專利名稱：笑臉檢測方法及其系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計算機圖像處理，特別涉及圖像的笑臉檢測技術(shù)。
背景技術(shù)：
近年來，伴隨著多媒體技術(shù)的發(fā)展，手機、數(shù)碼相機等便攜式設(shè)備中也包含了越來 越多的多媒體軟件，諸如圖片去噪、人臉識別等，這些應(yīng)用軟件深受消費者的喜愛。另外隨 著便攜式設(shè)備的改進和發(fā)展，笑臉檢測也成為一個迫切需求的技術(shù)。所謂笑臉檢測，就是指在完成人臉檢測后，對給定的人臉區(qū)域，用特定的方法檢測 該人臉是否是笑臉，并對笑臉進行評分的過程和方法。笑臉檢測具有非常重要的意義，如數(shù) 碼相機對笑臉的自動抓拍，現(xiàn)代化服務(wù)行業(yè)的微笑化服務(wù)等都能用到笑臉識別技術(shù)。但是 笑臉檢測并非易事，其實現(xiàn)過程面臨著很多挑戰(zhàn)，例如，由于人類表情的模糊特性，有時候 對于一種固定表情，不同的人給出的判斷可能相差甚遠。另外由于臉部姿態(tài)、外貌、膚色、是 否有眼鏡等遮擋物以及光學成像環(huán)境等諸多條件影響，對檢測造成了很大的困難。影響笑 臉檢測走向?qū)嶋H應(yīng)用的兩個制約因素是笑臉檢測的正確率和速度。隨著計算機圖像處理技術(shù)的發(fā)展，目前采用的笑臉檢測方法，在正確率有了明顯 的提升。但是，本發(fā)明的發(fā)明人發(fā)現(xiàn)，現(xiàn)有的笑臉檢測方法復(fù)雜度都很高，而便攜式設(shè)備通 常存在計算能力差、存儲能力弱等問題，因此現(xiàn)有的笑臉檢測方法無法很好地應(yīng)用在這些 設(shè)備中。雖然現(xiàn)有的Adaboost算法具備復(fù)雜度低的特點，很好地解決了速度問題。但是， 該方法用于笑臉檢測還面臨著很多問題如對噪聲很敏感、笑臉和非笑臉的區(qū)別微小難以 用該方法識別等，導(dǎo)致目前還無法將Adaboost算法在笑臉檢測中應(yīng)用。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種笑臉檢測方法及其系統(tǒng)，使得實時、高效的笑臉檢測 能在計算能力差、存儲能力弱的便攜式設(shè)備上實現(xiàn)。為解決上述技術(shù)問題，本發(fā)明的實施方式提供了一種笑臉檢測方法，包含以下步 驟對原始臉部圖像進行預(yù)處理，預(yù)處理包括去噪處理和亮度調(diào)節(jié)處理；將經(jīng)預(yù)處理后的臉部圖像，以投票機制的Adaboost算法進行笑臉檢測；輸出笑臉檢測的結(jié)果。本發(fā)明的實施方式還提供了一種笑臉檢測系統(tǒng)，包含預(yù)處理模塊，用于對原始臉部圖像進行預(yù)處理，預(yù)處理包括去噪處理和亮度調(diào)節(jié) 處理；檢測模塊，用于將經(jīng)預(yù)處理模塊預(yù)處理后的臉部圖像，以Adaboost算法進行笑臉 檢測；輸出模塊，用于輸出檢測模塊進行的笑臉檢測的結(jié)果。本發(fā)明實施方式與現(xiàn)有技術(shù)相比，主要區(qū)別及其效果在于
對原始臉部圖像進行包含去噪處理和亮度調(diào)節(jié)處理在內(nèi)的預(yù)處理，將經(jīng)預(yù)處理后 的臉部圖像，以投票機制的Adaboost算法進行笑臉檢測，并輸出笑臉檢測的結(jié)果。由于 Adaboost算法的復(fù)雜度較低，因此將Adaboost投票原理引入到笑臉檢測算法中，可使得 檢測過程的計算復(fù)雜度大幅度降低，從而可在計算能力差、存儲能力弱的便攜式設(shè)備上實 現(xiàn)實時的笑臉檢測。而且，由于基于投票機制的Adaboost算法對噪聲很敏感，對笑臉和非 笑臉的微小區(qū)別較難識別，因此在采用Adaboost算法進行笑臉檢測之前，先通過去噪和亮 度調(diào)節(jié)，對原始臉部圖像進行了預(yù)處理，對Adaboost應(yīng)用于笑臉識別的不足部分進行了改 進，使得在降低檢測過程中計算復(fù)雜度的同時，也能保證檢測的準確性。進一步地，在對原始臉部圖像進行去預(yù)處理時，先進行去噪處理，再進行亮度調(diào)節(jié) 處理，以最大限度地降低對算法不利的各種因素，從而進一步保證了笑臉檢測的準確性。進一步地，以迭代的方式對臉部圖像進行一次次地降噪處理，直至降噪處理后的 臉部圖像與降噪處理前的臉部圖像的差異滿足預(yù)設(shè)條件。通過基于變分法的去噪方法對原 始臉部圖像進行處理，可有效保證對原始臉部圖像的去噪效果。進一步地，在Adaboost算法中，用于投票的弱分類器為h (x，f，ρ，θ),
hi r m Jl Pf (X) < P^ . 啦，/,/^)=^ 其它’其中，f(x)為弱分類器的特征值，f(x)取haar特征值，θ為用于判斷弱分類器的 特征值是否滿足笑臉條件的預(yù)設(shè)閾值，P用于調(diào)整不等號的方向，當f(X)小于閾值θ時，P =1，當f (χ)大于閾值θ時，ρ = 4 ;h = 1時表示弱分類器的投票為笑臉，h = O時表示 弱分類器的投票為非笑臉。實現(xiàn)簡單，進一步保證了笑臉檢測的低復(fù)雜度。


圖1是根據(jù)本發(fā)明第一實施方式的笑臉檢測方法流程圖；圖2是根據(jù)本發(fā)明第一實施方式中的去噪處理流程圖；圖3是根據(jù)本發(fā)明第一實施方式中的亮度調(diào)節(jié)處理流程圖；圖4是根據(jù)本發(fā)明第三實施方式的笑臉檢測系統(tǒng)流程圖。
具體實施例方式在以下的敘述中，為了使讀者更好地理解本申請而提出了許多技術(shù)細節(jié)。但是，本 領(lǐng)域的普通技術(shù)人員可以理解，即使沒有這些技術(shù)細節(jié)和基于以下各實施方式的種種變化 和修改，也可以實現(xiàn)本申請各權(quán)利要求所要求保護的技術(shù)方案。為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明的實施 方式作進一步地詳細描述。本發(fā)明第一實施方式涉及一種笑臉檢測方法。圖1是該笑臉檢測方法的流程示意 圖。在步驟101中，對原始臉部圖像進行預(yù)處理，其中，預(yù)處理包括去噪處理和亮度調(diào) 節(jié)處理。在本步驟中，先對原始臉部圖像進行去噪處理，再對經(jīng)去噪處理后的臉部圖像進行 亮度調(diào)節(jié)處理。在對原始臉部圖像進行去預(yù)處理時，先進行去噪處理，再進行亮度調(diào)節(jié)處 理，可進一步保證笑臉檢測的準確性。
具體地說，對原始臉部圖像進行去噪處理的流程如圖2所示。在步驟201中，將計 數(shù)器i歸零，并將所求去噪圖像Ui初始化為U° = U0, U0 = U0為原始臉部圖像。
權(quán)利要求
一種笑臉檢測方法，其特征在于，包含以下步驟對原始臉部圖像進行預(yù)處理，所述預(yù)處理包括去噪處理和亮度調(diào)節(jié)處理；將經(jīng)所述預(yù)處理后的臉部圖像，以投票機制的Adaboost算法進行笑臉檢測；輸出所述笑臉檢測的結(jié)果。
2.根據(jù)權(quán)利要求1所述的笑臉檢測方法，其特征在于，在所述對原始臉部圖像進行去 預(yù)處理的步驟中，先進行所述去噪處理，再進行所述亮度調(diào)節(jié)處理。
3.根據(jù)權(quán)利要求1所述的笑臉檢測方法，其特征在于，所述去噪處理為基于變分法的 臉部圖像去噪處理，包含以下子步驟Al、計算臉部圖像中的每個像素在行方向和列方向上的導(dǎo)數(shù)； A2、根據(jù)計算的每個像素在行方向和列方向上的導(dǎo)數(shù)，計算每個像素的梯度值和梯度 模長；A3、根據(jù)每個像素的梯度值和梯度模長，求得每個像素的梯度值和梯度模長之比的散度；A4、根據(jù)以下公式對臉部圖像Ui進行一次降噪處理XiUi-Uq))其中，i初始化為0，u°表示原始臉部圖像，Ui+1表示對Ui進行一次降噪處理后的臉部隱，穌針髓浦鐘糊麟Ht匕白勺髓，χ禾口 y麵■卿立坐標，t為用于調(diào)節(jié)算法速度的算法步長，λ為預(yù)設(shè)的可調(diào)參數(shù)，λ越小表示要求圖像越光 滑；Α5、判斷I Iuw-IiiI I < ε是否成立，其中所述ε為給定閾值，如果| Iuw-I1iI | < ε 成立，則將ui+1作為經(jīng)所述去噪處理后的臉部圖像；如果I IUw-UiI I < ε不成立，則將i = i+Ι，重復(fù)執(zhí)行所述步驟Al至所述步驟A5。
4.根據(jù)權(quán)利要求3所述的笑臉檢測方法，其特征在于，所述t和所述λ均為0.01。
5.根據(jù)權(quán)利要求1所述的笑臉檢測方法，其特征在于，所述亮度調(diào)節(jié)處理包含以下子 步驟計算待調(diào)節(jié)的臉部圖像中所有像素的灰度的均值；根據(jù)所述計算的所有像素的灰度的均值，將所述待調(diào)節(jié)的臉部圖像中所有像素的灰 度，調(diào)整到一個定值。
6.根據(jù)權(quán)利要求1至5中任一項所述的笑臉檢測方法，其特征在于，在所述Adaboostil pf(x) < ρθ算法中，用于投票的弱分類器為h(x，f，p，Q),h(x,f,p,0) = \。??；其中，f(x)為所述弱分類器的特征值，所述f(x)取haar特征值，θ為用于判斷所述弱 分類器的特征值是否滿足笑臉條件的預(yù)設(shè)閾值，P用于調(diào)整不等號的方向，當所述f(x)小 于所述閾值θ時，所述ρ = 1，當所述f(x)大于所述閾值θ時，所述ρ = -1 ;h = 1時表 示弱分類器的投票為笑臉，h = O時表示弱分類器的投票為非笑臉。
7.根據(jù)權(quán)利要求6所述的笑臉檢測方法，其特征在于，所述以Adaboost算法進行笑臉 檢測的步驟中，包含以下子步驟 2
8.根據(jù)權(quán)利要求7所述的笑臉檢測方法，其特征在于，所述閾值θ通過訓練樣本訓練 得到，所述閾值η為所有弱分類器的權(quán)重值的總和的一半。
9.一種笑臉檢測系統(tǒng)，其特征在于，包含預(yù)處理模塊，用于對原始臉部圖像進行預(yù)處理，所述預(yù)處理包括去噪處理和亮度調(diào)節(jié) 處理；檢測模塊，用于將經(jīng)所述預(yù)處理模塊預(yù)處理后的臉部圖像，以投票機制的Adaboost算 法進行笑臉檢測；輸出模塊，用于輸出所述檢測模塊進行的笑臉檢測的結(jié)果。
10.根據(jù)權(quán)利要求9所述的笑臉檢測系統(tǒng)，其特征在于，所述預(yù)處理模塊包含以下子模塊去噪處理子模塊，用于對所述原始臉部圖像進行去噪處理；亮度調(diào)節(jié)處理子模塊，用于對經(jīng)所述去噪處理子模塊處理后的臉部圖像進行亮度調(diào)節(jié)處理。
11.根據(jù)權(quán)利要求9所述的笑臉檢測系統(tǒng)，其特征在于，所述去噪處理子模塊包含第一計算子模塊，用于計算臉部圖像中的每個像素在行方向和列方向上的導(dǎo)數(shù)，觸發(fā) 第二計算子模塊；所述第二計算子模塊用于根據(jù)計算的每個像素在行方向和列方向上的導(dǎo)數(shù)，計算每個 像素的梯度值和梯度模長，觸發(fā)第三計算子模塊；所述第三計算子模塊用于根據(jù)每個像素的梯度值和梯度模長，求得每個像素的梯度值 和梯度模長之比的散度，觸發(fā)降噪處理子模塊；所述降噪處理子模塊用于根據(jù)以下公式對臉部圖像Ui進行一次將噪處理，并觸發(fā)迭代 子模塊
12.根據(jù)權(quán)利要求9所述的笑臉檢測系統(tǒng)，其特征在于，所述亮度調(diào)節(jié)處理子模塊包含灰度均值計算子模塊，用于計算待調(diào)節(jié)的臉部圖像中所有像素的灰度的均值； 調(diào)整子模塊，用于根據(jù)所述灰度均值計算子模塊計算的所有像素的灰度的均值，將所 述待調(diào)節(jié)的臉部圖像中所有像素的灰度，調(diào)整到一個定值。
13.根據(jù)權(quán)利要求9至12中任一項所述的笑臉檢測系統(tǒng)，其特征在于，在所述Adaboost 算法中，用于投票的弱分類器為 h(x，f，p，Q),h(x,f,p,e) = ^Q；其中，f(x)為所述弱分類器的特征值，所述f (χ)取haar特征值，θ為用于判斷所述弱 分類器的特征值是否滿足笑臉條件的預(yù)設(shè)閾值，P用于調(diào)整不等號的方向，當所述f(x)小 于所述閾值θ時，所述ρ = 1，當所述f(x)大于所述閾值θ時，所述ρ = -1 ;h = 1時表 示弱分類器的投票為笑臉，h = O時表示弱分類器的投票為非笑臉。
14.根據(jù)權(quán)利要求13所述的笑臉檢測系統(tǒng)，其特征在于，所述檢測模塊包含以下子模塊積分圖計算子模塊，用于計算經(jīng)所述預(yù)處理后的臉部圖像的積分圖； 歸零子模塊，用于將弱分類器的計數(shù)值歸零；計數(shù)值判斷子模塊，用于判斷弱分類器的計數(shù)值是否小于弱分類器的總數(shù)，如果小于 弱分類器的總數(shù)，則觸發(fā)特征值計算子模塊，如果大于或等于弱分類器的總數(shù)，則觸發(fā)門限 判斷子模塊；所述特征值計算子模塊用于計算當前弱分類器的特征值，并判斷當前計算的弱分類器 的特征值是否小于所述閾值θ，其中，弱分類器的計數(shù)值是當前的弱分類器在所有弱分類 器的索引值，所述特征值計算子模塊在判定當前計算的弱分類器的特征值小于所述閾值θ 時，觸發(fā)權(quán)重值累加子模塊；所述特征值計算子模塊在判定當前計算的弱分類器的特征值 大于或等于所述閾值θ時，觸發(fā)計數(shù)值累加子模塊；所述權(quán)重值累加子模塊用于累加當前弱分類器的權(quán)重值，并觸發(fā)所述計數(shù)值累加子模塊；所述計數(shù)值累加子模塊用于將弱分類器的計數(shù)值進行累加，并觸發(fā)所述計數(shù)值判斷子 模塊；所述門限判斷子模塊用于判斷所述權(quán)重值累加子模塊累加的權(quán)重值是否大于預(yù)設(shè)閾 值η，如果大于所述閾值η，則所述笑臉檢測的結(jié)果為計算的笑臉評分；如果小于或等于所 述閾值η，則所述笑臉檢測的結(jié)果為非笑臉圖像。
15.根據(jù)權(quán)利要求14所述的笑臉檢測系統(tǒng)，其特征在于，所述閾值θ通過訓練樣本訓 練得到，所述閾值η為所有弱分類器的權(quán)重值的總和的一半。
全文摘要
本發(fā)明涉及計算機圖像處理，公開了一種笑臉檢測方法及其系統(tǒng)。本發(fā)明中，將Adaboost投票原理引入到笑臉檢測算法中，可使得檢測過程的計算復(fù)雜度大幅度降低，從而可將在計算能力差、存儲能力弱的便攜式設(shè)備上實現(xiàn)實時的笑臉檢測。而且，在采用Adaboost算法進行笑臉檢測之前，先通過去噪和亮度調(diào)節(jié)，對原始臉部圖像進行了預(yù)處理，對Adaboost應(yīng)用于笑臉識別的不足部分進行了改進，使得在降低檢測過程中計算復(fù)雜度的同時，也能保證檢測的準確性。
文檔編號G06K9/62GK101950356SQ20101027631
公開日2011年1月19日 申請日期2010年9月9日 優(yōu)先權(quán)日2010年9月9日
發(fā)明者方發(fā)明, 林福輝, 羅小偉 申請人:展訊通信(上海)有限公司