一種視頻圖像中大胡子檢測(cè)的方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種視頻圖像中大胡子檢測(cè)的方法及系統(tǒng)，該方法通過(guò)根據(jù)獲取視頻圖像寬高設(shè)置該視頻圖像中待檢測(cè)的感興趣區(qū)域；對(duì)感興趣區(qū)域按預(yù)設(shè)前景檢測(cè)方法進(jìn)行前景檢測(cè)，獲得前景區(qū)域；在前景區(qū)域內(nèi)進(jìn)行基于Haar特征的人臉檢測(cè)，獲得人臉區(qū)域；在所述人臉區(qū)域進(jìn)行膚色檢測(cè)，定位出嘴部區(qū)域；計(jì)算該嘴部區(qū)域膚色像素點(diǎn)占嘴部區(qū)域總像素點(diǎn)比例，并判斷該比例是否超過(guò)設(shè)定的閾值，如超過(guò)則判定為大胡子，從而為在視頻圖像中有效地進(jìn)行大胡子目標(biāo)人物檢測(cè)提供一種有效的檢測(cè)手段。
【專利說(shuō)明】
一種視頻圖像中大胡子檢測(cè)的方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像識(shí)別技術(shù)領(lǐng)域，具體涉及一種視頻圖像大胡子檢測(cè)的方法及系 統(tǒng)。
【背景技術(shù)】
[0002] 在一些不安全的地區(qū)，為了社會(huì)安全的需要，對(duì)一些穿著特別服飾或具有特別特 征的人物需要進(jìn)行特別檢測(cè)識(shí)別，提前進(jìn)行預(yù)警提示，以提醒人們提前采取預(yù)防性措施。目 前的圖像檢測(cè)雖然可以采集監(jiān)控區(qū)域的圖像做到實(shí)時(shí)監(jiān)測(cè)，但無(wú)法對(duì)采集的圖像進(jìn)行實(shí)時(shí) 分析，特別是對(duì)于一些可能的不安定人物，如留有大胡子的人，因?yàn)榱粲写蠛拥娜擞捎诹?有大胡子，采用普通的面部識(shí)別技術(shù)對(duì)其面部特征很難識(shí)別，很難做到對(duì)這類人的有效監(jiān) 控與預(yù)防，無(wú)法做到實(shí)時(shí)識(shí)別并提前預(yù)警提示。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于解決上述的技術(shù)問(wèn)題而提供一種視頻圖像中大胡子檢測(cè)的方 法及系統(tǒng)。
[0004] 為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
[0005] -種視頻圖像中大胡子檢測(cè)的方法，包括以下步驟：
[0006] 根據(jù)獲取視頻圖像寬高設(shè)置該視頻圖像中待檢測(cè)的感興趣區(qū)域；
[0007]對(duì)所述感興趣區(qū)域按預(yù)設(shè)前景檢測(cè)方法進(jìn)行前景檢測(cè)，獲得前景區(qū)域；
[0008] 在所述前景區(qū)域內(nèi)進(jìn)行基于Haar特征的人臉檢測(cè)，獲得人臉區(qū)域；
[0009] 在所述人臉區(qū)域進(jìn)行膚色檢測(cè)，定位出嘴部區(qū)域；
[0010] 計(jì)算該嘴部區(qū)域膚色像素點(diǎn)占嘴部區(qū)域總像素點(diǎn)比例，并判斷該比例是否超過(guò)設(shè) 定的閾值，如超過(guò)則判定為大胡子。
[0011]所述感興趣區(qū)域?yàn)樵搸曨l圖像中清晰度符合預(yù)設(shè)清晰度值的人臉區(qū)域。
[0012] 在所述人臉區(qū)域進(jìn)行膚色檢測(cè)的步驟為：
[0013] 首先運(yùn)用均值濾波的方法對(duì)圖像進(jìn)行光照的補(bǔ)償，再采用高斯模型進(jìn)行膚色檢 測(cè)，最后用0STU自適應(yīng)閾值的方法將圖像轉(zhuǎn)換為輸出膚色部分1、非膚色部分為0的二值圖 像。
[0014] 所述嘴部區(qū)域與所述人臉區(qū)域均為矩形區(qū)域，所述嘴部區(qū)域?yàn)樗鋈四槄^(qū)域的高 的2/3--4/5的矩形區(qū)域。
[0015] 所述前景檢測(cè)方法為Vibe前景檢測(cè)方法。
[0016] 本發(fā)明的目的還在于提供一種視頻圖像中大胡子檢測(cè)的系統(tǒng)，包括：
[0017] 檢測(cè)區(qū)域設(shè)置模塊，用于獲取一幀視頻圖像并設(shè)置該幀視頻圖像中待檢測(cè)的感興 趣區(qū)域；
[0018] 感興趣區(qū)域獲取模塊，用于根據(jù)獲取視頻圖像寬高設(shè)置該視頻圖像中待檢測(cè)的感 興趣區(qū)域；
[0019] 前景區(qū)域獲取模塊，用于對(duì)所述感興趣區(qū)域按預(yù)設(shè)前景檢測(cè)方法進(jìn)行前景檢測(cè)， 獲得前景區(qū)域；
[0020] 人臉區(qū)域獲取模塊，用于在所述前景區(qū)域內(nèi)進(jìn)行基于Haar特征的人臉檢測(cè)，獲得 人臉區(qū)域；
[0021] 嘴部區(qū)域獲取模塊，用于在所述人臉區(qū)域進(jìn)行膚色檢測(cè)，定位出嘴部區(qū)域；
[0022] 大胡子判定模塊，用于計(jì)算該嘴部區(qū)域膚色像素點(diǎn)占嘴部區(qū)域總像素點(diǎn)比例，并 判斷該比例是否超過(guò)設(shè)定的閾值，如超過(guò)則判定為大胡子。
[0023] 本發(fā)明通過(guò)以上技術(shù)方案，可以快速地在視頻圖像中檢測(cè)出圖像中的人物是否有 大胡子，并在檢測(cè)出大胡子時(shí)進(jìn)行報(bào)警，從而為在視頻圖像中檢測(cè)圖像中的人是否有大胡 子提供了 一種有效的檢測(cè)解決方法。
【附圖說(shuō)明】
[0024] 圖1為本發(fā)明實(shí)施例提供的視頻圖像中大胡子檢測(cè)的方法的流程圖；
[0025] 圖2為Haar-like特征的示意圖；
[0026] 圖3為積分圖；
[0027]圖4所示級(jí)聯(lián)強(qiáng)分類器的示意圖。
【具體實(shí)施方式】
[0028] 下面，結(jié)合實(shí)例對(duì)本發(fā)明的實(shí)質(zhì)性特點(diǎn)和優(yōu)勢(shì)作進(jìn)一步的說(shuō)明，但本發(fā)明并不局 限于所列的實(shí)施例。
[0029] 參見(jiàn)圖1所示，一種視頻圖像中大胡子檢測(cè)的方法，包括以下步驟：
[0030] S101，根據(jù)獲取視頻圖像寬高設(shè)置該視頻圖像中待檢測(cè)的感興趣區(qū)域；
[0031] S102,對(duì)所述感興趣區(qū)域按預(yù)設(shè)前景檢測(cè)方法進(jìn)行前景檢測(cè)，獲得前景區(qū)域；
[0032] S103,在所述前景區(qū)域內(nèi)進(jìn)行基于Haar特征的人臉檢測(cè)，獲得人臉區(qū)域；
[0033] S104,在所述人臉區(qū)域進(jìn)行膚色檢測(cè)，定位出嘴部區(qū)域；
[0034] S105,計(jì)算該嘴部區(qū)域膚色像素點(diǎn)占嘴部區(qū)域總像素點(diǎn)比例，并判斷該比例是否 超過(guò)設(shè)定的閾值，如超過(guò)則判定為大胡子，否則返回步驟S101。
[0035] 本發(fā)明通過(guò)以上技術(shù)方案，可以快速地在視頻圖像中檢測(cè)出圖像中的人物是否有 大胡子，并在檢測(cè)出大胡子時(shí)進(jìn)行報(bào)警，從而為在視頻圖像中檢測(cè)圖像中的人是否有大胡 子提供了 一種有效的檢測(cè)解決方法。
[0036]本發(fā)明中，所述感興趣區(qū)域?yàn)樵搸曨l圖像中清晰度符合預(yù)設(shè)清晰度值的人臉區(qū) 域。
[0037] 本發(fā)明中，根據(jù)獲取視頻圖像寬高設(shè)置該視頻圖像中待檢測(cè)的感興趣區(qū)域主要是 獲取視頻序列的寬和高，然后根據(jù)視頻圖像的寬和高計(jì)算出感興趣區(qū)域的在視頻圖像中的 位置和寬高，從而實(shí)現(xiàn)設(shè)置感興趣區(qū)域。
[0038] 本發(fā)明中，所述感興趣區(qū)域是整個(gè)視頻圖像中人臉區(qū)域較為清晰的區(qū)域，在后續(xù) 的檢測(cè)將在感興趣區(qū)域內(nèi)進(jìn)行，這樣要比在整幅圖像中檢測(cè)所用時(shí)間要少很多，提高了檢 測(cè)速度。
[0039]本發(fā)明中，對(duì)感興趣區(qū)域進(jìn)行前景檢測(cè)，獲得前景區(qū)域，即獲得前景區(qū)域所在矩形 的大小和位置，為后續(xù)在前景區(qū)域檢測(cè)人臉區(qū)域提供了前提。
[0040] 具體在進(jìn)行前景區(qū)域檢測(cè)時(shí)，如可以采用Vibe(Visual Background extractor) 前景檢測(cè)方法，下面對(duì)該前景檢測(cè)方法的模型的工作原理;模型的初始化方法;模型的更新 策略進(jìn)行說(shuō)明如下。
[0041 ] 1.模型的工作原理
[0042]背景物體就是指靜止的或是非常緩慢的移動(dòng)的物體，而前景物體就對(duì)應(yīng)移動(dòng)的物 體。這樣可以把物體檢測(cè)看成一個(gè)分類問(wèn)題，也就是來(lái)確定一個(gè)像素點(diǎn)是否屬于背景點(diǎn)。在 ViBe檢測(cè)模型中，背景模型為每個(gè)背景點(diǎn)存儲(chǔ)了一個(gè)樣本集，然后將每一個(gè)新的像素值和 樣本集進(jìn)行比較來(lái)判斷是否屬于背景點(diǎn)?？梢灾廊绻粋€(gè)新的觀察值屬于背景點(diǎn)那么它 應(yīng)該和樣本集中的采樣值比較接近。
[0043]具體的講，記v(x)為X點(diǎn)處的像素值;1(1) = {￥1，￥2，-1〃}為1處的背景樣本集(樣 本集大小為N); SR(v(x)):以X為中心R為半徑的區(qū)域，如果M(x) [ {SR(v(x)) Π {vi, V2,...， vn} }]大于一個(gè)給定的閾值min,那么就認(rèn)為x點(diǎn)屬于背景點(diǎn)。
[0044] 2.模型的初始化方法
[0045] ViBe初始化就是填充像素的樣本集的過(guò)程，由于一幀圖像中不可能包含像素點(diǎn)的 時(shí)空分布信息，為此利用相近像素點(diǎn)擁有相近的時(shí)空分布特性，具體來(lái)講就是:對(duì)于一個(gè)像 素點(diǎn)，隨機(jī)的選擇它的鄰居點(diǎn)的像素值作為它的模型樣本值。Mo( X) = {VQ(y | y eNG(x))}，t =〇初始時(shí)刻，NG(x)即為鄰居點(diǎn)。這種初始化方法優(yōu)點(diǎn)是對(duì)于噪聲的反應(yīng)比較靈敏，計(jì)算量 小速度快，可以很快的進(jìn)行運(yùn)動(dòng)物體的檢測(cè)，缺點(diǎn)是容易引入Ghost區(qū)域。
[0046] 3.模型的更新策略
[0047] 本方法中采用的更新策略是保守的更新策略+前景點(diǎn)計(jì)數(shù)方法。
[0048]前景點(diǎn)計(jì)數(shù):對(duì)像素點(diǎn)進(jìn)行統(tǒng)計(jì)，如果某個(gè)像素點(diǎn)連續(xù)N次被檢測(cè)為前景，則將其 更新為背景點(diǎn)。
[0049] 隨機(jī)的子采樣:在每一個(gè)新的視頻幀中都去更新背景模型中的每一個(gè)像素點(diǎn)的樣 本值是沒(méi)有必要的，當(dāng)一個(gè)像素點(diǎn)被分類為背景點(diǎn)時(shí)，它有1/ Φ的概率去更新背景模型。
[0050] 具體的更新方法:每一個(gè)背景點(diǎn)有1/Φ的概率去更新自己的模型樣本值，同時(shí)也 有l(wèi)/φ的概率去更新它的鄰居點(diǎn)的模型樣本值。更新鄰居的樣本值利用了像素值的空間傳 播特性，背景模型逐漸向外擴(kuò)散，這也有利于Ghost區(qū)域的更快的識(shí)別。同時(shí)當(dāng)前景點(diǎn)計(jì)數(shù) 達(dá)到臨界值時(shí)將其變?yōu)楸尘埃⒂?/Φ的概率去更新自己的模型樣本值。
[0051] 在選擇要替換的樣本集中的樣本值時(shí)候，隨機(jī)選取一個(gè)樣本值進(jìn)行更新，這樣可 以保證樣本值的平滑的生命周期由于是隨機(jī)的更新，這樣一個(gè)樣本值在時(shí)刻t不被更新的 概率是(N-l)/N，假設(shè)時(shí)間是連續(xù)的，那么在dt的時(shí)間過(guò)去后，樣本值仍然保留的概率是
[0052]
[0053] 也可以寫(xiě)作，
[0054]
[0055]這就表明一個(gè)樣本值在模型中是否被替換與時(shí)間t無(wú)關(guān)，隨機(jī)策略是合適的。
[0056]通過(guò)前景檢測(cè)后如檢測(cè)出有前景圖像則輸出的是一個(gè)二值圖像，其前景圖像像素 值為1，背景圖像像素值為〇,由于前景圖像并不為一個(gè)連通區(qū)域，對(duì)此二值圖像做多次腐 蝕，將其連通成為一個(gè)區(qū)域，再通過(guò)邊緣檢測(cè)，即可獲得前景區(qū)域所在矩形的大小和位置， 從而確定前景區(qū)域或前景圖像的輪廓，如在前景檢測(cè)中未檢測(cè)出有前景圖像，則返回第一 步繼續(xù)進(jìn)行。
[0057]本發(fā)明中，在獲得前景區(qū)域所在矩形大小和位置之后，在原RGB圖像的矩形內(nèi)進(jìn)行 基于Haar特征的人臉檢測(cè)，具體就是基于Haar特征的adaboost級(jí)聯(lián)強(qiáng)分類器進(jìn)行特征分 類，以判斷前景圖像是否為人臉圖像，如是即獲得相應(yīng)的人臉區(qū)域，用混合高斯模型對(duì)人臉 區(qū)域進(jìn)行膚色檢測(cè)，并定位出嘴部區(qū)域，否則返回第一步繼續(xù)進(jìn)行檢測(cè)。
[0058] 為了便于理解，以下基于Haar特征的adaboost級(jí)聯(lián)強(qiáng)分類器的人臉檢測(cè)做一說(shuō) 明。
[0059] 1、Haar特征和積分圖
[0060] Haar-like特征可見(jiàn)圖2表示，每個(gè)特征由2~3個(gè)矩形組成，在這些小波示意圖中， 淺色區(qū)域表示"累加數(shù)據(jù)"，深色區(qū)域表示"減去該區(qū)域的數(shù)據(jù)"。分別檢測(cè)邊界特征(Edge features)、線特征（Line features)、中心環(huán)繞特征（Center-surround features)，，這些 特征可表示為：
[0061]
[0062]其中，Wi為矩形的權(quán)，RectSum(ri)為矩形ri所圍圖像的灰度積分，N是組成 feature j的矩形個(gè)數(shù)。
[0063]如在一個(gè)24*24的圖片中，有115984個(gè)特征，遠(yuǎn)遠(yuǎn)大于其像素個(gè)數(shù)。如果計(jì)算每個(gè) 特征的像素和，計(jì)算量會(huì)非常大，而且很多次運(yùn)算是重復(fù)的。
[0064] Paul Viola提出一種利用積分圖像法快速計(jì)算Haar特征的方法，簡(jiǎn)單說(shuō)來(lái)，就是 先構(gòu)造一張"積分圖"（Integral image)，也叫Summed Area Table，之后任何一個(gè)Haar矩形 特征都可以通過(guò)查表的方法(Look Up Table)和有限次簡(jiǎn)單運(yùn)算得到，大大減少了運(yùn)算次 數(shù)。
[0065]①將矩形表示為：
[0066] r=(x,y,w,h,a) 0^x,x+w^；ff,0^；y,y+h^；H,x,y^:0,w,h>0,ae {〇° ,45°}
[0067] 其中，x，y表示起點(diǎn)坐標(biāo)，w，h表示寬，高，a表示角度。
[0068] ②矩形內(nèi)像素值之和表示為:RecSum(r)
[0069] ③構(gòu)造積分圖像(Summed Area Table)，見(jiàn)圖3所示。
[0070] 積分圖像中，每個(gè)點(diǎn)存儲(chǔ)是其左上方所有像素之和：
[0071]
[0072]其中，I(x，y)表示圖像(x，y)位置的像素值，積分圖像可以采用增量的方式計(jì)算：
[0073] SAT(x，y)=SAT(x，y-l)+SAT(x_l，y)+I(x，y)_SAT(x_l，y_l)
[0074] 初始邊界：SAT (-1，y) = SAT (x，-1) = SAT (-1，-1) = 0
[0075] 所以只需要對(duì)整張圖像遍歷一次就可以求得這張圖的積分圖像。
[0076] Adaboost級(jí)聯(lián)強(qiáng)分類器是利用分類能力一般的弱分類器通過(guò)一定的方法疊加 (boost)起來(lái)，構(gòu)成分類能力很強(qiáng)的強(qiáng)分類器。Adaboost訓(xùn)練強(qiáng)分類器的算法描述如下：
[0077] 給定一系列訓(xùn)練樣本(xi，yi)，（X2，y2)，. . .（xn，yn)，其中xi表示第i個(gè)樣本，yi=l時(shí) 為正樣本(人臉），yi = 0表示負(fù)樣本(非人臉）。對(duì)每個(gè)特征feature」，訓(xùn)練一個(gè)弱分類器hj (X)，之后對(duì)每個(gè)特征生成的弱分類器計(jì)算權(quán)重誤差：
[0078]
[0079] 將具有最小誤差的分類器疊加到強(qiáng)分類器中，并更新訓(xùn)練樣本的概率分布：
[0080]
[0081]其中比=￡」/1-6」，61 = 0表示樣本11被正確分類，否則61 = 1表示未被正確分類。最 終構(gòu)成強(qiáng)分類器：
[0082]
[0083]其中b為設(shè)置的閾值，默認(rèn)為0。
[0084] 級(jí)聯(lián)強(qiáng)分類器示意圖見(jiàn)圖4所示，將多個(gè)Haar-like特征FiFs…合起來(lái)形成決 策樹(shù)，通過(guò)將輸入數(shù)據(jù)與該多個(gè)Haar-like特征陽(yáng)2··%?行比較，判斷符合的輸出為人臉 (face)，一級(jí)一級(jí)地比較不符合的輸出為非人臉(not face)。
[0085] Viola-Jones檢測(cè)器利用瀑布(Cascade)算法分類器組織為篩選式的級(jí)聯(lián)分類器， 級(jí)聯(lián)的每個(gè)節(jié)點(diǎn)是AdaBoost訓(xùn)練得到的強(qiáng)分類器。在級(jí)聯(lián)的每個(gè)節(jié)點(diǎn)設(shè)置閾值b，使得幾乎 所有人臉樣本都能通過(guò)，而絕大部分非人臉樣本不能通過(guò)。節(jié)點(diǎn)由簡(jiǎn)單到復(fù)雜排列，位置越 靠后的節(jié)點(diǎn)越復(fù)雜，即包含越多的弱分類器。這樣能最小化拒絕圖像但區(qū)域時(shí)的計(jì)算量，通 知保證分類器的高檢測(cè)率和低拒絕率。例如在識(shí)別率為99.9%，拒絕率為50%時(shí)，（99.9% 的人臉和50%的非人臉可以通過(guò)），20個(gè)節(jié)點(diǎn)的總識(shí)別率為：98%，而錯(cuò)誤接受率僅為： 0.0001% .
[0086] 以上是基于Haar特征的adaboost分類器的人臉檢測(cè)的原理。
[0087]本方法中就是運(yùn)用基于Haar特征的adaboost級(jí)聯(lián)強(qiáng)分類器再在前景區(qū)域進(jìn)行人 臉檢測(cè)，判斷是否為人臉，如果是則獲得人臉?biāo)诘木匦螀^(qū)域，如果不是則返回進(jìn)一步檢 測(cè)。
[0088]本發(fā)明中，在人臉區(qū)域進(jìn)行膚色檢測(cè)，首先運(yùn)用均值濾波的方法對(duì)圖像進(jìn)行光照 的補(bǔ)償，再采用高斯模型進(jìn)行膚色檢測(cè)，最后用0STU自適應(yīng)閾值的方法將圖像轉(zhuǎn)換為二值 圖像。為了便于理解，具體說(shuō)明如下：
[0089] 1.均值濾波
[0090] 均值濾波也稱為線性濾波，其采用的主要方法為鄰域平均法。線性濾波的基本原 理是用均值代替原圖像中的各個(gè)像素值，即對(duì)待處理的當(dāng)前像素點(diǎn)（x，y)，選擇一個(gè)模板， 該模板由其近鄰的若干像素組成，求模板中所有像素的均值，再把該均值賦予當(dāng)前像素點(diǎn) (1，7)，作為處理后圖像在該點(diǎn)上的灰度個(gè)8(1，7)，即個(gè)8(1，7) = 1/111乙；^(1，7)，111為該模板 中包含當(dāng)前像素在內(nèi)的像素總個(gè)數(shù)。
[0091] 2.高斯模型膚色檢測(cè)
[0092] 2.1膚色模型的建立
[0093]為了利用膚色在色度空間的聚類性，選取YCbCr色彩空間進(jìn)行膚色提取。首先選取 大量彩色圖片進(jìn)行手工處理只保留人體皮膚區(qū)域，接下來(lái)將彩色圖片顏色空間轉(zhuǎn)換到 YCbCr空間，然后對(duì)該區(qū)域的CbCr值進(jìn)行統(tǒng)計(jì)處理。處理的方法就是采用高斯模型，m = E (X)，x=(CbCr)TC為協(xié)方差矩陣，C = E{(x-m)(x-m)T}。
[0094] 通過(guò)膚色高斯分布可得到待檢測(cè)彩色圖像中任意一像素點(diǎn)屬于皮膚的概率。對(duì)于 某像素點(diǎn)s，從RGB空間轉(zhuǎn)換到Y(jié)CbCr色彩空間得到色度值(Cb，Cr)則該像素的膚色概率密度 可由下式計(jì)算得到：
[0095]
[0096] 通過(guò)計(jì)算，得到m和C的值如下：
[0097] m=[117.4316 148.5599]
[0098]
[0099] 2.2膚色分割步驟
[0100] 圖片空間低通濾波是為了減少圖像高頻噪聲的影響，先采用低通濾波器對(duì)圖象進(jìn) 行處理。采用的低通濾波器的沖擊響應(yīng)矩陣可以為：
[0101]
[0102] 對(duì)于一幅被檢測(cè)的彩色圖像，首先將它由RGB空間轉(zhuǎn)換到Y(jié)CbCr色彩空間，便于后 面的統(tǒng)計(jì)，具體如下：
[0103] (1)得到似然圖：根據(jù)(Cb，Cr)值通過(guò)式(3.3)找到該值所對(duì)應(yīng)的膚色似然度，并且 得到整幅圖像的最大膚色似然度。每一點(diǎn)像素的膚色似然度除以最大膚色似然度所得到的 值，作為該像素點(diǎn)的灰度值，從而得到膚色似然度圖像，其中每一個(gè)像素點(diǎn)的灰度值表征了 這個(gè)像素點(diǎn)屬于皮膚的概率。
[0104] (2)閾值分割：閾值分割的目的是將皮膚與圖片背景分開(kāi)。通常有固定閾值法、自 適應(yīng)閾值法等。建議采用固定閾值法，主要是從運(yùn)算速度上考慮的。當(dāng)然，相比之下，自適應(yīng) 的閾值法一般不會(huì)漏檢，檢測(cè)效果肯定比固定值法好。
[0105] (3)圖像二值化處理:二值化處理的目的是將皮膚區(qū)域和其他區(qū)域更好地區(qū)分開(kāi) 來(lái)。皮膚區(qū)域用"Γ (白色)表示，其他區(qū)域用"0"（黑色)表示。
[0106] (4)形態(tài)學(xué)處理:該步驟的目的是改善分割效果。形態(tài)學(xué)(Morphology)原本是對(duì)于 動(dòng)植物調(diào)查時(shí)采取的某種形式的研究。數(shù)學(xué)形態(tài)學(xué)(Mathematical Morphology)是分析幾 何形狀和結(jié)構(gòu)的數(shù)學(xué)方法，它建立在集合代數(shù)的基礎(chǔ)上，是用集合論方法定量描述集合結(jié) 構(gòu)的學(xué)科。1985年之后，數(shù)學(xué)形態(tài)學(xué)逐漸成為分析圖像幾何特征的工具。數(shù)學(xué)形態(tài)學(xué)包括一 組基本的形態(tài)學(xué)運(yùn)算子：腐蝕（Erosion)，膨脹（Dilation)、開(kāi)運(yùn)算（Opening)、閉運(yùn)算 (Closing)等。運(yùn)用這些算子及其組合來(lái)進(jìn)行圖像形狀和結(jié)構(gòu)的分析及處理。形態(tài)學(xué)的理論 基礎(chǔ)是集合論。在圖像處理中形態(tài)學(xué)的集合代表著黑白和灰度圖像的形狀，如黑白圖像中 的所以黑像素點(diǎn)組成了此圖像的完全描述。通常選擇圖像中感興趣的目標(biāo)圖像區(qū)域像素集 合來(lái)進(jìn)行形態(tài)學(xué)變換。
[0107]通常，當(dāng)有噪聲的圖像用閉值二值化時(shí)，所得到的邊界往往是不平滑的，物體區(qū)域 具有一些錯(cuò)判，背景區(qū)域上則散布著一些小的噪聲。使用形態(tài)學(xué)上的連續(xù)的開(kāi)和閉運(yùn)算可 以顯著的改善這種情況。開(kāi)閉運(yùn)算后的圖像可以去除圖像上的一些細(xì)小的毛刺，達(dá)到去噪 的目的。填孔處理可以進(jìn)一步去除毛刺，但是也將一些非皮膚區(qū)域保留為皮膚區(qū)域處理。所 以綜合考慮后，只采用開(kāi)閉運(yùn)算改善效果。
[0108] 通過(guò)以上處理后輸出的人臉圖像為檢測(cè)為膚色部分為1，非膚色部分為0的二值圖 像。
[0109] 本發(fā)明中，計(jì)算該嘴部區(qū)域膚色像素點(diǎn)占嘴部區(qū)域總像素點(diǎn)比例之前，還包括以 下步驟：
[0110]通過(guò)輪廓特征提取出預(yù)設(shè)的嘴部及下巴的位置，將它們分割開(kāi)來(lái)，這樣就使嘴部 區(qū)域的膚色區(qū)與非膚色區(qū)分開(kāi)，然后再計(jì)算該嘴部區(qū)域膚色像素點(diǎn)占嘴部區(qū)域總像素點(diǎn)比 例，這樣便于進(jìn)行以下膚色區(qū)像素點(diǎn)的個(gè)數(shù)，便于后續(xù)的統(tǒng)計(jì)處理。
[0111] 本發(fā)明中，所述的在嘴部區(qū)域統(tǒng)計(jì)膚色像素所占的比例具體可以采用以下方法：
[0112] 在所獲得的人臉區(qū)域的基礎(chǔ)上，將人臉區(qū)域高的2/3-4/5的矩形區(qū)域作為嘴部區(qū) 域進(jìn)行膚色像素點(diǎn)的統(tǒng)計(jì)，即遍歷該區(qū)域的每一個(gè)像素點(diǎn)，計(jì)算出像素點(diǎn)的總個(gè)數(shù)Μ和像素 值為1的像素點(diǎn)（膚色像素點(diǎn)）的個(gè)數(shù)m，計(jì)算m / Μ的值，當(dāng)它的值在一定的值范圍內(nèi)時(shí)，如 0.05到0.3之間時(shí)，則可以判定其為大胡子，輸出報(bào)警，否則返回第一步繼續(xù)進(jìn)行檢測(cè)。
[0113] 本發(fā)明的目的還在于提供一種視頻圖像中大胡子檢測(cè)的系統(tǒng)，包括：
[0114] 檢測(cè)區(qū)域設(shè)置模塊，用于獲取一幀視頻圖像并設(shè)置該幀視頻圖像中待檢測(cè)的感興 趣區(qū)域；
[0115] 感興趣區(qū)域獲取模塊，用于根據(jù)獲取視頻圖像寬高設(shè)置該視頻圖像中待檢測(cè)的感 興趣區(qū)域；
[0116]前景區(qū)域獲取模塊，用于對(duì)所述感興趣區(qū)域按預(yù)設(shè)前景檢測(cè)方法進(jìn)行前景檢測(cè)， 獲得前景區(qū)域；
[0117] 人臉區(qū)域獲取模塊，用于在所述前景區(qū)域內(nèi)進(jìn)行基于Haar特征的人臉檢測(cè)，獲得 人臉區(qū)域；
[0118] 嘴部區(qū)域獲取模塊，用于在所述人臉區(qū)域進(jìn)行膚色檢測(cè)，定位出嘴部區(qū)域；
[0119] 大胡子判定模塊，用于計(jì)算該嘴部區(qū)域膚色像素點(diǎn)占嘴部區(qū)域總像素點(diǎn)比例，并 判斷該比例是否超過(guò)設(shè)定的閾值，如超過(guò)則判定為大胡子。
[0120] 關(guān)于本發(fā)明的視頻圖像中大胡子檢測(cè)的系統(tǒng)的檢測(cè)方法及原理，請(qǐng)參見(jiàn)視頻圖像 中大胡子檢測(cè)的方法的說(shuō)明，在此不再進(jìn)行說(shuō)明。
[0121] 本發(fā)明通過(guò)以上技術(shù)方案，可以快速地在視頻圖像中檢測(cè)出圖像中的人物是否有 大胡子，并在檢測(cè)出大胡子時(shí)進(jìn)行報(bào)警，從而為在視頻圖像中檢測(cè)圖像中的人是否有大胡 子提供了 一種有效的檢測(cè)解決方法。
[0122] 以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人 員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng) 視為本發(fā)明的保護(hù)范圍。
【主權(quán)項(xiàng)】
1. 一種視頻圖像中大胡子檢測(cè)的方法，其特征在于，包括以下步驟： 根據(jù)獲取視頻圖像寬高設(shè)置該視頻圖像中待檢測(cè)的感興趣區(qū)域； 對(duì)所述感興趣區(qū)域按預(yù)設(shè)前景檢測(cè)方法進(jìn)行前景檢測(cè)，獲得前景區(qū)域； 在所述前景區(qū)域內(nèi)進(jìn)行基于Haar特征的人臉檢測(cè)，獲得人臉區(qū)域； 在所述人臉區(qū)域進(jìn)行膚色檢測(cè)，定位出嘴部區(qū)域； 計(jì)算該嘴部區(qū)域膚色像素點(diǎn)占嘴部區(qū)域總像素點(diǎn)比例，并判斷該比例是否超過(guò)設(shè)定的 閾值，如超過(guò)則判定為大胡子。2. 根據(jù)權(quán)利要求1所述視頻圖像中大胡子檢測(cè)的方法，其特征在于，所述感興趣區(qū)域?yàn)?該幀視頻圖像中清晰度符合預(yù)設(shè)清晰度值的人臉區(qū)域。3. 根據(jù)權(quán)利要求1所述視頻圖像中大胡子檢測(cè)的方法，其特征在于，在所述人臉區(qū)域進(jìn) 行膚色檢測(cè)的步驟為： 首先運(yùn)用均值濾波的方法對(duì)圖像進(jìn)行光照的補(bǔ)償，再采用高斯模型進(jìn)行膚色檢測(cè)，最 后用OSTU自適應(yīng)閾值的方法將圖像轉(zhuǎn)換為輸出膚色部分1、非膚色部分為0的二值圖像。4. 根據(jù)權(quán)利要求1所述視頻圖像中大胡子檢測(cè)的方法，其特征在于，所述嘴部區(qū)域與所 述人臉區(qū)域均為矩形區(qū)域，所述嘴部區(qū)域?yàn)樗鋈四槄^(qū)域的高的2/3-4/5的矩形區(qū)域。5. 根據(jù)權(quán)利要求1-4任一項(xiàng)所述視頻圖像中大胡子檢測(cè)的方法，其特征在于，所述前景 檢測(cè)方法為Vibe前景檢測(cè)方法。6. -種視頻圖像中大胡子檢測(cè)的系統(tǒng)，其特征在于，包括： 檢測(cè)區(qū)域設(shè)置模塊，用于獲取一幀視頻圖像并設(shè)置該幀視頻圖像中待檢測(cè)的感興趣區(qū) 域； 感興趣區(qū)域獲取模塊，用于根據(jù)獲取視頻圖像寬高設(shè)置該視頻圖像中待檢測(cè)的感興趣 區(qū)域； 前景區(qū)域獲取模塊，用于對(duì)所述感興趣區(qū)域按預(yù)設(shè)前景檢測(cè)方法進(jìn)行前景檢測(cè)，獲得 前景區(qū)域； 人臉區(qū)域獲取模塊，用于在所述前景區(qū)域內(nèi)進(jìn)行基于Haar特征的人臉檢測(cè)，獲得人臉 區(qū)域； 嘴部區(qū)域獲取模塊，用于在所述人臉區(qū)域進(jìn)行膚色檢測(cè)，定位出嘴部區(qū)域； 大胡子判定模塊，用于計(jì)算該嘴部區(qū)域膚色像素點(diǎn)占嘴部區(qū)域總像素點(diǎn)比例，并判斷 該比例是否超過(guò)設(shè)定的閾值，如超過(guò)則判定為大胡子。7. 根據(jù)權(quán)利要求6所述視頻圖像中大胡子檢測(cè)的系統(tǒng)，其特征在于，所述感興趣區(qū)域?yàn)?該幀視頻圖像中清晰度符合預(yù)設(shè)清晰度值的人臉區(qū)域。8. 根據(jù)權(quán)利要求6所述視頻圖像中大胡子檢測(cè)的系統(tǒng)，其特征在于，在所述人臉區(qū)域進(jìn) 行膚色檢測(cè)的步驟為： 首先運(yùn)用均值濾波的方法對(duì)圖像進(jìn)行光照的補(bǔ)償，再采用高斯模型進(jìn)行膚色檢測(cè)，最 后用OSTU自適應(yīng)閾值的方法將圖像轉(zhuǎn)換為輸出膚色部分1、非膚色部分為0的二值圖像。9. 根據(jù)權(quán)利要求6所述視頻圖像中大胡子檢測(cè)的系統(tǒng)，其特征在于，所述嘴部區(qū)域與所 述人臉區(qū)域均為矩形區(qū)域，所述嘴部區(qū)域?yàn)樗鋈四槄^(qū)域的高的2/3-4/5的矩形區(qū)域。10. 根據(jù)權(quán)利要求6-9任一項(xiàng)所述視頻圖像中大胡子檢測(cè)的系統(tǒng)，其特征在于，所述前 景檢測(cè)方法為Vibe前景檢測(cè)方法。
【文檔編號(hào)】G06K9/00GK105975952SQ201610361354
【公開(kāi)日】2016年9月28日
【申請(qǐng)日】2016年5月26日
【發(fā)明人】張德馨
【申請(qǐng)人】天津艾思科爾科技有限公司