)由下式（11)計(jì)算得出：否則，不滿足式（10)時(shí)，F(xiàn)aceROI_Mf區(qū)域即為完整的待特效人臉區(qū)域FaceROI_MFf，其 左上角和右下角的橫縱坐標(biāo)保持不變； 2. 2. 6)提取待特效人臉的模板特征 把步驟2. 2. 5)中提取的完整的待特效人臉區(qū)域FaceROI_MFf平均分成4X4個(gè)小塊， 對(duì)每一個(gè)小塊進(jìn)行LBP濾波得到每一個(gè)小塊的特征值，把這16個(gè)小塊的特征值串聯(lián)起來作 為完整的待特效人臉區(qū)域的特征，即為待特效人臉的模板特征。4. 根據(jù)權(quán)利要求3所述的基于人臉識(shí)別的視頻特效處理方法，其特征在于：所述的步 驟3中，具體過程是， 對(duì)視頻鏡頭k中的每一幀圖像用步驟2. 2. 1)中的方法進(jìn)行人臉初檢測，用步驟2. 2. 2) 中的方法排除非人臉區(qū)域，用步驟2. 2. 3)中的方法合并重復(fù)檢測到的人臉區(qū)域，用步驟 2. 2. 6)中的方法提取每一幀上所檢測到的每個(gè)人臉區(qū)域的人臉特征， 計(jì)算鏡頭k中第N幀圖像上提取的第jl個(gè)人臉區(qū)域的人臉特征與Num_f個(gè)待特效人 臉模板特征的歐氏距離的平均值為DiSaVgk，n，N，參照下式（12):其中，diskiN(f)為鏡頭k中第N幀圖像上提取的第jl個(gè)人臉區(qū)域的人臉特征與第f個(gè)待特效人臉模板特征的歐氏距離，f= 1，2,. . .，Num_f，jl= 1，2,. . .，Num_FaceR〇]^ k， Num_FaceROI'k為鏡頭k中每一幀圖像上合并重復(fù)人臉區(qū)域后人臉區(qū)域的個(gè)數(shù)，k= 1，2, ? ? ?，ShotNum，N=NBk，NBk+l，? ? ?，NEk， 在鏡頭k的起始幀數(shù)NBk和結(jié)束幀數(shù)NEk中遍歷，記鏡頭k中第N幀第jI個(gè)人臉區(qū)域的 左上角的坐標(biāo)為（XkiN，Yk^N)，人臉區(qū)域的寬度為W^n，第N+1幀第jl'個(gè)人臉區(qū)域的左 上角的坐標(biāo)為（XkJrmYkJm)， 判斷是否滿足下式（13)中的條件：滿足式（13)時(shí)，則第N幀中的第jl個(gè)人臉區(qū)域和第N+1幀中的第jl'個(gè)人臉區(qū)域表示 的是鏡頭k中的同一個(gè)人，將jl的Disavg^jPjl'的Disavgk』，,N+1存放在數(shù)組Sortk, 中，即數(shù)組Sortki ^中存放的是鏡頭k中每一幀的同一個(gè)人的人臉特征與Num_f個(gè)待特效人 臉模板特征的歐氏距離的平均值， 不滿足式（13)時(shí)，則第N幀中的第jl個(gè)人臉區(qū)域和第N+1幀中的第jl'個(gè)人臉區(qū)域 表示的不是鏡頭k中的同一個(gè)人， 其中，Disavgki_jliN為鏡頭k中第N幀圖像上提取的第jl個(gè)人臉區(qū)域的人臉特征與Num_f?個(gè)待特效人臉模板特征的歐氏距離的平均值，DisavgnN+1為鏡頭k中第N+1幀圖像上提 取的第jl'個(gè)人臉區(qū)域的人臉特征與Num_f?個(gè)待特效人臉模板特征的歐氏距離的平均值。5. 根據(jù)權(quán)利要求4所述的基于人臉識(shí)別的視頻特效處理方法，其特征在于：所述的步 驟4中，具體過程是， 4.1)鏡頭內(nèi)的合并 判斷鏡頭k中的Num_FaCeR0I'k是否滿足下式（14)中的條件： Num_FaceROI， k> 1， (14) Num_FaCeR〇rk為鏡頭k中每一幀圖像上合并重復(fù)人臉區(qū)域后人臉區(qū)域的個(gè)數(shù)， 不滿足式（14)時(shí)，則jl= 1，jl= 1，2,…，Num_FaceROI' k，數(shù)組Sorttj^為數(shù)組 Sortkj J1= 1; 在滿足式（14)的鏡頭k中遍歷數(shù)組Sortkin，找出數(shù)組Sortkin中的最大值SMax^和 最小值SMinkijl，判斷SMaxkijJPSMaxkijui是否滿足下式（15)中的條件： SMaxkiJ1-SMaxkijl+11 <T, (15) 其中，jl= 1，2, ? ? ?，Num_FaceROI'k，k= 1，2, ? ? ?，ShotNum，T為SMaxk, ^和SMink,n 差值的最大值的三分之一，參照下式（16):滿足式（15)時(shí)，將數(shù)組Sortk,n與數(shù)組Sortk,jl+1添加到數(shù)組SortHe，數(shù)組SortHek 的初始狀態(tài)為空； 不滿足式（15)時(shí)，將SMaxtn與SMaxtjl+1中的較大者所在的數(shù)組添加到數(shù)組SortHek 中，數(shù)組SortHe1^初始狀態(tài)為空，將SMaxn與SMaxtjl+1中的較小者所在的數(shù)組添加到數(shù) 組SortOwnk中，數(shù)組SortOwn!^勺初始狀態(tài)為空； 4.2)鏡頭間的合并 如果鏡頭k中的Num_FaCeR0I' 滿足式（14)時(shí)，將步驟4. 1)中的數(shù)組Sortk,n =1拷貝到數(shù)組SSortkl中，找出數(shù)組SSortkl中的最大值MaxkJP最小值Minkl，將數(shù)組SortHek 拷貝到數(shù)組SSortHek^，找出數(shù)組SSortHe^的最大值MaxHe 最小值MinHek2，將數(shù)組 SortOwnk 拷貝到數(shù)組SSortOwn!^中，其中，kl= 1,2, = 1,2, ???，k2'，k3Gk2， kl' +k2' =ShotNum， 判斷數(shù)組SSortkl中的最大值Maxkl和數(shù)組SSortHek2 =i中的最小值MinHek2 =i是否滿 足下式（17)中的條件： MinHek2 =rMaxklI<Tl, (17) 其中，Tl為MaxHekJPMinHek2差值的最大值的二分之三，參照下式（18):滿足式（17)時(shí)，將數(shù)組SSortkl添加到數(shù)組SSortHek2 = 1*，找出數(shù)組SSortHek2中的 最大值為FMaxk2，最小值為FMink2，數(shù)組SSortOwnk^持不變，記數(shù)組SSortOwn^的最大值 為TMaxk3，最小值為TMink3; 不滿足式（17)時(shí)，將數(shù)組SSortkl添加到數(shù)組SSortOwnk3 = ，找出數(shù)組SSortOwnk3 中的最大值為TMaxk3，最小值為TMink3，數(shù)組55〇竹1^2保持不變，記數(shù)組SSortHek2中的最 大值為FMaxk2，最小值為FMink2; 把數(shù)組SSortHek2添加到數(shù)組SSortHek2 = 1 中，k2 = 1，2, ???，k2'，找出數(shù)組SSortHek2 = 1 中最大值為FMax，最小值為FMin，把數(shù)組SSortOwnk3添加到數(shù)組SSortOwnk3 =丨中，k3Gk2， 找出數(shù)組SSortOwnk3 =i中的最大值為TMax，最小值為TMin; 如果鏡頭k中的Num_FaCeR0I'k滿足式（14)中的條件時(shí)，把數(shù)組SortHek添加到數(shù)組SSortHek =i中，找出數(shù)組SortHek =i中的最大值為FMax，最小值為FMin，把數(shù)組SortOwnk 添加到數(shù)組SortOwnk= 1中，找出SortOwnk= 1中的最大值為TMax，最小值為TMin，k= 1，2,…，ShotNum; 4. 3)獲取待特效人臉的分類閾值 計(jì)算待特效人臉的分類閾值threshold，參照下式（19):6.根據(jù)權(quán)利要求5所述的基于人臉識(shí)別的視頻特效處理方法，其特征在于：所述的步 驟5中，具體過程是， 在鏡頭k的起始幀數(shù)NBk和結(jié)束幀數(shù)NEk中遍歷，判斷Disavgki_jliN是否滿足下式（20): Disavgkj jl N< threshold, (20) 其中，DisavgkijliN為式（12)計(jì)算的鏡頭k中第N幀圖像上提取的第jl個(gè)人臉區(qū)域 的人臉特征與Num_f個(gè)待特效人臉模板特征的歐氏距離的平均值，jl= 1，2,. . .，Num_ FaceROI'k，Num_FaceR0I'k為鏡頭k中每一幀圖像上合并重復(fù)人臉區(qū)域后人臉區(qū)域的個(gè)數(shù)， N=NBk,NBk+l,…，NEk，k= 1，2,…，ShotNum，threshold為式（19)計(jì)算出的分類閾值； 滿足式（20)時(shí)，鏡頭k中第N幀圖像上提取的第jl個(gè)人臉區(qū)域被識(shí)別為待特效人臉， 則對(duì)該人臉區(qū)域進(jìn)行馬賽克特效處理； 不滿足式（20)時(shí)，鏡頭k中第N幀圖像上提取的第jl個(gè)人臉區(qū)域不是待特效人臉，則 對(duì)該人臉區(qū)域不作任何處理。
【專利摘要】本發(fā)明公開了一種基于人臉識(shí)別的視頻特效處理方法，步驟包括：步驟1：對(duì)需要處理的視頻節(jié)目鏡頭進(jìn)行分割；步驟2：獲取視頻中待特效人臉的模板特征；步驟3：以鏡頭為單位，計(jì)算鏡頭里每一幀上所檢測到的每個(gè)人臉區(qū)域的人臉特征并按人臉區(qū)域的位置對(duì)每個(gè)人進(jìn)行分類；步驟4：確定待特效人臉的分類閾值；步驟5：根據(jù)分類閾值進(jìn)行待特效人臉的識(shí)別及馬賽克特效處理；步驟6：對(duì)所有視頻幀處理的結(jié)果進(jìn)行保存，通過視頻文件寫入軟件，把保存的幀圖像轉(zhuǎn)換成視頻，最后把視頻部分和音頻部分合成一個(gè)完整的視頻，即成。本發(fā)明的方法，能夠自動(dòng)對(duì)訪談?lì)愐曨l節(jié)目中指定的待保護(hù)人員的臉部進(jìn)行馬賽克特效處理，準(zhǔn)確率高。
【IPC分類】H04N21/431, G06K9/00
【公開號(hào)】CN105049911
【申請(qǐng)?zhí)枴緾N201510405426
【發(fā)明人】胡濤, 王亞丹, 范彩霞, 馮玉娜
【申請(qǐng)人】西安理工大學(xué)
【公開日】2015年11月11日
【申請(qǐng)日】2015年7月10日