基于嘴部特征的笑脸识别系统及方法技术方案

技术编号:10646218 阅读:341 留言:0更新日期:2014-11-12 19:56
本发明专利技术揭示了一种基于嘴部特征的笑脸识别系统及方法,所述笑脸识别系统包括:人脸定位与预处理模块、直方图均衡化模块、尺寸归一化模块、基于嘴部特征的笑脸特征提取模块、基于支持向量机的分类模块。基于嘴部特征的笑脸特征提取模块用以在对人脸进行准确的定位的基础之上,根据人脸面部的结构特征结合经验实现嘴部的粗定位,接着通过对定位到的嘴部大致图片的直方图进行规定化来提高图像的对比度;而后对经过处理的嘴部图像进行二值化,并对二值化结果使用灰度投影法来实现嘴部的精定位。基于支持向量机的分类模块用以使用支持向量机的分类方法对样本进行分类。本发明专利技术提出的基于嘴部特征的笑脸识别系统及方法,可提高笑脸识别的效率及精度。

【技术实现步骤摘要】

本专利技术属于笑脸识别
,涉及一种笑脸识别系统,尤其涉及一种基于嘴部特征的笑脸识别系统;同时,本专利技术还涉及一种基于嘴部特征的笑脸识别方法。
技术介绍
随着人们生活水平的不断提高,以及多媒体技术的发展,具有拍照功能的移动终端产品得到了广泛的普及,比如手机、数码相机等,这自然而然也就带动了各个生产商之间的竞争。各个生产商为了能够在激烈的市场竞争中立于不败之地,纷纷在他们的产品中增加一些特殊功能以吸引消费者的眼球,而笑脸识别正是这些特殊功能中重要的一种。笑脸识别功能是基于对消费者行为和需求的深入了解而推出的一款人性化的产品。它可以更好地满足用户在拍摄中对于笑脸拍摄的需要,方便用户拍摄到生活中难得的瞬间的灿烂笑容。目前,笑脸识别功能已经广泛地用于数码相机、手机、数码摄像机等数码产品中。虽然近年来笑脸识别的功能被广泛地用于数码相机、手机等移动终端中,但是,人类表情的表现方式有细微的和强烈的、缓和的和激动的、轻松的和紧张的诸多形式,同一种表情往往表现出不同的强度。比如同样是高兴的表情,不同的人却有不同的表现形式,有些只是嘴角稍微向两侧上抬:而有些则不仅仅是嘴角的上抬,而是先将整个嘴轻微的张开,然后向左右两边运动等。这就给笑脸的确切识别带来了一定的困难,从而也就影响了笑脸识别功能的实际应用性能。有鉴于此,如今迫切需要设计一种新的笑脸识别方法,以便克服现有识别方法的上述缺陷。
技术实现思路
本专利技术所要解决的技术问题是:提供一种基于嘴部特征的笑脸识别系统,可提高笑脸识别的效率及精度。此外,本专利技术还提供一种基于嘴部特征的笑脸识别方法,可提高笑脸识别的效率及精度。为解决上述技术问题,本专利技术采用如下技术方案:一种基于嘴部特征的笑脸识别系统,所述笑脸识别系统包括:人脸定位与预处理模块、直方图均衡化模块、尺寸归一化模块、基于嘴部特征的笑脸特征提取模块、基于支持向量机的分类模块;人脸定位与预处理模块用以对人脸定位,在输入的图像中如果存在人脸区域,则检测出人脸,确定所有人脸的大小、位置和位姿;采用Haar-Like特征与级联的Adaboost学习算法相结合的方法定位;包括:对人脸进行Haar-Like特征计算,运用“积分图”算法快速提取特征;根据AdaBoost算法提取最有效的Haar-Like特征,经过多次迭代确定各个弱分类器的权值;将训练得到的弱分类器进行级联,组成完整的人脸检测系统;直方图均衡化模块用以对人脸样本图像进行直方图均衡化,把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布;尺寸归一化模块用以通过尺度校正、平移、旋转的方法去除图像中的结构变形,使人脸图像标准化;采用双线性插值算法对检测出的人脸图像进行归一化为设定尺寸;基于嘴部特征的笑脸特征提取模块用以在对人脸进行准确的定位的基础之上,根据人脸面部的结构特征结合经验实现嘴部的粗定位,接着通过对定位到的嘴部大致图片的直方图进行规定化来提高图像的对比度;而后对经过处理的嘴部图像进行二值化,并对二值化结果使用灰度投影法来实现嘴部的精定位;基于支持向量机的分类模块用以使用支持向量机的分类方法对样本进行分类;在分类阶段中,将训练过程中得到的模型与待识别样本特征送入预测函数中得出分类结果,若输出的结果为1表示对应的样本为正样本,若为-1对应的样本则为负样本;基于支持向量机的分类模块包括训练优化单元、最优分类模型获取单元、分类结果获取单元;所述训练优化单元用以进行训练优化,寻找合适的内核函数及其对应的最优参数;所述最优分类模型获取单元将寻找到的最优内核函数及参数送入到训练函数中对训练样本特征集进行训练,以获得支持向量机最优分类模型;所述分类结果获取单元将待分类样本特征集与最优分类模型送入到预测函数中,获取最终的分类结果;所述笑脸特征提取模块包括嘴部粗定位单元、嘴部精定位单元、基于嘴部的HOG特征的笑脸特征提取单元;嘴部粗定位单元用以根据人脸的面部的结构特征,将嘴部区域划定为人脸的下三分之一,且距离左右人脸边界为人脸宽度的四分之一;嘴部精定位单元用以对嘴部粗定位得到的图像进行直方图规定化处理后,通过二值化处理来实现嘴部的精定位;具体采用Ostu方法通过阈值将图像分割成两个区域,每个区域有着相似的灰度值,分别为目标和背景,来实现嘴部的精定位;基于嘴部的HOG特征的笑脸特征提取单元用以在对嘴部进行HOG特征提取的过程中,分别对HOG特征提取的信息进行了以下处理:对于输入图像:为了降低算法运算的复杂度,输入的嘴部图像为灰度图像;对于颜色空间标准化与预处理:对输入的嘴部图像进行直方图规定化处理使得图像的轮廓更为清晰,所有的嘴部图像尺寸归一化为64*42的大小;对于梯度向量的计算:采用一阶梯度算子(-1,0,1),(-1,0,1)T来进行梯度的计算,即嘴部图像点(x,y)的梯度大小G(x,y)和方向θ(x,y)为:Gx(x,y)=I(x+1,y)-I(x-1,y)Gy(x,y)=I(x,y+1)-I(x,y-1)θ(x,y)=arccosGx(x,y)G(x,y)Gx(x,y)≥02π-arccosGx(x,y)g(x,y)otherwise]]>其中,I(x,y)为点(x,y)处的灰度值,θ(x,y))为[0,360]区间内的值;对于空间和方向上的梯度信息统计:将嘴部图像分成2*2个Block,每个Block上含有2*2个Cell,梯度向量的方向在360°的方位内分成40个区域,则每个Cell的HOG特征的维数为40D,整幅图像的HOG特征的维数为640D;对于块内标准化:采用L2-hys来进行数据归一化;所述基于嘴部的HOG特征的笑脸特征提取单元包括:梯度计算子单元,用以对经过预处理的嘴部图片进行梯度计算;第一HOG特征获取子单元,以各像素点的幅度为权重,统计各Cell的梯度方向直方图,得到Cell的HOG特征;第二HOG特征获取子单元,用以对同一Block内的Cell的HOG特征进行归一化处理,得到Block的HOG特征;嘴部HOG生成子单元,用以将所有Block的HOG特征连接组成嘴部的HOG特征。一种基于嘴部特征的笑脸识别系统,所述笑脸识别系统包括:人脸定位与预处理模块、直方图均衡化模块、尺寸归一化模块、基于嘴部特征的笑脸特征提取模块、基于支持向量机的分类模块;人脸定位与预处理模块用以对人脸定位,在输入的图像中如果存在人脸区域,则检测出人脸,确定所有人脸的大本文档来自技高网...

【技术保护点】
一种基于嘴部特征的笑脸识别系统,其特征在于,所述笑脸识别系统包括:人脸定位与预处理模块、直方图均衡化模块、尺寸归一化模块、基于嘴部特征的笑脸特征提取模块、基于支持向量机的分类模块;人脸定位与预处理模块用以对人脸定位,在输入的图像中如果存在人脸区域,则检测出人脸,确定所有人脸的大小、位置和位姿;采用Haar‑Like特征与级联的Adaboost学习算法相结合的方法定位;包括:对人脸进行Haar‑Like特征计算,运用“积分图”算法快速提取特征;根据AdaBoost算法提取最有效的Haar‑Like特征,经过多次迭代确定各个弱分类器的权值;将训练得到的弱分类器进行级联,组成完整的人脸检测系统;直方图均衡化模块用以对人脸样本图像进行直方图均衡化,把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布;尺寸归一化模块用以通过尺度校正、平移、旋转的方法去除图像中的结构变形,使人脸图像标准化;采用双线性插值算法对检测出的人脸图像进行归一化为设定尺寸;基于嘴部特征的笑脸特征提取模块用以在对人脸进行准确的定位的基础之上,根据人脸面部的结构特征结合经验实现嘴部的粗定位,接着通过对定位到的嘴部大致图片的直方图进行规定化来提高图像的对比度;而后对经过处理的嘴部图像进行二值化,并对二值化结果使用灰度投影法来实现嘴部的精定位;基于支持向量机的分类模块用以使用支持向量机的分类方法对样本进行分类;在分类阶段中,将训练过程中得到的模型与待识别样本特征送入预测函数中得出分类结果,若输出的结果为1表示对应的样本为正样本,若为‑1对应的样本则为负样本;基于支持向量机的分类模块包括训练优化单元、最优分类模型获取单元、分类结果获取单元;所述训练优化单元用以进行训练优化,寻找合适的内核函数及其对应的最优参数;所述最优分类模型获取单元将寻找到的最优内核函数及参数送入到训练函数中对训练样本特征集进行训练,以获得支持向量机最优分类模型;所述分类结果获取单元将待分类样本特征集与最优分类模型送入到预测函数中,获取最终的分类结果;所述笑脸特征提取模块包括嘴部粗定位单元、嘴部精定位单元、基于嘴部的HOG特征的笑脸特征提取单元;嘴部粗定位单元用以根据人脸的面部的结构特征,将嘴部区域划定为人脸的下三分之一,且距离左右人脸边界为人脸宽度的四分之一;嘴部精定位单元用以对嘴部粗定位得到的图像进行直方图规定化处理后,通过二值化处理来实现嘴部的精定位;具体采用Ostu方法通过阈值将图像分割成两个区域;基于嘴部的HOG特征的笑脸特征提取单元用以在对嘴部进行HOG特征提取的过程中,分别对HOG特征提取的信息进行了以下处理:对于输入图像:为了降低算法运算的复杂度,输入的嘴部图像为灰度图像;对于颜色空间标准化与预处理:对输入的嘴部图像进行直方图规定化处理使得图像的轮廓更为清晰,所有的嘴部图像尺寸归一化为64*42的大小;对于梯度向量的计算:采用一阶梯度算子(‑1,0,1),(‑1,0,1)T来进行梯度的计算,即嘴部图像点(x,y)的梯度大小G(x,y)和方向θ(x,y)为:Gx(x,y)=I(x+1,y)‑I(x‑1,y)Gy(x,y)=I(x,y+1)‑I(x,y‑1)θ(x,y)=arccosGx(x,y)G(x,y)Gx(x,y)≥02π-arccosGx(x,y)g(x,y)otherwise]]>其中,I(x,y)为点(x,y)处的灰度值,θ(x,y))为[0,360]区间内的值;对于空间和方向上的梯度信息统计:将嘴部图像分成2*2个Block,每个Block上含有2*2个Cell,梯度向量的方向在360°的方位内分成40个区域,则每个Cell的HOG特征的维数为40D,整幅图像的HOG特征的维数为640D;对于块内标准化:采用L2‑hys来进行数据归一化;所述基于嘴部的HOG特征的笑脸特征提取单元包括:梯度计算子单元,用以对经过预处理的嘴部图片进行梯度计算;第一HOG特征获取子单元,以各像素点的幅度为权重,统计各Cell的梯度方向直方图,得到Cell的HOG特征;第二HOG特征获取子单元,用以对同一Block内的Cell的HOG特征进行归一化处理,得到Block的HOG特征;嘴部HOG生成子单元,用以将所有Block的HOG特征连接组成嘴部的HOG特征。...

【技术特征摘要】
1.一种基于嘴部特征的笑脸识别系统,其特征在于,所述笑脸识别系统包括:人脸定位与预
处理模块、直方图均衡化模块、尺寸归一化模块、基于嘴部特征的笑脸特征提取模块、基
于支持向量机的分类模块;
人脸定位与预处理模块用以对人脸定位,在输入的图像中如果存在人脸区域,则检测
出人脸,确定所有人脸的大小、位置和位姿;采用Haar-Like特征与级联的Adaboost学
习算法相结合的方法定位;包括:对人脸进行Haar-Like特征计算,运用“积分图”算法
快速提取特征;根据AdaBoost算法提取最有效的Haar-Like特征,经过多次迭代确定各
个弱分类器的权值;将训练得到的弱分类器进行级联,组成完整的人脸检测系统;
直方图均衡化模块用以对人脸样本图像进行直方图均衡化,把原始图像的灰度直方图
从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布;
尺寸归一化模块用以通过尺度校正、平移、旋转的方法去除图像中的结构变形,使人
脸图像标准化;采用双线性插值算法对检测出的人脸图像进行归一化为设定尺寸;
基于嘴部特征的笑脸特征提取模块用以在对人脸进行准确的定位的基础之上,根据人
脸面部的结构特征结合经验实现嘴部的粗定位,接着通过对定位到的嘴部大致图片的直方
图进行规定化来提高图像的对比度;而后对经过处理的嘴部图像进行二值化,并对二值化
结果使用灰度投影法来实现嘴部的精定位;
基于支持向量机的分类模块用以使用支持向量机的分类方法对样本进行分类;在分类
阶段中,将训练过程中得到的模型与待识别样本特征送入预测函数中得出分类结果,若输
出的结果为1表示对应的样本为正样本,若为-1对应的样本则为负样本;
基于支持向量机的分类模块包括训练优化单元、最优分类模型获取单元、分类结果获
取单元;所述训练优化单元用以进行训练优化,寻找合适的内核函数及其对应的最优参数;
所述最优分类模型获取单元将寻找到的最优内核函数及参数送入到训练函数中对训练样
本特征集进行训练,以获得支持向量机最优分类模型;所述分类结果获取单元将待分类样
本特征集与最优分类模型送入到预测函数中,获取最终的分类结果;
所述笑脸特征提取模块包括嘴部粗定位单元、嘴部精定位单元、基于嘴部的HOG特征
的笑脸特征提取单元;
嘴部粗定位单元用以根据人脸的面部的结构特征,将嘴部区域划定为人脸的下三分之
一,且距离左右人脸边界为人脸宽度的四分之一;嘴部精定位单元用以对嘴部粗定位得到
的图像进行直方图规定化处理后,通过二值化处理来实现嘴部的精定位;具体采用Ostu
方法通过阈值将图像分割成两个区域;
基于嘴部的HOG特征的笑脸特征提取单元用以在对嘴部进行HOG特征提取的过程中,
分别对HOG特征提取的信息进行了以下处理:
对于输入图像:为了降低算法运算的复杂度,输入的嘴部图像为灰度图像;
对于颜色空间标准化与预处理:对输入的嘴部图像进行直方图规定化处理使得图像的
轮廓更为清晰,所有的嘴部图像尺寸归一化为64*42的大小;
对于梯度向量的计算:采用一阶梯度算子(-1,0,1),(-1,0,1)T来进行梯度的计算,
即嘴部图像点(x,y)的梯度大小G(x,y)和方向θ(x,y)为:
Gx(x,y)=I(x+1,y)-I(x-1,y)
Gy(x,y)=I(x,y+1)-I(x,y-1)
θ(x,y)=arccosGx(x,y)G(x,y)Gx(x,y)≥02π-arccosGx(x,y)g(x,y)otherwise]]>其中,I(x,y)为点(x,y)处的灰度值,θ(x,y))为[0,360]区间内的值;
对于空间和方向上的梯度信息统计:将嘴部图像分成2*2个Block,每个Block上含
有2*2个Cell,梯度向量的方向在360°的方位内分成40个区域,则每个Cell的HOG特
征的维数为40D,整幅图像的HOG特征的维数为640D;
对于块内标准化:采用L2-hys来进行数据归一化;
所述基于嘴部的HOG特征的笑脸特征提取单元包括:
梯度计算子单元,用以对经过预处理的嘴部图片进行梯度计算;
第一HOG特征获取子单元,以各像素点的幅度为权重,统计各Cell的梯度方向直方
图,得到Cell的HOG特征;
第二HOG特征获取子单元,用以对同一Block内的Cell的HOG特征进行归一化处理,
得到Block的HOG特征;
嘴部HOG生成子单元,用以将所有Block的HOG特征连接组成嘴部的HOG特征。
2.一种基于嘴部特征的笑脸识别系统,其特征在于,所述笑脸识别系统包括:人脸定位与预
处理模块、直方图均衡化模块、尺寸归一化模块、基于嘴部特征的笑脸特征提取模块、基
于支持向量机的分类模块;
人脸定位与预处理模块用以对人脸定位,在输入的图像中如果存在人脸区域,则检测
出人脸,确定所有人脸的大小、位置和位姿;采用Haar-Like特征与级联的Adaboost学
习算法相结合的方法定位;包括:对人脸进行Haar-Like特征计算,运用“积分图”算法
快速提取特征;根据AdaBoost算法提取最有效的Haar-Like特征,经过多次迭代确定各
个弱分类器的权值;将训练得到的弱分类器进行级联,组成完整的人脸检测系统;
直方图均衡化模块用以对人脸样本图像进行直方图均衡化,把原始图像的灰度直方图
从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布;
尺寸归一化模块用以通过尺度校正、平移、旋转的方法去除图像中的结构变形,使人
脸图像标准化;采用双线性插值算法对检测出的人脸图像进行归一化为设定尺寸;
基于嘴部特征的笑脸特征提取模块用以在对人脸进行准确的定位的基础之上,根据人
脸面部的结构特征结合经验实现嘴部的粗定位,接着通过对定位到的嘴部大致图片的直方
图进行规定化来提高图像的对比度;而后对经过处理的嘴部图像进行二值化,并对二值化
结果使用灰度投影法来实现嘴部的精定位;
基于支持向量机的分类模块用以使用支持向量机的分类方法对样本进行分类;在分类
阶段中,将训练过程中得到的模型与待识别样本特征送入预测函数中得出分类结果,若输
出的结果为1表示对应的样本为正样本,若为-1对应的样本则为负样本。
3.根据权利要求2所述的基于嘴部特征的笑脸识别系统,其特征在于:
基于支持向量机的分类模块包括训练优化单元、最优分类模型获取单元、分类结果获
取单元;所述训练优化单元用以进行训练优化,寻找合适的内核函数及其对应的最优参数;
所述最优分类模型获取单元将寻找到的最优内核函数及参数送入到训练函数中对训练样
本特征集进行训练,以获得支持向量机最优分类模型;所述分类结果获取单元将待分类样
本特征集与最优分类模型送入到预测函数中,获取最终的分类结果。
4.根据权利要求2所述的基于嘴部特征的笑脸识别系统,其特征在于:
所述笑脸特征提取模块包括嘴部粗定位单元、嘴部精定位单元;
嘴部粗定位单元用以根据人脸的面部的结构...

【专利技术属性】
技术研发人员:李保印
申请(专利权)人:闻泰通讯股份有限公司
类型:发明
国别省市:浙江;33

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1