專利名稱：一種笑臉圖像的識(shí)別方法和識(shí)別裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理技術(shù)，特別是涉及一種笑臉圖像的識(shí)別方法和識(shí)別裝置。
背景技術(shù)：
目前，數(shù)碼攝像機(jī)、數(shù)碼相機(jī)以及攝像頭等數(shù)碼圖像設(shè)備的應(yīng)用越來越多。人們?cè)诶眠@些設(shè)備拍攝圖像時(shí)，往往希望拍攝到的圖像中的人臉具有較好的面部表情，例如微笑表情等。而在實(shí)際拍攝過程中，由于拍攝時(shí)機(jī)、拍攝速度等客觀因素的關(guān)系，可能無法拍攝到笑臉，特別是對(duì)兒童進(jìn)行拍攝時(shí)，由于兒童很難長(zhǎng)時(shí)間維持笑的表情，因而往往無法拍攝到兒童的笑臉。針對(duì)以上情況的應(yīng)用需求，要求攝像設(shè)備可以在檢測(cè)到笑臉時(shí)快速地自動(dòng)拍攝， 從而獲得合適的笑臉圖像。這就需要在攝像設(shè)備上應(yīng)用能夠快速識(shí)別笑臉的笑臉識(shí)別技術(shù)，同時(shí)，笑臉識(shí)別還可以用于圖像內(nèi)容分析和檢索等應(yīng)用范圍。但是，目前常用的笑臉識(shí)別技術(shù)通常是進(jìn)行牙齒檢測(cè)，檢測(cè)到牙齒的就認(rèn)為是笑臉，這種方法識(shí)別出的是露出牙齒的臉，而不是真正的笑臉。此外，目前常見的笑臉識(shí)別方法通常識(shí)別速度很慢、識(shí)別率低，往往需要使用者擺好表情一段時(shí)間之后才能識(shí)別出來。因此，如何提供一種快速準(zhǔn)確的笑臉識(shí)別方法，是有待解決的技術(shù)問題。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種笑臉圖像的識(shí)別方法和識(shí)別裝置，能夠快速準(zhǔn)確的進(jìn)行笑臉識(shí)別，解決現(xiàn)有技術(shù)不能快速準(zhǔn)確的捕獲和檢索笑臉圖像的技術(shù)問題。為了實(shí)現(xiàn)上述目的，一方面，提供了一種笑臉圖像的識(shí)別方法，包括步驟一，對(duì)輸入圖像進(jìn)行人臉檢測(cè)，確定所述輸入圖像中的體現(xiàn)人臉特征的區(qū)域；步驟二，在所述體現(xiàn)人臉特征的區(qū)域規(guī)劃出N個(gè)互相嵌套的積分區(qū)域，第i+Ι個(gè)積分區(qū)域是在第i個(gè)積分區(qū)域的基礎(chǔ)上增加預(yù)定步長(zhǎng)的面積而得到，1 ^ i < N，第N個(gè)積分區(qū)域?yàn)檎麄€(gè)所述體現(xiàn)人臉特征的區(qū)域；步驟三，對(duì)每個(gè)積分區(qū)域進(jìn)行橫向積分投影，獲得每個(gè)積分區(qū)域的投影向量和峰谷點(diǎn)，所有積分區(qū)域的投影向量和峰谷點(diǎn)組成所述輸入圖像的特征向量；步驟四，根據(jù)預(yù)置的由樣本圖像的特征向量訓(xùn)練的預(yù)置分類器對(duì)所述輸入圖像的特征向量進(jìn)行分類，根據(jù)分類結(jié)果確定所述輸入圖像是否為笑臉圖像。優(yōu)選地，上述的方法中，所述體現(xiàn)人臉特征的區(qū)域?yàn)槿四槄^(qū)域或嘴部區(qū)域。優(yōu)選地，上述的方法中，所述體現(xiàn)人臉特征的區(qū)域?yàn)槿四槄^(qū)域和嘴部區(qū)域；所述人臉區(qū)域被規(guī)劃出N個(gè)互相嵌套的人臉積分區(qū)域，所述嘴部區(qū)域被規(guī)劃出N 個(gè)互相嵌套的嘴部積分區(qū)域；所述特征向量包括所有人臉積分區(qū)域的投影向量和峰谷點(diǎn)以及所有嘴部積分區(qū)域的投影向量和峰谷點(diǎn)。
優(yōu)選地，上述的方法中，所述步驟四中，根據(jù)分類結(jié)果確定所述輸入圖像是否為笑臉圖像具體包括如果所述輸入圖像的特征向量被分入到笑臉圖像樣本的類別，則所述輸入圖像為笑臉圖像，否則所述輸入圖像為非笑臉圖像。為了實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例還提供了一種笑臉圖像的識(shí)別裝置，包括人臉檢測(cè)模塊，用于對(duì)輸入圖像進(jìn)行人臉檢測(cè)，確定所述輸入圖像中的體現(xiàn)人臉特征的區(qū)域；分區(qū)模塊，用于在所述體現(xiàn)人臉特征的區(qū)域規(guī)劃出N個(gè)互相嵌套的積分區(qū)域，第 1+1個(gè)積分區(qū)域是在第i個(gè)積分區(qū)域的基礎(chǔ)上增加預(yù)定步長(zhǎng)的面積而得到，1 < i < N，第N 個(gè)積分區(qū)域?yàn)檎麄€(gè)所述體現(xiàn)人臉特征的區(qū)域；特征向量模塊，用于對(duì)每個(gè)積分區(qū)域進(jìn)行橫向積分投影，獲得每個(gè)積分區(qū)域的投影向量和峰谷點(diǎn)，所有積分區(qū)域的投影向量和峰谷點(diǎn)組成所述輸入圖像的特征向量；判斷模塊，用于根據(jù)預(yù)置的由樣本圖像的特征向量訓(xùn)練的預(yù)置分類器對(duì)所述輸入圖像的特征向量進(jìn)行分類，根據(jù)分類結(jié)果確定所述輸入圖像是否為笑臉圖像。優(yōu)選地，上述的識(shí)別裝置中，所述體現(xiàn)人臉特征的區(qū)域?yàn)槿四槄^(qū)域或嘴部區(qū)域。優(yōu)選地，上述的識(shí)別裝置中，所述體現(xiàn)人臉特征的區(qū)域?yàn)槿四槄^(qū)域和嘴部區(qū)域；所述分區(qū)模塊具體用于將所述人臉區(qū)域被規(guī)劃出N個(gè)互相嵌套的人臉積分區(qū)域，將所述嘴部區(qū)域被規(guī)劃出N個(gè)互相嵌套的嘴部積分區(qū)域；所述特征向量模塊具體用于使所述特征向量包括所有人臉積分區(qū)域的投影向量和峰谷點(diǎn)以及所有嘴部積分區(qū)域的投影向量和峰谷點(diǎn)。優(yōu)選地，上述的識(shí)別裝置中，所述判斷模塊中還包括預(yù)置分類器單元，用于將所述樣本圖像的特征向量作為弱特征向量，輸入給AdaBoost分類器；所述 AdaBoost分類器根據(jù)所述弱特征向量通過訓(xùn)練生成強(qiáng)分類器，所述強(qiáng)分類器作為所述預(yù)置分類器；或者，利用所述AdaBoost分類器從所述樣本圖像的特征向量中選取有效特征生成新特征向量，然后利用支持向量機(jī)SVM進(jìn)行特征向量的分類生成所述預(yù)置分類器。優(yōu)選地，上述的識(shí)別裝置中，所述特征向量模塊，還用于通過如下公式計(jì)算所述峰谷點(diǎn)中的波峰值
權(quán)利要求
1.一種笑臉圖像的識(shí)別方法，其特征在于，包括步驟一，對(duì)輸入圖像進(jìn)行人臉檢測(cè)，確定所述輸入圖像中的體現(xiàn)人臉特征的區(qū)域； 步驟二，在所述體現(xiàn)人臉特征的區(qū)域規(guī)劃出N個(gè)互相嵌套的積分區(qū)域，第i+Ι個(gè)積分區(qū)域是在第i個(gè)積分區(qū)域的基礎(chǔ)上增加預(yù)定步長(zhǎng)的面積而得到，1 < i < N，第N個(gè)積分區(qū)域?yàn)檎麄€(gè)所述體現(xiàn)人臉特征的區(qū)域；步驟三，對(duì)每個(gè)積分區(qū)域進(jìn)行橫向積分投影，獲得每個(gè)積分區(qū)域的投影向量和峰谷點(diǎn)， 所有積分區(qū)域的投影向量和峰谷點(diǎn)組成所述輸入圖像的特征向量；步驟四，根據(jù)預(yù)置的由樣本圖像的特征向量訓(xùn)練的預(yù)置分類器對(duì)所述輸入圖像的特征向量進(jìn)行分類，根據(jù)分類結(jié)果確定所述輸入圖像是否為笑臉圖像。
2.根據(jù)權(quán)利要求1所述的識(shí)別方法，其特征在于，所述體現(xiàn)人臉特征的區(qū)域?yàn)槿四槄^(qū)域或嘴部區(qū)域。
3.根據(jù)權(quán)利要求1所述的識(shí)別方法，其特征在于，所述體現(xiàn)人臉特征的區(qū)域?yàn)槿四槄^(qū)域和嘴部區(qū)域；所述人臉區(qū)域被規(guī)劃出N個(gè)互相嵌套的人臉積分區(qū)域，所述嘴部區(qū)域被規(guī)劃出N個(gè)互相嵌套的嘴部積分區(qū)域；所述特征向量包括所有人臉積分區(qū)域的投影向量和峰谷點(diǎn)以及所有嘴部積分區(qū)域的投影向量和峰谷點(diǎn)。
4.根據(jù)權(quán)利要求1所述的識(shí)別方法，其特征在于，所述步驟四中，根據(jù)分類結(jié)果確定所述輸入圖像是否為笑臉圖像具體包括如果所述輸入圖像的特征向量被分入到笑臉圖像樣本的類別，則所述輸入圖像為笑臉圖像，否則所述輸入圖像為非笑臉圖像。
5.一種笑臉圖像的識(shí)別裝置，其特征在于，包括人臉檢測(cè)模塊，用于對(duì)輸入圖像進(jìn)行人臉檢測(cè)，確定所述輸入圖像中的體現(xiàn)人臉特征的區(qū)域；分區(qū)模塊，用于在所述體現(xiàn)人臉特征的區(qū)域規(guī)劃出N個(gè)互相嵌套的積分區(qū)域，第i+1 個(gè)積分區(qū)域是在第i個(gè)積分區(qū)域的基礎(chǔ)上增加預(yù)定步長(zhǎng)的面積而得到，1 < i < N，第N個(gè)積分區(qū)域?yàn)檎麄€(gè)所述體現(xiàn)人臉特征的區(qū)域；特征向量模塊，用于對(duì)每個(gè)積分區(qū)域進(jìn)行橫向積分投影，獲得每個(gè)積分區(qū)域的投影向量和峰谷點(diǎn)，所有積分區(qū)域的投影向量和峰谷點(diǎn)組成所述輸入圖像的特征向量；判斷模塊，用于根據(jù)預(yù)置的由樣本圖像的特征向量訓(xùn)練的預(yù)置分類器對(duì)所述輸入圖像的特征向量進(jìn)行分類，根據(jù)分類結(jié)果確定所述輸入圖像是否為笑臉圖像。
6.根據(jù)權(quán)利要求5所述的識(shí)別裝置，其特征在于，所述體現(xiàn)人臉特征的區(qū)域?yàn)槿四槄^(qū)域或嘴部區(qū)域。
7.根據(jù)權(quán)利要求5所述的識(shí)別裝置，其特征在于，所述體現(xiàn)人臉特征的區(qū)域?yàn)槿四槄^(qū)域和嘴部區(qū)域；所述分區(qū)模塊具體用于將所述人臉區(qū)域被規(guī)劃出N個(gè)互相嵌套的人臉積分區(qū)域，將所述嘴部區(qū)域被規(guī)劃出N個(gè)互相嵌套的嘴部積分區(qū)域；所述特征向量模塊具體用于使所述特征向量包括所有人臉積分區(qū)域的投影向量和峰谷點(diǎn)以及所有嘴部積分區(qū)域的投影向量和峰谷點(diǎn)。
8.根據(jù)權(quán)利要求5所述的識(shí)別裝置，其特征在于，所述判斷模塊中還包括預(yù)置分類器單元，用于將所述樣本圖像的特征向量作為弱特征向量，輸入給AdaBoost分類器；所述AdaBoost 分類器根據(jù)所述弱特征向量通過訓(xùn)練生成強(qiáng)分類器，所述強(qiáng)分類器作為所述預(yù)置分類器； 或者，利用所述AdaBoost分類器從所述樣本圖像的特征向量中選取有效特征生成新特征向量，然后利用支持向量機(jī)SVM進(jìn)行特征向量的分類生成所述預(yù)置分類器。
9.根據(jù)權(quán)利要求5所述的識(shí)別裝置，其特征在于，所述特征向量模塊，還用于通過如下公式計(jì)算所述峰谷點(diǎn)中的波峰值 其中m、threshl為預(yù)設(shè)值，Y(i)為第i行的橫向積分投影值； 通過如下公式計(jì)算所述峰谷點(diǎn)中的波谷值 其中N2、thresh2為預(yù)設(shè)值。
全文摘要
本發(fā)明提供一種笑臉圖像的識(shí)別方法和識(shí)別裝置，其中識(shí)別方法包括步驟一，對(duì)輸入圖像進(jìn)行人臉檢測(cè)，確定體現(xiàn)人臉特征的區(qū)域；步驟二，在所述區(qū)域規(guī)劃出N個(gè)互相嵌套的積分區(qū)域，第i+1個(gè)積分區(qū)域是在第i個(gè)積分區(qū)域的基礎(chǔ)上增加預(yù)定步長(zhǎng)的面積而得到，第N個(gè)積分區(qū)域?yàn)檎麄€(gè)所述體現(xiàn)人臉特征的區(qū)域；步驟三，對(duì)每個(gè)積分區(qū)域進(jìn)行橫向積分投影，獲得投影向量和峰谷點(diǎn)，所有投影向量和峰谷點(diǎn)組成特征向量；步驟四，根據(jù)預(yù)置的由樣本圖像的特征向量訓(xùn)練的預(yù)置分類器對(duì)所述輸入圖像的特征向量進(jìn)行分類，確定所述輸入圖像是否為笑臉圖像。本發(fā)明能夠快速準(zhǔn)確的進(jìn)行笑臉識(shí)別，解決現(xiàn)有技術(shù)不能快速準(zhǔn)確的捕獲和檢索笑臉圖像的技術(shù)問題。
文檔編號(hào)G06K9/62GK102314592SQ20101022286
公開日2012年1月11日 申請(qǐng)日期2010年6月30日 優(yōu)先權(quán)日2010年6月30日
發(fā)明者王俊艷, 黃英 申請(qǐng)人:北京中星微電子有限公司