一种人物摄影图像的质量分类方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术涉及图像智能处理领域，特别涉及。
技术介绍
随着社交网络的发展，越来越多人通过网络来进行社会交流。在交流方式多元化 的今天，图像渐渐成为网络社交元素的主力之一。图像比文本更具形象，更能快速准确传达 用户的现状、情感。由于网络社交是以人为主体的，且根据网络调查结果显示，将近一半的 社交图像都是以人为主题的，而且由于人们的网络观赏与阅读习惯，他们更倾向于在有人 物的社交图像花更多的阅读时间。因此，含有人物的图像在网络社交元素中具有发挥着很 高的作用。 在图像的质量分类方面，美国宾夕法尼亚大学的学者Datta等率先把图像视觉特 征应用到图像美学质量评判中，实现了图像高低美学质量的分类和图像美学质量分数的自 动评估。他们综合提取了全局与局部的视觉特征，包括亮度、饱和度、色彩、灰度、相似度、纹 理、形状与方位比例、区域分布、景深以及三分法则等56个特征数据，通过特征选择得到15 个图像特征，实现对图像的美学评分。然而，作者并没有深入考虑从更细致的方面进行特征 的提炼，因此仅有的特征难以在图像评估中获得较高的正确率。 在含有人物的图像美学质量研宄中，美国康奈尔大学的学者Li等人对包含人脸 的社交图像进行了美学质量评估的研宄，并且构建了一个带有美学质量评分的人物图库， 并得到其他相关研宄学者的采用，他们在亮度对比、色彩一致性、背景复杂度和清晰度对比 等基本美学特征的基础上，加入了人脸的简单表情特征，位置，关系等特征以及部分构图特 征，并使用SVM与SVR算法进行美学分类与回归，实验结果显示，其特征集对人物图像美学 质量具有一定的分类能力。 由于人物图像具有一定的特殊性，在一般图像美学的质量分类中难以取得较高的 分类正确率。目前，已有一些学者对人物图像美学算法进行了相关研宄，但是对人脸相关特 征的挖掘还是不够深入，无法全面体现人物摄影图像的质量。
技术实现思路
为了克服现有技术的上述缺点与不足，本专利技术的目的在于提供一种人物摄影图像 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。 本专利技术的目的通过以下技术方案实现： ，包括以下步骤： (1)从已根据人物摄影图像的质量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； (2)提取样本图像的全局特征；所述全局特征包括色调搭配特征、梯度特征、灰度 对比特征、锐度特征； (3)采用人脸检测技术，并且使用人脸关键点检测算法获取脸部特征点； (4)提取样本图像的人脸特征；所述人脸特征包括脸内基本特征、位置关系特征、 脸部光影特征、脸部几何比例特征、人脸显著度和表情特征； (4-1)提取脸内基本特征，所述脸内基本特征包括脸像素特征和脸计数特征； 所述脸像素特征包括脸部区域的梯度均值及其标准差、色调均值及其标准差、饱 和度均值及其标准差、亮度均值及其标准差； 所述脸计数特征包括脸数目、脸尺寸、所有脸面积总和； (4-2)提取位置关系特征：采用最小生成树算法对人脸区域的位置分布进行距离 的计算，并计算人脸最大距离、人脸最小距离、人脸平均距离、人脸紧密度，所述人脸紧密度 即平均距离与人脸矩形区域的面积之比； (4-3)提取脸部光影特征：对人脸区域的9对模板对进行光影特征值计算；其中所 述9对模板对的位置分别为鼻子的左侧与右侧区域、鼻梁与人中附近区域、上嘴唇与下嘴 唇区域、下巴的左边侧与右边侧区域、左脸颊正面与侧面区域、右脸颊正面与侧面区域、左 眼的左眼角与右眼的右眼角区域、左眼窝与左眼眉区域、右眼窝与右眼眉区域；第k对模板 的光影特征值计算方法如下：【主权项】1. ，其特征在于，包括以下步骤： (1) 从已根据人物摄影图像的质量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； (2) 提取样本图像的全局特征；所述全局特征包括色调搭配特征、梯度特征、灰度对比 特征、锐度特征； (3) 采用人脸检测技术，并且使用人脸关键点检测算法获取脸部特征点； (4) 提取样本图像的人脸特征；所述人脸特征包括脸内基本特征、位置关系特征、脸部 光影特征、脸部几何比例特征、人脸显著度和表情特征； (4-1)提取脸内基本特征，所述脸内基本特征包括脸像素特征和脸计数特征； 所述脸像素特征包括脸部区域的梯度均值及其标准差、色调均值及其标准差、饱和度 均值及其标准差、亮度均值及其标准差； 所述脸计数特征包括脸数目、脸尺寸、所有脸面积总和； (4-2)提取位置关系特征：采用最小生成树算法对人脸区域的位置分布进行距离的计 算，并计算人脸最大距离、人脸最小距离、人脸平均距离、人脸紧密度，所述人脸紧密度即平 均距离与人脸矩形区域的面积之比； (4-3)提取脸部光影特征：对人脸区域的9对模板对进行光影特征值计算；其中所述 9对模板对的位置分别为鼻子的左侧与右侧区域、鼻梁与人中附近区域、上嘴唇与下嘴唇区 域、下巴的左边侧与右边侧区域、左脸颊正面与侧面区域、右脸颊正面与侧面区域、左眼的 左眼角与右眼的右眼角区域、左眼窝与左眼眉区域、右眼窝与右眼眉区域；第k对模板的光 影特征值计算方法如下：其中，Tkl，1\2为模板，v(x，y)为模板中像素点（X，y)在图像HSV通道中的亮度值； (4-4)提取脸部几何比例特征：所述脸部几何比例特征包括左眼的长度、右眼的长度、 眼间长度占脸宽的比例，以及鼻子高度占鼻尖到下巴的距离的比例、人脸水平方向的旋转 角度、人脸倾斜角度； 人脸水平方向的旋转角度的计算方法如下： Spin = ED (C1, C2)/ED (C3, C4) C1指左太阳穴特征点，C4指右太阳穴特征点，C2指左眼的右眼角特征点；C 3指右眼的左 眼角上的特征点；ED (C1, C2)为C1, C2之间的欧式距离；ED (C 3, C4)为C3, C4之间的欧式距离； 当Spin〉1时表示人脸向右边的旋转角度，当Spin〈l时表示向左边的旋转程度； 人脸倾斜角度的计算方法如下： Incline = (Cly-C4y)/Lface Cly，C4y分别是C i，C4两点的垂直坐标；L f_为人脸矩形区域的对角线长度，在计算中， InclineX)表示人脸向右倾斜的角度，lncline〈0则表示人脸向左倾斜的角度； (4-5)提取表情特征：在获得步骤（3)中的脸部的特征点后，提取表情特征；所述表情 特征包括眼长宽比、眼弯曲比、嘴长宽比、嘴弯曲比； EyeShape1, EyeShape2，Mou当前第1页1 2 本文档来自技高网...

【技术保护点】
一种人物摄影图像的质量分类方法，其特征在于，包括以下步骤：(1)从已根据人物摄影图像的质量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；(2)提取样本图像的全局特征；所述全局特征包括色调搭配特征、梯度特征、灰度对比特征、锐度特征；(3)采用人脸检测技术，并且使用人脸关键点检测算法获取脸部特征点；(4)提取样本图像的人脸特征；所述人脸特征包括脸内基本特征、位置关系特征、脸部光影特征、脸部几何比例特征、人脸显著度和表情特征；(4‑1)提取脸内基本特征，所述脸内基本特征包括脸像素特征和脸计数特征；所述脸像素特征包括脸部区域的梯度均值及其标准差、色调均值及其标准差、饱和度均值及其标准差、亮度均值及其标准差；所述脸计数特征包括脸数目、脸尺寸、所有脸面积总和；(4‑2)提取位置关系特征：采用最小生成树算法对人脸区域的位置分布进行距离的计算，并计算人脸最大距离、人脸最小距离、人脸平均距离、人脸紧密度，所述人脸紧密度即平均距离与人脸矩形区域的面积之比；(4‑3)提取脸部光影特征：对人脸区域的9对模板对进行光影特征值计算；其中所述9对模板对的位置分别为鼻子的左侧与右侧区域、鼻梁与人中附近区域、上嘴唇与下嘴唇区域、下巴的左边侧与右边侧区域、左脸颊正面与侧面区域、右脸颊正面与侧面区域、左眼的左眼角与右眼的右眼角区域、左眼窝与左眼眉区域、右眼窝与右眼眉区域；第k对模板的光影特征值计算方法如下：TLk=Σ(x,y)∈Tk1v(x,y)||{v(x,y)|v(x,y)∈Tk1}||/Σ(x,y)∈Tk2v(x,y)||{v(x,y)|v(x,y)∈Tk2}||,k∈{1,2,..,9}]]>其中，Tk1,Tk2为模板，v(x,y)为模板中像素点(x,y)在图像HSV通道中的亮度值；(4‑4)提取脸部几何比例特征：所述脸部几何比例特征包括左眼的长度、右眼的长度、眼间长度占脸宽的比例，以及鼻子高度占鼻尖到下巴的距离的比例、人脸水平方向的旋转角度、人脸倾斜角度；人脸水平方向的旋转角度的计算方法如下：Spin＝ED(C1,C2)/ED(C3,C4)C1指左太阳穴特征点，C4指右太阳穴特征点，C2指左眼的右眼角特征点；C3指右眼的左眼角上的特征点；ED(C1,C2)为C1，C2之间的欧式距离；ED(C3,C4)为C3，C4之间的欧式距离；当Spin>1时表示人脸向右边的旋转角度，当Spin<1时表示向左边的旋转程度；人脸倾斜角度的计算方法如下：Incline＝(C1y‑C4y)/LfaceC1y,C4y分别是C1，C4两点的垂直坐标；Lface为人脸矩形区域的对角线长度，在计算中，Incline>0表示人脸向右倾斜的角度，Incline<0则表示人脸向左倾斜的角度；(4‑5)提取表情特征：在获得步骤(3)中的脸部的特征点后，提取表情特征；所述表情特征包括眼长宽比、眼弯曲比、嘴长宽比、嘴弯曲比；EyeShape1，EyeShape2，MouthShape1，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：EyeShape1=ED(P1',P2')ED(P3',P4')]]>P1,P2,P3和P4分别指左眼最顶端，最底端，最左端和最右端的特征点；MouthShape2=ED(P1',P2')ED(P3',P4')]]>P1',P2',P3'和P4'分别指嘴巴的最顶端，最底端，最左端和最右端的特征点；EyeShape2=EB(P1,P5)ED(P5,P2)]]>P5指P1P2的连线和P3P4的连线的交点；MouthShape2=ED(P1',P5')ED(P5',P2')]]>P5'指P1'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。...

【技术特征摘要】

【专利技术属性】
技术研发人员：王伟凝，黄杰雄，赵明权，刘剑聪，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44