物体，表情、姿态或发型、化妆的千变万化都给正确识别带来了相当大的麻烦，因此面部特征提取的准确率低下。鉴于此，我们提供一种面部特征提取重构方法。

技术实现要素：

本发明的目的在于提供一种面部特征提取重构方法，以解决上述背景技术中提出现如今由于人脸五官的分布是非常相似的，而且人脸本身又是一个柔性物体，面部特征提取的准确率低下的问题。

为实现上述目的，本发明提供如下技术方案：

一种面部特征提取重构方法，包括摄像头采集图像或图片库获取图像、图像预处理、获取脸部区域、人脸定位、获取特征参数以及显示效果图，具体步骤如下：

s1：应用程序通过摄像头采集一张图像或打开图片库，从图片库中选取其中一张图像；

s2：将拍摄的图像或选取的图像进行图像预处理工作，使其具有的特征在图像中明显的显示出；

s3：根据肤色获取脸部区域，并通过肤色非线形分段色彩变换实现脸部区域的获取；

s4：先通过颜色对脸部边缘位置以及候选特征进行筛选，再通过pca算法和几何特征对双眼、鼻子以及嘴巴的位置进行标记；

s5：将获取的双眼、鼻子以及嘴巴的位置作为特征参数；

s6：将获取的特征参数结合脸部边缘位置进行重新构造，得到最终的效果图。

作为优选，所述图像预处理包括中值滤波、图像灰度化、sobel边缘提取、对比度增强、相似度计算和二值化。

作为优选，所述中值滤波对图像进行平滑处理，降低图像的视觉噪声。

作为优选，所述图像灰度化将彩色图像转换为灰度图像，灰度图像在保留了人脸主要特征信息的基础上，减少总信息量，所述图像灰度化的处理方法包括最大值法、平均值法和加权平均值法；

最大值法：使rgb的值等于三个值中的最大值即：

r＝g＝b＝max(r,g,b)，最大值法用于完成亮度很高的灰度；

平均值法：取r，g，b三个值的平均值即：

平均值法用于完成亮度柔和的灰度；

加权平均值法：根据重要性给r，g，b赋予不同的权值，并使rgb的加权值平均即：

r＝g＝b＝(wrr+wgg+wbb)/3，其中wr、wg和wb分别为r、g、b的权值，当wr/3＝0.3，wg/3＝0.59，wb/3＝0.11时，即：

r＝g＝b＝0.3r+0.59g+0.11b，得到最合理的灰度图像。

作为优选，所述sobel边缘提取采用梯度微分锐化图像，使图像边缘的噪声和条纹得到增强，sobel边缘提取是相隔两行或两列之差分，使边缘两侧元素得到增强，边缘显得粗而亮。

作为优选，所述图像边缘是指图像中象素灰度值有阶跃变化或屋顶状变化的象素集合，图像边缘的检测方法采用sobel算子的方法。

作为优选，所述对比度增强对图像进行处理，将对比度拉开，使图像原本模糊的边缘变得清晰。

作为优选，所述相似度计算用于判别两对象的相似程度，便于二值化阀值的确定。

作为优选，所述二值化是将采集获得的多层次灰度图像处理成二值图像，整幅图像画面内仅有黑白二值，用一个比特表示一个像素，“1”表示黑色，“0”表示白色，以便于分析理解、识别以及减少计算量。

与现有技术相比，本发明的有益效果是：本面部特征提取重构方法建立的多层次结构都是可以修改和维护的，特征定位是人脸识别的目的是确定单张人脸在图像中的位置，通过标记人脸区域来确定和计算人脸的各器官定位，人脸特征检测是检测人脸特征的有无和位置，比如说眼睛、鼻子、鼻孔、嘴巴、嘴唇等的有无和位置，通过肤色提取，则对脸部区域的获取的准确率高，成功率达到98％以上，并且速度快，减少很多工作。

附图说明

图1为本发明的流程框图；

图2为本发明的图像预处理的框图；

图3为本发明人脸定位的具体框图。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

一种面部特征提取重构方法，如图1所示，包括摄像头采集图像或图片库获取图像、图像预处理、获取脸部区域、人脸定位、获取特征参数以及显示效果图，具体步骤如下：

s1：应用程序通过摄像头采集一张图像或打开图片库，从图片库中选取其中一张图像；

s2：将拍摄的图像或选取的图像进行图像预处理工作，使其具有的特征在图像中明显的显示出；

s3：根据肤色获取脸部区域，并通过肤色非线形分段色彩变换实现脸部区域的获取；

s4：先通过颜色对脸部边缘位置以及候选特征进行筛选，再通过pca算法和几何特征对双眼、鼻子以及嘴巴的位置进行标记；

s5：将获取的双眼、鼻子以及嘴巴的位置作为特征参数，如图3所示；

s6：将获取的特征参数结合脸部边缘位置进行重新构造，得到最终的效果图。

值得说明的是，最终效果图也可以进行图像还原重新进行图像处理，从而提高准确率。

进一步的，如图2所示，图像预处理包括中值滤波、图像灰度化、sobel边缘提取、对比度增强、相似度计算和二值化。

具体的，中值滤波对图像进行平滑处理，降低图像的视觉噪声，在图像采集过程中，由于各种因素的影响，图像往往会出现一些不规则的噪声，入图像在传输、存储等都有可能产生数据的丢失。从而影响图像的质量。处理噪声的过程称为滤波。滤波可以降低图像的视觉噪声。

值得说明的是，图像灰度化将彩色图像转换为灰度图像，灰度图像在保留了人脸主要特征信息的基础上，减少总信息量，图像灰度化的处理方法包括最大值法、平均值法和加权平均值法；

最大值法：使rgb的值等于三个值中的最大值即：

r＝g＝b＝max(r,g,b)，最大值法用于完成亮度很高的灰度；

平均值法：取r，g，b三个值的平均值即：

平均值法用于完成亮度柔和的灰度；

加权平均值法：根据重要性给r，g，b赋予不同的权值，并使rgb的加权值平均即：

r＝g＝b＝(wrr+wgg+wbb)/3，其中wr、wg和wb分别为r、g、b的权值，当wr/3＝0.3，wg/3＝0.59，wb/3＝0.11时，即：

r＝g＝b＝0.3r+0.59g+0.11b，得到最合理的灰度图像。

进一步的，sobel边缘提取采用梯度微分锐化图像，使图像边缘的噪声和条纹得到增强，sobel边缘提取是相隔两行或两列之差分，使边缘两侧元素得到增强，边缘显得粗而亮，sobel提取的优点：采用梯度微分锐化图像，同样使噪声、条纹等得到增强，soble算子则在一定程度上克服了这个问题：由于引入了平均因素，因而对图像中的随机噪声有一定的平滑作用；由于它是相隔两行或两列之差分，故边缘两侧的元素得到了增强，故边缘显得粗而亮。

值得注意的是，图像边缘是指图像中象素灰度值有阶跃变化或屋顶状变化的象素集合，图像边缘的检测方法采用sobel算子的方法。

此外，对比度增强对图像进行处理，将对比度拉开，使图像原本模糊的边缘变得清晰。

值得注意的是，相似度计算用于判别两对象的相似程度，便于二值化阀值的确定，相似度计算是为了判别两对象的相似程度而设定的算法，比如文字、指纹、人脸等。为了便于二值化阈值的确定，肤色相似度计算的意义是通过计算出与人脸肤色相近的像素点，确定人脸区域，用灰度图像显示出来，并为二值化提供一个可计算出阈值的比较值。

二值化是将采集获得的多层次灰度图像处理成二值图像，整幅图像画面内仅有黑白二值，用一个比特表示一个像素，“1”表示黑色，“0”表示白色，以便于分析理解、识别以及减少计算量。

本发明的面部特征提取重构方法是采用visualc++6.0作为开发工具，利用mfc采用面向对象的方法，用c++语言编写程序，按功能进行细化，建立通用的结构，从而减少了繁琐性，增加代码的可重用性和可移植性，提高了效率，建立的多层次结构都是可以修改和维护的。所有的结构都是开放的，可以向其中添加新方法以支持新功能，而不会对原有功能构成任何威胁。本发明中建立的多层次类结构都是可以修改和维护的，特征定位是人脸识别的目的是确定单张人脸在图像中的位置，通过标记人脸区域来确定和计算人脸的各器官定位，人脸特征检测是检测人脸特征的有无和位置，比如说眼睛、鼻子、鼻孔、嘴巴、嘴唇等的有无和位置，通过肤色提取，则对脸部区域的获取的准确率高，成功率达到98％以上，并且速度快，减少很多工作。

实施例2

作为本发明的第二种实施例，人脸识别的面部特征提取若通过摄像头采集图像的过程中会有若干因素造成影响，具体如下：

(1)光照变化：在人脸识别中，光照条件的变化常引起人脸外貌或外观的明显变化，光照变化所导致的阴影、遮挡、明暗区、暗光、高光都会使识别率大幅下降。光照的变化可以来自光线方向或能量分布的不同，也会受到人脸3d结构的影响。解决光照变化的方法可分两类：一类可称为被动的方法，通过学习由于照明变化而导致的可见光谱图像的变化来设法减小光照变化造成的影响；另一类可称为主动的方法，使用主动成像技术，使获得的图像具有在固定照明条件下所采集到图像的特点，或只有不受照明变化影响的采集方式获得的图像的特点。

(2)姿态变化：在采集人脸图像时，如果人的姿态发生变化，则其导致的投影形变会引起人脸面部不同部位的拉伸、压缩和遮挡，使图像发生很大的改变。人脸姿态在三维空间的变化共有6个自由度：沿x、y、z轴的平移和绕x、y、z轴的旋转。其中，沿x、y轴的平移在图像上表现为人脸位置的变化，对其的校正可通过采用适当的检测方法获取变化量再借助坐标变换实现；沿z轴的变化在图像上表现为比例的变化，对其的校正可通过缩放二维图像或三维人脸来实现。绕轴的变化可分为平面旋转、垂直深度旋转和侧深度旋转。其中，平面旋转是绕z轴的旋转；垂直深度旋转也叫上下旋转或仰俯旋转，是绕x轴的旋转；侧深度旋转有时被称为左右旋转或水平偏转，是绕y轴的旋转。上述6个自由度的变化中绕x和y轴的旋转难以直接从图像上确定。克服姿态变化所带来问题的一种方法是从图像中估计出人脸的不同姿态，再设法将其变换回人脸的标准姿态，用标准的人脸识别方法进行识别。还有一种方法是学习并记忆多种姿态下的特征，这相当于建立多个姿态，工作量会大一些。最后，也可以构建头部的3d模型，从中提取姿态无关特征来识别人脸。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。