技術(shù)特征：

1.一種基于人臉顯著性的圖像壓縮方法，包括以下幾個步驟：

步驟一、建立數(shù)據(jù)庫，具體步驟如下：

步驟101、通過眼球追蹤實驗，記錄觀測者在自由觀看模式下對人臉圖片的關(guān)注點，建立對人臉圖像的視覺關(guān)注點分布的數(shù)據(jù)庫；

步驟102、通過分析在人臉以及臉部特征的視覺關(guān)注度，建立關(guān)注度與人臉、臉部特征之間的關(guān)系；

步驟二、建立并訓(xùn)練顯著度檢測模型，具體步驟如下：

步驟201、對人臉區(qū)域關(guān)注點進(jìn)行預(yù)處理；

步驟202、用預(yù)處理后的關(guān)注點數(shù)據(jù)，基于訓(xùn)練圖片，訓(xùn)練并學(xué)習(xí)混合高斯模型；

步驟203、利用得到的混合高斯模型，基于測試圖片，分別預(yù)測圖像的各個特征通道的顯著性；

步驟204、得到五個通道不同的顯著性圖譜后，通過學(xué)習(xí)關(guān)注點數(shù)據(jù)，得到每個通道的顯著性的最佳權(quán)重ω_C,ω_I,ω_O,ω_F,ω_G；

步驟205、利用步驟202至步驟204得到的每個通道的顯著性圖譜以及關(guān)于最佳權(quán)重系數(shù)的函數(shù)，計算得到最終的顯著性圖譜；

步驟三、進(jìn)行圖像壓縮；

在編碼之前，采用步驟一、步驟二對輸入圖像進(jìn)行預(yù)處理，得到輸入圖像的顯著性圖譜，然后輸入圖像通過低通濾波器，低通濾波器的截止頻率通過顯著性圖譜決定，低通濾波器為：

$d_n^{*}(i,j)=\left\{\begin{array}{cc}{d}_n& i+j\≤T_n\\ 0& i+j\>T_n\end{array}\right.---\left(9\right)$

其中，(i,j)為輸入圖片進(jìn)行離散余弦變換后對應(yīng)的坐標(biāo)，T_n是設(shè)置的截止頻率，d_n是該坐標(biāo)原來的頻率；

輸入圖片分割成8×8像素的相互不重合的塊，即每個小圖塊的預(yù)處理表示為：

最后將低通濾波器處理后的圖片，經(jīng)過國際圖像壓縮標(biāo)準(zhǔn)編碼，進(jìn)行JPEG壓縮。

2.根據(jù)權(quán)利要求1所述的一種基于人臉顯著性的圖像壓縮方法，所述的步驟二中201具體包括以下步驟：

步驟(1)、建立固定坐標(biāo)系，通過坐標(biāo)變換，對每張圖像中的關(guān)注點進(jìn)行校正；

設(shè)右臉的第一個特征點為坐標(biāo)原點，將每個關(guān)注點的(x,y)，按式(1)進(jìn)行坐標(biāo)變換，實現(xiàn)對關(guān)注點的校正；

$\left\{\begin{array}{c}{x}^{*}=x-x\\ y^{*}=y-y\end{array}\right.---\left(1\right)$

其中：(x，y)是關(guān)注點的坐標(biāo)，(x*，y*)是校正后的坐標(biāo)；

步驟(2)、利用式(2)，對關(guān)注點進(jìn)行歸一化處理；

$\left\{\begin{array}{c}{x}^{\′}=\frac{x^{*}}{l}\\ y^{\′}=\frac{y^{*}}{l}\end{array}\right.---\left(2\right)$

其中：l為兩點之間的歐式距離，即兩點之間的橫向距離，(x′，y′)是歸一化處理后的坐標(biāo)。

3.根據(jù)權(quán)利要求1所述的一種基于人臉顯著性的圖像壓縮方法，所述的步驟二中202具體包括以下步驟：

步驟(1)、建立GMM模型；

假設(shè)經(jīng)過校正和歸一化的關(guān)注點的坐標(biāo)為x＝(x′,y′)，建立GMM模型：

$\left\{\begin{array}{cc}\underset{k=1}{\overset{K}{\Σ}}{\mathrm{\π}}_k{N}_k({\mathrm{\μ}}_k,{\Σ}_k)& \left(3\right)\\ N_k\left(x\right)=\exp \left\{-\frac{1}{2}{(x^{\′}-{\mathrm{\μ}}_k)}^T{\Σ}_k^{-1}\left(x^{\′}-{\mathrm{\μ}}_k\right)\right\}& \left(4\right)\end{array}\right.$

其中：π_k,μ_k,∑_k分別為第k個高斯分量的混合比例、均值以及方差，K為混合高斯模型中分量的個數(shù)；

步驟(2)、通過最大期望算法，學(xué)習(xí)得到臉部特征通道關(guān)注點與人臉通道的混合高斯模型分布；

設(shè)k＝4，4個GMM分量分別對應(yīng)左眼、右眼、鼻子、嘴巴四個臉部特征，假設(shè)均值為臉部特征的中心點，經(jīng)過學(xué)習(xí)得到的各項參數(shù)數(shù)值，如下表1所示；

表1 GMM各項參數(shù)數(shù)值，其中K的不同取值對應(yīng)不同的五官區(qū)域

4.根據(jù)權(quán)利要求1所述的一種基于人臉顯著性的圖像壓縮方法，所述的步驟二中的203具體包括：

步驟(1)、通過混合高斯模型，利用訓(xùn)練圖片學(xué)習(xí)高斯分布的參數(shù)，得到兩個top-down顯著圖，人臉和臉部特征；其中，通過步驟202，得到測試圖像的人臉及臉部特征兩個通道的顯著性圖譜，記做

步驟(2)、通過Itti的模型，得到顏色、對比度、方向三個bottom-up的顯著性圖譜；

利用Itts的模型，構(gòu)造顏色(C)，對比度(I)，方向性(O)三個顯著性圖譜，分別記為同時構(gòu)造最終顯著性圖譜的模型：

5.根據(jù)權(quán)利要求1所述的一種基于人臉顯著性的圖像壓縮方法，所述的步驟二中204具體包括以下步驟：

步驟(1)、通過求解方程(6)學(xué)習(xí)得到每個通道的權(quán)重系數(shù)：

$\underset{w}{\mathrm{argmin}}\left|\right|Vw-m_h|{|}_2---\left(6\right)$

其中，V為矩陣，矩陣的列是通道的顯著圖，w＝(ω_c，ω_I，ω_O，ω_F，ω_G)，m_h為向量化的每幅圖像的關(guān)注點圖，使用凸線性回歸求解方程，得到每張圖片的最佳權(quán)重；

步驟(2)得到每個通道最佳權(quán)重ω_C,ω_I,ω_O,ω_F,ω_G后，采用高階多項式擬合方法建立人臉尺寸大小和最佳權(quán)重系數(shù)的函數(shù)關(guān)系；

采用多項式擬合得到ω_F,ω_G與人臉大小的關(guān)系：

$\left\{\begin{array}{cc}{\mathrm{\ω}}_F\left(s\right)=\underset{i=0}{\overset{I}{\Σ}}{a}_i{s}^i& \left(7\right)\\ {\mathrm{\ω}}_G\left(s\right)=\underset{i=0}{\overset{I}{\Σ}}{b}_i{s}^i& \left(8\right)\end{array}\right.$

其中：s為人臉大小尺度，即人臉區(qū)域像素占圖片總像素的比例，為擬合ω_F,ω_G的多項式的系數(shù)；

采用4次多項式進(jìn)行擬合，多項式系數(shù)如下表2所示

表2多項式系數(shù)a，b數(shù)值

i＝4i＝3i＝2i＝1i＝0a_i6345.8-2931.2491.0-36.41.1b_i-6474.33146.4-545.138.6-0.1.

在得到ω_F,ω_G之后，將權(quán)重ω_C,ω_I,ω_O在所有圖像中做平均，得到它們之間的比例關(guān)系ω_C∶ω_I∶ω_O＝8∶3∶30，再由||ω||_I＝1，求解得到ω_C,ω_I,ω_O。