一种基于AI人脸场景识别检测自动曝光方法与流程

本发明属于图像处理，特别涉及一种基于ai人脸场景识别检测自动曝光方法。

背景技术：

1、目前传统的安防监控摄像头，主要是单纯的运用传统的自动曝光算法。是利用传感器sensor出来的数据，并提取每个像素点的亮度，经过全局像素点的亮度和原先设计指导的标准的参考图像亮度为基础，指导sensor进行曝光。传统算法并不会去考虑局部亮度过大或者过小的情况，对于图像的内容并没有进行一定的分析。在背光或者是顺光场景下，无法做到兼容，同时对于场景中的感兴趣区域的部分，也没有进行一定的处理，导致图像在一些场景中，无法达到用户想要的曝光。

2、然而，现有技术的主要缺陷在于：

3、1.传统的算法方法，没有考虑图像的内容，只关注了图像整体的亮度。

4、2.传统的算法方法，在局部区域亮度过大或者过小的情况下。无法准确的曝光。

5、3.在传统的安防监控摄像头中，对于图像场景的判断，往往不够准确，主要的原因是因为硬件的问题，在硬件的设计中，图像处理的数据，往往只有几行的数据，这样就无法获取图像中全局的信息。利用几行的数据，对整个图像进行简单的图像的场景判断，往往是不够准确的，这样非常容易导致图像场景的误判，带来的后果就是，图像在一些区域误判之后，导致该场景曝光异常。对于含有人脸的场景来说，直接会导致，人脸过曝或者是欠曝。

6、此外，现有技术中的常用术语包括：

7、ai人脸识别：就是利用ai算法可以估计出一副图像中哪些区域是人脸，并将信息传递给isp自动曝光：根据sensor出来的图像，判断场景的亮度，反馈作用给sensor，从而实现在不同场景下均可以得到正常亮度的图像。

8、ae：自动曝光。

9、lbp(local binary pattern，局部二值模式)特征提取：是一种用来描述图像局部文理特征的算子；它具有旋转不变性和灰度不变性的显著优点；用于纹理特征提取，提取的特征是图像的局部的纹理特征。

10、ulbp(uniform local binary pattern,均匀局部二值模式)降维处理：利用lbp算子可以得到每个像素点的lbp的编码信息，对于一副图像来说，可以得到一副完整的lbp图像，把lbp的图像分割成小块，在小块内进行直方图的统计，输出最终的结果。

11、db中直方图比较(直方图比较)：将小块的直方图信息和数据库中的信息，进行比对，可以得到一个相似度，利用该相似度，可以得出最终的人脸的区域的位置。

技术实现思路

1、为了解决上述问题，本技术的目的在于：本技术中主要的优化方向就是利用了ai进行图像的二次分析，将图像中的人脸信息以及场景信息，传递给自动曝光ae算法模块，ae算法模块在传统的算法的基础上，加入了ai的计算结果，这样可以让ae算法在不同的场景下，均可以得到一个比较不错的曝光效果。本技术主要就是将ai检测的结果，作为ae的参数数据，指导ae的曝光。

2、具体地，本发明的一种基于ai人脸场景识别检测自动曝光方法，所述方法包括以下步骤：

3、s1，计算硬件统计结果，根据统计结果计算当前画面亮度；

4、s2，获取ai的三种场景分析和人脸坐标：

5、s2.1，顺光场景：

6、降低画面亮度系数；与原始的标准系数进行融合；

7、s2.2，逆光场景：

8、提高画面亮度系数；与原始的标准系数进行融合；

9、s2.3，有人脸场景获取人脸坐标：

10、去除人脸区域之外的统计信息；

11、s3，根据步骤s1的结果，以及步骤s2获取ai的场景分析和人脸坐标，计算最终的目标亮度；

12、s4，根据收敛系数，将画面亮度往目标亮度收敛；

13、s5，设置到最终的硬件寄存器。

14、所述方法进一步包括：

15、s1，硬件统计当前画面的亮度信息；这里的硬件统计的亮度信息是画面中15*15个分块中各个pixel的像素值的和；是基于传统算法获得，包括：开始后获取15*15的分块信息；各个分块的像素值的和相加得到总的像素值；a＝总的像素值除以总的pixel的个数；

16、s2，场景分析和ai计算：

17、s2.1，如果是顺光场景，根据较暗区域和较亮区域的比重，得到一个顺光场景的顺光比；所述较暗是指像素值低于50，所述较亮是指像素值高于200，所述比重是较暗的pixel的个数占总的pixel的个数的比值，范围在0～1，即顺光比的数值范围为0～1，顺光比越大，ai计算的结果对于目标亮度的影响越大，当时画面就会被压的越狠；此时，顺光的位置，就会越暗；

18、s2.2，如果是逆光场景，根据较暗区域和较亮区域的比重，得到一个逆光场景的逆光比；所述较暗是指像素值低于50，所述较亮是指像素值高于200，所述比重是较暗的pixel的个数占总的pixel的个数的比值，范围在0～1，即逆光比的数值范围为0～1，逆光比越大，ai计算的结果对于目标亮度的影响越大，当时画面就会被压的越狠；此时，逆光的位置，就会越亮；

19、s2.3，如果是有人脸的场景，对于有人脸的场景，对于此种场景来说，用户关注的只是人脸，对于人脸的区域来说，将人脸区域的统计信息计算得到一个最终的人脸区域的图像亮度，将该亮度与画面实际的亮度进行比较；如果差异过大，需要进行渐变过去，理解为人脸的区域是慢慢变大的，连续画面是不存在一帧数据没有人脸、一帧数据全是人脸的情况，也就是说在连续的画面中，人是缓慢进入画面的，不会有画面中间突然出现一个人的情况；

20、s3，根据步骤s1的亮度信息以及步骤s2的结果，计算出当前画面的一个整体的亮度：

21、硬件统计到各个分块的pixel的像素值的和之后，根据用户由ai获取的对于图像的分析，判断当前画面是什么场景，是否有人脸的存在，人脸所占的图像的比重是多少，进而设置的不同分块的权重，对每个块进行加权平均，最后得到此时画面的亮度值，此整体的亮度只是画面当前的一个最终亮度；

22、通过ai计算得到的人脸区域的坐标，利用ai的坐标，按照所述传统算法计算出一个新的亮度，该最终亮度由所述传统算法和ai坐标计算出来的人脸区域的亮度值共同决定；

23、s4，得到最终的画面的目标亮度之后，进行自动曝光ae画面的收敛，将当前的亮度与目标亮度进行收敛；

24、s5，最后设置到寄存器中去。

25、所述步骤s3进一步包括：

26、s3.1，首先，利用ai训练模型计算当前画面是否存在人脸，人脸的具体的位置，根据这个位置，与传统算法相结合，步骤如下：

27、图像灰度化；lbp特征提取；ulbp降维处理；分割为多个方格cell；每个方格生成直方图；直方图链接，特征向量集合；与数据库db中直方图比较即直方图比较；得到分类结果；

28、s3.2，当获得人脸的坐标之后，根据坐标计算出当前人脸所在位置占整幅图像的比重和人脸所在的区域中像素的pixel的个数和；即：ai模型传递坐标；计算坐标块内的像素值的和；计算坐标块内像素值的个数；c＝求当前坐标块内的像素值和像素个数的比值；b＝当前坐标块内pixel的个数占总的pixel的个数的比值；

29、s3.3，利用人脸的区域位置给出不同的权重，占比越大，权重越高，越靠近中心，权重越高，占比数值范围在0～1；

30、s3.4，最终的目标亮度：把步骤s3.3得到的值和步骤s1中计算出来的值进行加权融合，得到最终的图像画面的亮度值，如下：

31、画面亮度＝(a*权重+b*c*权重1)/(权重1+权重2)。

32、对于所述步骤s2.3中所述在连续的画面中，人是缓慢进入画面的，不会有画面中间突然出现一个人的情况，需要缓慢的渐变，让画面缓慢的变化，直至完全利用人脸的亮度指导自动曝光ae的曝光，这里的收敛，是为了画面过度更平滑，避免出现画面闪烁的情况。

33、所述步骤s4中，所述当前的亮度是已经结合ai处理之后的亮度。

34、由此，本技术的优势在于：

35、1.对于场景的识别更准确，对于自动曝光的自适应性有着很大的提升2.对于人脸的场景，曝光更加的准确，可以让人脸有一个非常高精度的曝光。