基于面部图像特征的图像处理方法.docx

基于面部图像特征的图像处理方法专利名称：基于面部图像特征的图像处理方法技术领域：本发明专利涉及图像处理领域，用于测定人体面部状态，具体涉及一种基于面部图像特征的图像处理方法背景技术：在图像处理领域，针对脸部特征的处理方法有多种多样，最常见的是基本算法选取( I)基于几何特征的方法基于几何特征的方法(Geometrical Features Based)是早期的人脸识别算法该·方法要求选取的特征矢量有一定的独特性，既要反映不同人脸的差异，还要具有一定的弹性，以减少或者消除光照差异等影响几何特征向量是以人脸器官的形状和几何关系为基础的特征向量，其分量通常包括人脸指定两点间的欧式距离、曲率、角度等2)基于神经网络的方法神经网络用于(Neural Network Based)人脸识别较早早期用于人脸识别的神经网络主要是Kohonen自联想映射神经网络，当人脸图像受噪声污染严重或部分缺损时，用Kohonen网络恢复完整的人脸的效果较好Cottrell等人使用级联BP神经网络进行人脸识别，对部分受损的、光照有所变化的人脸图像识别能力也较好基于神经网络的方法将人脸直接用灰度图(二维矩阵)表征，通过训练把模式的特性隐含在神经网络的结构和参数之中，即设计特定结构神经网络作为决策分类器。

所选用的神经网络有反向传播神经网络(Back Propagation NN),卷积神经网络(Convolution NN),支持向量机(SVM)等3)基于代数特征的方法这类算法是采用代数特征向量，即人脸图像在由“特征脸”张成的降维子空间上的投影基于代数特征识别的主要原理是利用统计方法提取特征，从而形成子空间进行识别基于代数特征的方法的基本处理过程为将图像看作一个数值矩阵，对其进行SVD分解，得到的奇异值作为人脸图像的描述由于奇异值向量与图像有一一对应关系而且具有较好的稳定性和各种变换的不变性，代数特征反映了图像的本质，可以用做人脸特征的描述并且该方法将K-L变换用于人脸图像的最优表示4)当前主流算法(I)特征脸(eigenface)算法特征脸方法的优点①图像原始灰度数据直接用来学习识别，不需任何低中级处理；②不需要人脸的几何和反射知识；③通过低维可以有效的对高维数据进行压缩；④与其它匹配方法相比，识别简单有效2)基于Fisher线性判别分析算法Fisher线性判别准则是模式识别里的经典算法，Fisher准则假设了不同类别在模式空间是线性可分的，而引起它们可分的主要原因是不同人脸之间的差异。

可应用于疲劳判断来表示同一个人在不同环境及健康状况下的面部差异3)弹性图匹配方法弹性图匹配方法(Elastic Graph Matching)是一种基于动态链接结构(DynamicLink Architecture, DLA)的方法它将人脸用格状的稀疏图(即拓扑图)表示，图中的节点用图像位置的Gabor小波分解得到的特征向量标记，图的边用连接节点的距离向量标记4)局部特征分析算法局部特征分析算法(LFA:Local Feature Analysis)是利用人 脸的先验结构知识和人脸图像的灰度分布知识，先粗略找出人脸的特征点，然后利用人脸弹性图来对其进行调整，最后在各个特征点处计算Gabor变换系数集合，并以此来表示人脸的特征5)非线性子空间算法非线性子空间分析法(Non-Linear SubSpace)它代表了一种主流发展趋势主要有基于内核机方法(如K-SVM，K-PCA, K-LDA)、局部线性嵌入方法(LLE)、拉普拉斯特征脸方法(LE)等其主要思路用较少数量的特征对样本进行描述，采用非线性映射实现降维，构造人脸特征子空间，进而通过分类器，实现人脸识别与特征跟踪3、基于知识建模的人脸检测方法基于知识的方法利用人脸特征知识建立若干规则，将人脸检测问题转化为假设和验证问题。

器官分布方法虽然人脸在外观上变化很大，但还是遵循一些普遍适用的规则如五官的空间位置分布等检测图像中是否有人脸，即测试该图像中是存在满足这些规则的图像块一般先直接检测几个器官可能分布的位置，将这些位置点分别组合，用器官分布的几何关系作为分类器进行筛选，找到可能存在的人脸提取轮廓方法人脸的轮廓可以看成一个近似椭圆，人脸检测可通过椭圆检测来完成对任意一幅图像，首先进行边缘检测，并对细化后的边缘提取曲线特征，然后计算各曲线组合成人脸的评估函数来检测人脸可以采用Hough变换来进行，基本思想是将图像空间中的检测问题转换到参数空间，通过在参数空间里进行简单的累加统计完成检测任务，用大多数边界点满足的某种参数形式来描述图像的区域边界曲线，对于一些被噪声干扰或间断区域边界的图像具有很好的容错性和鲁棒性，但是H)u曲变换的计算量很大，严重影响识别速度利用颜色、纹理的方法人的面部肤色受亮度影响较大，受色度影响较弱，在颜色空间中的分布相对比较集中，颜色信息在一定程度上可以将人脸和背景区分与其他检测方法相比，利用颜色知识检测出的人脸区域不够准确，由于肤色特征可以用几个简单的参数表示，计算速度快利用运动的方法若输入图像为动态图像序列，则可以利用与人脸或人脸的器官相对于背景的运动来检测人脸，比如利用眨眼或说话等动作的探测来实现人脸与背景的分离。

对称性人脸具有一定轴对称性，各器官也有一定的对称性有的学者提出基于对称性检测的方法，检测一个圆形区域的对称性，从而确定是否为人脸基于知识的方法是一种自上而下的方式它其中一个困难是如何将人类知识转化成为有效的规则如果规则制定得太细，那么可能有许多人脸无法通过规则的验证；如果规则制定得太宽泛，那么可能许多非人脸会被误判为人脸但是，这些方法存在如下缺点；目前的图像处理算法对高清脸部图像的处理速度较慢，很容易将高清脸部图像的细节信息丢失，脸部的信息量减少，致使脸部特征处理丢掉很多有用信息另外脸部图像很容易受外部光照等因素的影响，上述算法很难滤除干扰信息发明的目的是提出一种方便、快捷的脸部图像分析处理方法，用于判断脸部状态发明内容针对上述缺陷或不足，本发明的目的在于提出一种基于HIS空间和纹理图像的新型的基于面部图像特征的图像处理方法具体如下 包括如下步骤I)采集多组面部早晨、晚间两种不同状态的照片，分别读入面部RGB图像，将图像转换到HSI空间，得到HIS空间中的色相、饱和度和亮度三个参数，分别对三个参数计算特征值，并求出每组特征值的平均值；2)计算每个参数的差异百分比D = abs (P-Z)/max (P，Z)，其中，P代表晚间状态时的特征值的平均值、Z代表早晨状态时的特征值的平均值；将三个参数差异百分比求和，得到sum= E D作为彩色标准；3)采集某一状态下面部照片，计算HSI空间的色相、饱和度和亮度三个参数的特征值，根据上述D的计算公式计算每个参数的差异百分比，公式中的P即为上述某一状态时的特征值，Z为早晨状态时的特征值的平均值，对三个参数的差异百分比求和，得到testsum ;与sum比较得到人体状态判断参数cl, cl = testsum/sum, cl越大,人体状态越接近晚间状态。

进一步地，所述步骤I)中还计算三个参数的合成方差和合成标准差的均值，并在步骤2)中计算合成方差和合成标准差差异百分比，求色相、饱和度和亮度以及合成方差和合成标准差的差异百分比之和作为彩色标准进一步地，RGB图像转换到HSI空间的方法如下r n , R+G+R/=-3 I,-H =—[90-arctan(/-7V3)+{0;(i >BA SOlG 具体实施例方式下面结合附图对本发明做详细描述如图I所示，本发明包括如下步骤一.彩色图像I.采集多组面部早晨、两晚间种不同状态的照片，分别读入面部RGB图像，将图像转换到HSI空间，对每组的色相、饱和度和亮度分别计算特征值，以及三者的合成方差和合成标准差，并计算各自的均值数据如表1，2所示表I早晨面部彩色特征量权利要求1.基于面部图像特征的图像处理方法，其特征在于，包括如下步骤 1)采集多组面部早晨、晚间两种不同状态的照片，分别读入面部RGB图像，将图像转换到HSI空间，得到HIS空间中的色相、饱和度和亮度三个参数，分别对三个参数计算特征值，并求出每组特征值的平均值； 2)计算每个参数的差异百分比D= abs (P-Z)/max(P，Z)，其中，P代表晚间状态时的特征值的平均值、Z代表早晨状态时的特征值的平均值；将三个参数差异百分比求和，得到sum= E D作为彩色标准； 3)采集某一状态下面部照片，计算HSI空间的色相、饱和度和亮度三个参数的特征值，根据上述D的计算公式计算每个参数的差异百分比，公式中的P即为上述某一状态时的特征值，Z为早晨状态时的特征值的平均值，对三个参数的差异百分比求和，得到testsum ;与sum比较得到人体状态判断参数cl, cl=testsum/sum, cl越大,人体状态越接近晚间状态。

2.根据权利要求I所述的基于面部图像特征的图像处理方法，其特征在于所述步骤I)中还计算三个参数的合成方差和合成标准差的均值，并在步骤2)中计算合成方差和合成标准差差异百分比，求色相、饱和度和亮度以及合成方差和合成标准差的差异百分比之和作为彩色标准3.根据权利要求I所述的基于面部图像特征的图像处理方法，其特征在于，RGB图像转换到HSI空间的方法如下其中，I是売度；H是色调；S是色饱和度4.根据权利要求I所述的基于面部图像特征的图像处理方法，其特征在于，还包括如下步骤 1)将所述早晨、晚间两种不同状态的RGB图像转换为灰度图像，并分别生成灰度共生矩阵P(i, j)=#{(xl, yl), (x2, y2) G MXN| f (xl, yl)=i, f (x2, y2)=j} 其中，(xl，yl)、(x2，y2)为图像(MXN)中任意两点的坐标，f (x，y)为一幅二维数字图象，其大小为MXN ；#{x}表示集合X中的元素个数，P为NgXNg的矩阵，Ng是正整数； 2)根据所述灰度共生矩阵，计算灰度图像的能量、对比度、熵、相关值、惯性矩以及每个参数的标准差；计算这五个参数的特征值及各自标准差的平均值； 计算早晨、晚间两种状态下每个参数的标准差的差异百分比D = abs (P-Z)/max (P, Z)，其中，P代表晚间状态时的标准差的平均值、Z代表早晨状态时的标准差的平均值；并计算五个标准差的差异百分比之和sum= E D作为纹理标准； 3)采集某一状态下面部照片，计算灰度图像的能量、对比度、熵、相关性、惯性矩，并计算这五个参数的特征值；根据上述D的计算公式计算每个特征值的差异百分比之和testsum，公式中的P即为上述某一状态时的特征值，Z为早晨状态时的特征值的平均值；与sum比较得到人体状态判断参数c2,c2 = testsum/sum, c2越大,人体状态越接近晚间状态；所述Cl和c2同时作为该某一状态下的人体状态判定的依据。

5.根据权利要求I所述的基于面部图像特征的图像处理方法，其特征在于对步骤2)中利用掩膜处理计算图像的HSI空间分量特征值全文摘要一种基于人体面部图像特征检测的图像处理方法，根据对多个测试者早晚面部图像的HSI空间分量，得到早晨与晚间状态时最大特征区域和区域的颜色、色差，形成颜色特征向量再利用共生矩阵得到最大特征区域的纹理特征向量通过对数据库数据颜色特征向量和纹理特征向量的总结构建得到一套判定准则，并据此提出一种状态判定方法本发明可以方便大众及时进行状态检测，本发明可以应用于智能，方便快捷，具有很好的应用前景。