本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種圖像美顏方法及其終端。

背景技術(shù)：

隨著智能終端不斷發(fā)展，可用于拍照的智能終端越來越多，如智能手機(jī)、平板電腦等。用戶在使用這些智能終端進(jìn)行拍照時(shí)，為了拍出滿意的照片，越來越多的智能終端廠商內(nèi)置了美顏功能?，F(xiàn)有的美顏處理方法一般是對(duì)整張圖片進(jìn)行整體上的模糊處理及色調(diào)調(diào)整，以達(dá)到視覺上的美白和磨皮效果。但是，這樣的全圖模糊處理會(huì)損失人臉圖像中的面部關(guān)鍵點(diǎn)信息，從而使得處理后的圖像不夠清晰，效果較差。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供一種圖像美顏方法及其終端，可提高美顏效果。

本發(fā)明實(shí)施例提供了一種圖像美顏方法，包括：

獲取當(dāng)前圖像；

對(duì)當(dāng)前圖像進(jìn)行處理，得到人臉關(guān)鍵點(diǎn)；

根據(jù)人臉關(guān)鍵點(diǎn)對(duì)當(dāng)前圖像進(jìn)行美顏處理，得到目標(biāo)圖像。

本發(fā)明實(shí)施例還提供了一種終端，包括:

獲取單元，用于獲取當(dāng)前圖像；

第一處理單元，用于對(duì)當(dāng)前圖像進(jìn)行處理，得到人臉關(guān)鍵點(diǎn)；

第二處理單元，用于根據(jù)人臉關(guān)鍵點(diǎn)對(duì)當(dāng)前圖像進(jìn)行美顏處理，得到目標(biāo)圖像。

本發(fā)明實(shí)施例中，先獲取當(dāng)前圖像并對(duì)其進(jìn)行處理，得到人臉關(guān)鍵點(diǎn)，再根據(jù)人臉關(guān)鍵點(diǎn)對(duì)當(dāng)前圖像進(jìn)行美顏處理，得到目標(biāo)圖像。由于先檢測(cè)出人臉關(guān)鍵點(diǎn)，因此在對(duì)當(dāng)前圖像進(jìn)行美顏處理時(shí)，可僅對(duì)人臉關(guān)鍵點(diǎn)以外的區(qū)域進(jìn)行美白及磨皮處理，從而提高了美顏處理后圖像的清晰度，也提高了美顏效果。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明第一實(shí)施例提供的一種圖像美顏方法的流程示意圖；

圖2是本發(fā)明第二實(shí)施例提供的一種圖像方法的流程示意圖；

圖3是圖2中步驟s202的子流程示意圖；

圖4是本發(fā)明一實(shí)施例提供的一種強(qiáng)分類器的結(jié)構(gòu)示意圖；

圖5是本發(fā)明一實(shí)施例提供的一種特征模板的示意圖；

圖6是本發(fā)明一實(shí)施例提供的一種子窗口的結(jié)構(gòu)示意圖；

圖7是本發(fā)明一實(shí)施例提供的另一種子窗口的結(jié)構(gòu)示意圖；

圖8是本發(fā)明一實(shí)施例提供的待測(cè)人臉圖像示意圖；

圖9是步驟s204的子流程示意圖；

圖10是第一區(qū)域示意圖；

圖11是第二區(qū)域示意圖；

圖12是膚色檢測(cè)效果圖；

圖13是人臉特征示意圖；

圖14是shape-index特征描述示意圖；

圖15是分類示意圖；

圖16是本發(fā)明第一實(shí)施例提供的一種終端的結(jié)構(gòu)示意圖；

圖17是本發(fā)明第二實(shí)施例提供的一種終端的結(jié)構(gòu)示意；

圖18是本發(fā)明第三實(shí)施例提供的一種終端的結(jié)構(gòu)示意。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述。

應(yīng)當(dāng)理解，當(dāng)在本說明書和所附權(quán)利要求書中使用時(shí)，術(shù)語(yǔ)“包括”和“包含”指示所描述特征、整體、步驟、操作、元素和/或組件的存在，但并不排除一個(gè)或多個(gè)其它特征、整體、步驟、操作、元素、組件和/或其集合的存在或添加。

還應(yīng)當(dāng)理解，在此本發(fā)明說明書中所使用的術(shù)語(yǔ)僅僅是出于描述特定實(shí)施例的目的而并不意在限制本發(fā)明。如在本發(fā)明說明書和所附權(quán)利要求書中所使用的那樣，除非上下文清楚地指明其它情況，否則單數(shù)形式的“一”、“一個(gè)”及“該”意在包括復(fù)數(shù)形式。

還應(yīng)當(dāng)進(jìn)一步理解，在本發(fā)明說明書和所附權(quán)利要求書中使用的術(shù)語(yǔ)“和/或”是指相關(guān)聯(lián)列出的項(xiàng)中的一個(gè)或多個(gè)的任何組合以及所有可能組合，并且包括這些組合。

如在本說明書和所附權(quán)利要求書中所使用的那樣，術(shù)語(yǔ)“如果”可以依據(jù)上下文被解釋為“當(dāng)...時(shí)”或“一旦”或“響應(yīng)于確定”或“響應(yīng)于檢測(cè)到”。類似地，短語(yǔ)“如果確定”或“如果檢測(cè)到[所描述條件或事件]”可以依據(jù)上下文被解釋為意指“一旦確定”或“響應(yīng)于確定”或“一旦檢測(cè)到[所描述條件或事件]”或“響應(yīng)于檢測(cè)到[所描述條件或事件]”。

具體實(shí)現(xiàn)中，本發(fā)明實(shí)施例中描述的終端包括但不限于諸如具有觸摸敏感表面(例如，觸摸屏顯示器和/或觸摸板)的移動(dòng)電話、膝上型計(jì)算機(jī)或平板計(jì)算機(jī)之類的其它便攜式設(shè)備。還應(yīng)當(dāng)理解的是，在某些實(shí)施例中，所述設(shè)備并非便攜式通信設(shè)備，而是具有觸摸敏感表面(例如，觸摸屏顯示器和/或觸摸板)的臺(tái)式計(jì)算機(jī)。

在接下來的討論中，描述了包括顯示器和觸摸敏感表面的終端。然而，應(yīng)當(dāng)理解的是，終端可以包括諸如物理鍵盤、鼠標(biāo)和/或控制桿的一個(gè)或多個(gè)其它物理用戶接口設(shè)備。

終端支持各種應(yīng)用程序，例如以下中的一個(gè)或多個(gè)：繪圖應(yīng)用程序、演示應(yīng)用程序、文字處理應(yīng)用程序、網(wǎng)站創(chuàng)建應(yīng)用程序、盤刻錄應(yīng)用程序、電子表格應(yīng)用程序、游戲應(yīng)用程序、電話應(yīng)用程序、視頻會(huì)議應(yīng)用程序、電子郵件應(yīng)用程序、即時(shí)消息收發(fā)應(yīng)用程序、鍛煉支持應(yīng)用程序、照片管理應(yīng)用程序、數(shù)碼相機(jī)應(yīng)用程序、數(shù)字?jǐn)z影機(jī)應(yīng)用程序、web瀏覽應(yīng)用程序、數(shù)字音樂播放器應(yīng)用程序和/或數(shù)字視頻播放器應(yīng)用程序。

可以在終端上執(zhí)行的各種應(yīng)用程序可以使用諸如觸摸敏感表面的至少一個(gè)公共物理用戶接口設(shè)備?？梢栽趹?yīng)用程序之間和/或相應(yīng)應(yīng)用程序內(nèi)調(diào)整和/或改變觸摸敏感表面的一個(gè)或多個(gè)功能以及終端上顯示的相應(yīng)信息。這樣，終端的公共物理架構(gòu)(例如，觸摸敏感表面)可以支持具有對(duì)用戶而言直觀且透明的用戶界面的各種應(yīng)用程序。

請(qǐng)參考圖1，是本發(fā)明第一實(shí)施例提供的圖像美顏方法的流程示意圖，如圖所示，該方法可以包括以下步驟：

s101，獲取當(dāng)前圖像。

用戶可以通過觸控或者語(yǔ)音的方式向終端發(fā)送開啟拍照應(yīng)用的指令，終端在接收到用戶發(fā)送的開啟拍照應(yīng)用指令的時(shí)，可以開啟拍照應(yīng)用以獲取初始圖像。其中，該初始圖像以緩存的形式存儲(chǔ)在終端中。該初始圖像可以是yuv格式的，也可以是rgb格式的。若該初始圖像是yuv格式的，可提取y通道圖像及v通道圖像以作為當(dāng)前圖像。

s102，對(duì)當(dāng)前圖像進(jìn)行處理，得到人臉關(guān)鍵點(diǎn)。

終端可以先采用人臉檢測(cè)方法對(duì)當(dāng)前圖像進(jìn)行人臉檢測(cè)以得到待測(cè)人臉圖像，再提取該待測(cè)人臉圖像的五官區(qū)域信息和人臉膚色邊緣信息，并根據(jù)五官區(qū)域信息和人臉膚色邊緣信息優(yōu)化初始形狀，最后根據(jù)優(yōu)化后的初始形狀檢測(cè)當(dāng)前圖像的人臉關(guān)鍵點(diǎn)。該部分的詳細(xì)過程將在下一實(shí)施例中詳述，在此不再贅述。

s103，根據(jù)人臉關(guān)鍵點(diǎn)對(duì)當(dāng)前圖像進(jìn)行美顏處理，得到目標(biāo)圖像。

人臉關(guān)鍵點(diǎn)包括眼睛、鼻尖、嘴角、眉毛以及面部輪廓等。終端檢測(cè)出該人臉關(guān)鍵點(diǎn)后，可對(duì)當(dāng)前圖像中除上述人臉關(guān)鍵點(diǎn)以外的區(qū)域進(jìn)行美白及磨皮等美顏處理，得到用戶想要的圖像，即目標(biāo)圖像。

本發(fā)明實(shí)施例，先獲取當(dāng)前圖像，并對(duì)當(dāng)前圖像進(jìn)行處理，得到人臉關(guān)鍵點(diǎn)，再根據(jù)人臉關(guān)鍵點(diǎn)對(duì)當(dāng)前圖像進(jìn)行美顏處理，得到目標(biāo)圖像。由于先檢測(cè)出人臉關(guān)鍵點(diǎn)，因此在對(duì)當(dāng)前圖像進(jìn)行美顏處理時(shí)，可僅對(duì)人臉關(guān)鍵點(diǎn)以外的區(qū)域進(jìn)行美白及磨皮處理，從而提高了美顏處理后圖像的清晰度，也提高了美顏效果。

參見圖2，是本發(fā)明第二實(shí)施例提供的一種圖像方法的流程示意圖，如圖所示，該方法可以包括以下步驟：

s201，獲取當(dāng)前圖像。

用戶可以通過觸控或者語(yǔ)音的方式向終端發(fā)送開啟拍照應(yīng)用的指令，終端在接收到用戶發(fā)送的開啟拍照應(yīng)用指令的時(shí)，可以開啟拍照應(yīng)用以獲取初始圖像。該初始圖像可以是yuv格式的，也可以是rgb格式的。若該初始圖像是yuv格式的，可提取y通道圖像及v通道圖像以作為當(dāng)前圖像。

s202，對(duì)當(dāng)前圖像進(jìn)行人臉檢測(cè)以檢測(cè)出待測(cè)人臉圖像。

請(qǐng)參考圖3，步驟s202可以包括以下步驟：

s2021，訓(xùn)練強(qiáng)分類器。

作為一種可選的實(shí)施方式，訓(xùn)練強(qiáng)分類器的具體過程如下：

(1)選定訓(xùn)練樣本t＝{(x1，y1)，(x2，y2)…(xi，yi)…(xn，yn)}，并將該訓(xùn)練樣本存儲(chǔ)于指定位置，如樣本數(shù)據(jù)庫(kù)中。其中xi表示第i個(gè)樣本，yi＝0時(shí)表示其為負(fù)樣本(非人臉)，yi＝1時(shí)表示其為正樣本(人臉)。n為訓(xùn)練樣本數(shù)量。x1表示第1個(gè)樣本，y1表示第1個(gè)樣本的值，當(dāng)y1＝0時(shí)表示其為負(fù)樣本(非人臉)，y1＝1時(shí)表示其為正樣本(人臉)；x2表示第2個(gè)樣本，y2表示第2個(gè)樣本的值，當(dāng)y2＝0時(shí)表示其為負(fù)樣本(非人臉)，y2＝1時(shí)表示其為正樣本(人臉)；xn表示第n個(gè)樣本，yn表示第n個(gè)樣本的值，當(dāng)yn＝0時(shí)表示其為負(fù)樣本(非人臉)，yn＝1時(shí)表示其為正樣本(人臉)。

(2)初始化訓(xùn)練樣本的權(quán)值分布d1，即給每個(gè)訓(xùn)練樣本設(shè)置相同的權(quán)值，可以表示為：

d1＝(w11，w12…w1i…w1n)，w1i＝1/n，i＝1，2…n

其中，w11表示第1個(gè)樣本所對(duì)應(yīng)的權(quán)值，w12表示第2個(gè)樣本所對(duì)應(yīng)的權(quán)值，w1i表示第i個(gè)樣本所對(duì)應(yīng)的權(quán)值，w1n表示第n個(gè)樣本所對(duì)應(yīng)的權(quán)值。

(3)設(shè)置迭代次數(shù)t，t＝1,2,...,n，n為自然數(shù)。

(4)歸一化權(quán)值：

其中，dt(i)為第t次循環(huán)中第i個(gè)樣本的權(quán)值，qt(i)為第t次循環(huán)中第i個(gè)樣本的歸一化權(quán)值。

(5)對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)以得到多個(gè)弱分類器，并計(jì)算每一弱分類器在訓(xùn)練樣本上的分類誤差率：使用具有權(quán)值分布dt的訓(xùn)練樣本學(xué)習(xí)得到弱分類器h(xi，fi，pi，θi)，計(jì)算弱分類器的分類錯(cuò)誤率εt：

其中，一個(gè)弱分類器h(xi，fi，pi，θi)是由特征fi，閾值θi，以及偏置位置pi組成：

另外，xi為一個(gè)訓(xùn)練樣本，特征fi與弱分類器hi(xi，fi，pi，θi)具有一一對(duì)應(yīng)的關(guān)系，偏置位pi的作用是控制不等式的方向，使得不等式符號(hào)都是小于等于號(hào)，訓(xùn)練一個(gè)弱分類器的就是找到最優(yōu)閾值值θi的過程。

(6)從(5)中確定的弱分類器中，找出一個(gè)具有最小的分類錯(cuò)誤率εt(i)的弱分類器ht。

(7)根據(jù)分類誤差率計(jì)算弱分類器的系數(shù)βt：

βt＝εt/(1-εt)

其中，該系數(shù)表示每一弱分類器在強(qiáng)分類器中所占的權(quán)值，當(dāng)xi被正確地分類時(shí)，ei的值取0，當(dāng)被xi錯(cuò)誤地分類時(shí)，ei的值取1。并跟該系數(shù)對(duì)所有訓(xùn)練樣本的權(quán)值進(jìn)行更新：

(8)所有訓(xùn)練樣本的權(quán)值更新后，循環(huán)執(zhí)行步驟(4)到(7)，直到迭代n次后，結(jié)束迭代，得到強(qiáng)分類器h(x)：

其中，αt＝log(1/βt)。

根據(jù)上述方法所得到的強(qiáng)分類器可以如圖4所示。在該圖中，該強(qiáng)分類器由3個(gè)級(jí)聯(lián)的弱分類器組成。

s2022，按照預(yù)設(shè)縮小比例對(duì)當(dāng)前圖像進(jìn)行縮小以得到第一檢測(cè)圖像。

需要說明的是，終端可以按照預(yù)設(shè)縮小比例對(duì)該當(dāng)前圖像進(jìn)行縮小以得到第一檢測(cè)圖像，以便提高檢測(cè)人臉圖像的效率。例如，終端處理一張1300萬像素的圖像，需要20ms，如果將該1300萬像素的圖像縮小10倍，相應(yīng)的處理時(shí)間也會(huì)縮小。其中，預(yù)設(shè)放大比例可以根據(jù)終端處理圖像的性能決定。

s2023，將該第一檢測(cè)圖像進(jìn)行多次劃分以得到多張第二檢測(cè)圖像，每張第二檢測(cè)圖像包括多個(gè)子窗口。

終端可以將該第一檢測(cè)圖像進(jìn)行多次劃分以得到多張第二檢測(cè)圖像，每張?jiān)摰诙z測(cè)圖像包括多個(gè)子窗口，其中每次劃分的子窗口的個(gè)數(shù)越多，計(jì)算得出的haar特征值也越多，檢測(cè)到的人臉圖像更加準(zhǔn)確，但是每次劃分的子窗口越多，計(jì)算haar特征值的時(shí)間也會(huì)相應(yīng)增加，另外，子窗口的最大數(shù)量不能超過強(qiáng)分類器檢測(cè)的最大子窗口數(shù)量，所以劃分的子窗口的數(shù)量可以根據(jù)檢測(cè)人臉圖像的準(zhǔn)確性、計(jì)算haar特征值的時(shí)間、強(qiáng)分類器子窗口的數(shù)量等因素綜合考慮。其中，haar特征值可以通過圖像的子窗口的像素值計(jì)算得出，并用于描述圖像的灰度變化。

舉例來說，終端初次可以將第一檢測(cè)圖像劃分為20*20個(gè)子窗口，然后可以按照等比例擴(kuò)大劃分子窗口的數(shù)量，如按照3倍的比例擴(kuò)大劃分子窗口的數(shù)量，即可以將該第一檢測(cè)圖像劃分為60*60個(gè)子窗口、180*180個(gè)子窗口或540*540個(gè)子窗口等。

s2024，根據(jù)積分圖計(jì)算每張第二檢測(cè)圖像中每個(gè)子窗口的haar特征值。

由于計(jì)算haar特征值需要已知每個(gè)子窗口的像素值，每個(gè)子窗口的像素值可以根據(jù)子窗口的端點(diǎn)處的積分圖計(jì)算出，所以可以根據(jù)積分圖計(jì)算每張第二檢測(cè)圖像的haar特征值。

作為一種可選的實(shí)施方式，上述根據(jù)積分圖計(jì)算每個(gè)子窗口的haar特征值，可以包括：根據(jù)該積分圖計(jì)算該每個(gè)子窗口對(duì)應(yīng)的像素值；根據(jù)該每個(gè)子窗口的像素值計(jì)算該每個(gè)子窗口的haar特征值。

需要說明的是，當(dāng)前圖像中的任意一點(diǎn)的積分圖是指從圖像的左上角到這點(diǎn)所構(gòu)成的矩形區(qū)域內(nèi)所有點(diǎn)的像素值值之和，同理對(duì)于具有多個(gè)子窗口第二檢測(cè)圖像中，每個(gè)子窗口端點(diǎn)處的積分圖為該端點(diǎn)到該圖像左上角所包含的所有子窗口的像素值之和。所以在計(jì)算出各個(gè)子窗口端點(diǎn)處的積分圖的情況下，可以根據(jù)積分圖計(jì)算各個(gè)子窗口的像素值，并可以根據(jù)每個(gè)子窗口的像素值計(jì)算各子窗口的haar特征值。

進(jìn)一步，在計(jì)算haar特征值時(shí)，首先需要選擇合適的特征模版，特征模版是由兩個(gè)或多個(gè)的矩形組合而成，特征模板內(nèi)有黑色和白色兩種矩形，其中常見的特征模版如圖5所示。其中每種特征模版僅對(duì)應(yīng)一種特征，但每種特征可以對(duì)應(yīng)多種特征模版，常見的特征有邊緣特征、線性特征、點(diǎn)特征、對(duì)角特征，然后將特征模版按照預(yù)設(shè)規(guī)則放置在灰度圖像對(duì)應(yīng)的子窗口中，計(jì)算該特征模版放置區(qū)域?qū)?yīng)的haar特征值，該haar特征值由特征模版中白色矩形區(qū)域的像素和減去黑色矩形區(qū)域的像素和計(jì)算得出。其中，預(yù)設(shè)規(guī)則包括設(shè)置特征模版的大小、特征模版在子窗口中放置的位置，預(yù)設(shè)規(guī)則根據(jù)灰度圖像劃分的子窗口的數(shù)量決定。

其中，在選定特征模版的情況下，由于特征模版的大小不同，且在每張第二檢測(cè)圖像的的子窗口中放置的位置不同，所以對(duì)于一個(gè)特征模版，每張第二檢測(cè)圖像中對(duì)應(yīng)有多個(gè)haar特征，同時(shí)可以選擇多個(gè)特征模版來計(jì)算每張第二檢測(cè)圖像的haar特征，另外，該每張第二檢測(cè)圖像的劃分的子窗口的數(shù)量不一樣，所以每張第二檢測(cè)圖像的haar特征值的數(shù)量不一樣。

舉例來說，終端可以將灰度圖像縮小1000倍，并將該縮小后的灰度圖像劃分為20*20個(gè)子窗口，根據(jù)積分圖計(jì)算各個(gè)子窗口的像素值，其步驟包括：

1、計(jì)算各個(gè)子窗口端點(diǎn)處的積分圖，這里以計(jì)算如圖6中的子窗口d的端點(diǎn)(i,j)處的積分圖為例，端點(diǎn)(i,j)的積分圖為該點(diǎn)到灰度圖像左上角所包括的各子窗口的像素之和，可表示為：

integral(i,j)＝子窗口d的像素值+子窗口c的像素值+子窗口b的像素值+子窗口a的像素值；

因?yàn)閕ntegral(i-1,j-1)＝子窗口a的像素值；

integral(i-1,j)＝子窗口a的像素值+子窗口c的像素值；

integral(i,j-1)＝子窗口b的像素值+子窗口a的像素值；

所以，integral(i,j)進(jìn)一步可以表示為：

integral(i,j)＝integral(i,j-1)+integral(i-1,j)-integral(i-1,j-1)+子窗口d的像素值；

其中，integral(,)表示某點(diǎn)的積分圖，進(jìn)過觀察發(fā)現(xiàn)(i,j)點(diǎn)的積分圖可以通過(i,j-1)點(diǎn)的積分圖integral(i,j-1)加上第j列的像素和columnsum(j)獲得，即(i,j)點(diǎn)的積分圖可以表示為：

integral(i,j)＝integral(i,j-1)+columnsum(j)；

其中，columnsum(0)＝0，integral(0,j)＝0，所以對(duì)于20*20的子窗口，灰度圖像上所有子窗口端點(diǎn)處的積分圖可以通過19+19+2*19*19＝760次迭代求得。

2、根據(jù)各子窗口端點(diǎn)處的積分圖計(jì)算各個(gè)子窗口的像素值，這里以計(jì)算子窗口d的像素值為例，由步驟1可知子窗口d的像素值可以由端點(diǎn)(i,j)、(i,j-1)，(i-1,j)及(i-1,j-1)處的積分圖計(jì)算得出，即子窗口d的像素值可表示為：

子窗口d的像素值＝integral(i,j)+integral(i-1,j-1)-integral(i-1,j)-integral(i,j-1)；

根據(jù)上式可知，只要已知各個(gè)子窗口端點(diǎn)處的積分圖，就可以計(jì)算出各個(gè)子窗口的像素值。

進(jìn)一步，在獲得各個(gè)子窗口的像素值以后，可以根據(jù)各個(gè)窗口的像素值計(jì)算haar特征值，其中選擇不同的特征模版，放置的位置不同，且特征模版的尺寸不同，對(duì)應(yīng)的haar特征值不同，選擇圖5中的以邊緣特征對(duì)應(yīng)的特征模板為例，如圖7所示，該特征模版對(duì)應(yīng)區(qū)域的haar特征值可以由子窗口a的像素值減去子窗口b的像素值。

s2025，根據(jù)強(qiáng)分類器及每張第二檢測(cè)圖像得到的haar特征值檢測(cè)出多張第一人臉圖像。

在計(jì)算出每張第二檢測(cè)圖像中各個(gè)子窗口的haar特征值后，終端可以根據(jù)強(qiáng)分類器及每張?jiān)摰诙z測(cè)圖像得到的haar特征值檢測(cè)出多張第一人臉圖像，也就是說根據(jù)一張第二檢測(cè)圖像的haar特征值及強(qiáng)分類器可以檢測(cè)出一張第一人臉圖像。具體的，強(qiáng)分類器可以由若干個(gè)弱分類器組成，將每張第二檢測(cè)圖像的子窗口的haar特征值輸入到強(qiáng)分類器中，逐級(jí)通過各個(gè)弱分類器，相當(dāng)于弱分類器判斷haar特征值是否滿足對(duì)應(yīng)的預(yù)設(shè)人臉特征條件，若滿足，則允許該haar特征值通過，若不滿足，則不允許該haar特征值通過。如果有一級(jí)未通過，則該haar特征值對(duì)應(yīng)的子窗口將被拒絕，并分類為非人臉，每一級(jí)都能夠通過，則對(duì)該haar特征值進(jìn)一步處理以找出該haar特征值對(duì)應(yīng)的子窗口，并將該haar特征值對(duì)應(yīng)的子窗口分類為人臉，對(duì)每張第二檢測(cè)圖像中分類為人臉的子窗口進(jìn)行合并，以得到每張第二檢測(cè)圖像對(duì)應(yīng)的第一人臉圖像(例如，將子窗口數(shù)量為20*20的第二檢測(cè)圖像中檢測(cè)出的人臉子窗口進(jìn)行合并得到一張對(duì)應(yīng)的第一人臉圖像)。本實(shí)施例中所描述的根據(jù)強(qiáng)分類器及每張?jiān)摰诙z測(cè)圖像得到的haar特征值檢測(cè)出多張第一人臉圖像的方法的步驟比較簡(jiǎn)單，從而降低人臉圖像檢測(cè)的復(fù)雜度，且該強(qiáng)分類器可以是由多個(gè)弱分類器組成，所以提高了人臉檢測(cè)的準(zhǔn)確率。

舉例來說，如圖4所示，該強(qiáng)分類器是由3個(gè)級(jí)聯(lián)的弱分類器組成，將子窗口數(shù)量為24*24的第二檢測(cè)圖像的各個(gè)子窗口的haar特征值依次輸入到3個(gè)弱分類器中，每個(gè)弱分類器判斷該haar特征值是否滿足對(duì)應(yīng)的預(yù)設(shè)人臉特征條件，若滿足，則允許該haar特征值通過，若不滿足，則不允許該haar特征值通過。如果有一級(jí)未通過，則該haar特征值對(duì)應(yīng)的子窗口將被拒絕，并分類為非人臉，每一級(jí)都能夠通過，則對(duì)該haar特征值進(jìn)一步處理以找出該haar特征值對(duì)應(yīng)的子窗口，并將該haar特征值對(duì)應(yīng)的子窗口分類為人臉，將子窗口數(shù)量為24*24的第二檢測(cè)圖像中分類為人臉的子窗口進(jìn)行合并，以得子窗口數(shù)量為24*24的第二檢測(cè)圖像對(duì)應(yīng)的第一人臉圖像。同理可以根據(jù)以上步驟計(jì)算子窗口數(shù)量為36*36的第二檢測(cè)圖像對(duì)應(yīng)的第一人臉圖像。

s2026，將該多張第一人臉圖像進(jìn)行合并得到待測(cè)人臉圖像。

將該多張第一人臉圖像進(jìn)行合并得到該待測(cè)人臉圖像，也就是說對(duì)不同子窗口數(shù)量的第二檢測(cè)圖像得到的多張人臉圖像進(jìn)行合并得到該待測(cè)人臉圖像。具體的，將不同的第一人臉圖像進(jìn)行對(duì)比，若某兩張第一人臉圖像重疊面積大于預(yù)設(shè)閾值，則認(rèn)為這兩張第一人臉圖像表示同一人臉，對(duì)這兩張第一人臉進(jìn)行合并，即將這兩張第一人臉的位置和大小的平均值作為合并后得到的人臉位置和大?。蝗绻硟蓮埖谝蝗四槇D像重疊面積小于預(yù)設(shè)閾值，則認(rèn)為該兩張第一人臉圖像表示兩個(gè)不同的人臉，將該兩張人臉圖像合并成一張圖像，該圖像具有兩個(gè)人臉區(qū)域，經(jīng)過多次對(duì)比及合并操作可以得到待測(cè)人臉圖像。其中，所檢測(cè)出的人臉圖像如圖8所示。

s203，對(duì)該待測(cè)人臉圖像進(jìn)行五官檢測(cè)，得到五官區(qū)域信息。

需要說明的是，步驟s203中是對(duì)y通道的待測(cè)人臉圖像進(jìn)行五官檢測(cè)，以得到五官區(qū)域信息。

進(jìn)一步地，步驟s203具體包括：

(1)按照預(yù)設(shè)縮小比例對(duì)待測(cè)人臉圖像進(jìn)行縮小以得到第一處理圖像；

(2)將第一處理圖像進(jìn)行多次劃分以得到多張第二處理圖像，每張第二處理圖像包括多個(gè)子窗口；

(3)根據(jù)積分圖計(jì)算每張第二處理圖像中每個(gè)子窗口的haar特征值；

(4)根據(jù)強(qiáng)分類器及每張第二處理圖像得到的haar特征值檢測(cè)出五官區(qū)域信息。

舉例來說，第二處理圖像的各個(gè)子窗口的haar特征值依次輸入到3個(gè)弱分類器所構(gòu)成的強(qiáng)分類器中，該強(qiáng)分類器的輸出結(jié)果就是人眼、鼻子、嘴巴等五官區(qū)域信息。

需要說明的是，步驟(1)至(3)的具體過程請(qǐng)參考步驟s2022至s2024，在此不再贅述。且，采用步驟(1)至(4)檢測(cè)五官區(qū)域信息，由于強(qiáng)分類器可以是由多個(gè)弱分類器組成，因此提高了檢測(cè)的準(zhǔn)確率。

s204，對(duì)待測(cè)人臉圖像進(jìn)行膚色檢測(cè)，得到人臉膚色邊緣信息。

需要說明的是，步驟s204是對(duì)v通道的待測(cè)人臉圖像進(jìn)行膚色檢測(cè)，以得到人臉膚色邊緣信息。

進(jìn)一步地，如圖9所示，步驟s204可以包括：

s2041，對(duì)待測(cè)人臉圖像進(jìn)行提取處理，得到第一區(qū)域。

第一區(qū)域即待測(cè)人臉圖像的中心區(qū)域rc。以如圖8所示的待測(cè)人臉圖像為例，假設(shè)人臉檢測(cè)初始坐標(biāo)表示為{x,y,w,h}，其中x表示待測(cè)人臉圖像左上角的橫坐標(biāo)，y表示待測(cè)人臉圖像左上角的縱坐標(biāo)，w表示待測(cè)人臉圖像的寬，h表示待測(cè)人臉圖像的高。采用公式(4)計(jì)算待測(cè)人臉圖像的中心區(qū)域rc：

rc＝{x+d*w,y+d*h,(1-2*d)*w,(1-2*d)*h}(4)

其中，d為尺度參數(shù)，取值范圍為0—0.5。

所得到的中心區(qū)域如圖10所示，本實(shí)施例中，限定該中心區(qū)域內(nèi)全為膚色。

s2042，對(duì)待測(cè)人臉圖像進(jìn)行擴(kuò)大及移動(dòng)處理，得到第二區(qū)域。

第二區(qū)域即經(jīng)擴(kuò)大及移動(dòng)處理后的待測(cè)人臉圖像所在的區(qū)域ro。采用公式(5)對(duì)圖8所示的待測(cè)人臉圖像按比例進(jìn)行擴(kuò)大及移動(dòng)處理，得到第二區(qū)域ro：

ro＝{x,y-d*h,w,(1+d)*h}；(5)

所得到的第二區(qū)域如圖11所示，本實(shí)施例中，第二區(qū)域包括膚色區(qū)域和非膚色區(qū)域(如毛發(fā)、背景等等)。

舉例來說，先將如圖8所示的待測(cè)人臉圖像進(jìn)行擴(kuò)大處理，再將左上角的橫坐標(biāo)向左上角方向移動(dòng)，便可得到如圖11所示的第二區(qū)域。對(duì)比圖8及圖11可以看出，圖11中的圖像比圖8中的圖像多了更多的毛發(fā)區(qū)域及背景區(qū)域。需要說明的是，對(duì)圖8所示待測(cè)人臉圖像進(jìn)行擴(kuò)大處理的目的是為了提高膚色檢測(cè)的準(zhǔn)確性。

s2043，計(jì)算第一區(qū)域在色差通道的最大色差值及最小色差值。

采用公式(6)計(jì)算第一區(qū)域rc在色差(cr)通道的最大色差值rc-max，采用公式(7)計(jì)算第一區(qū)域rc在色差(cr)通道的最小色差值rc-min：

s2044，對(duì)第二區(qū)域進(jìn)行聚類，計(jì)算第二區(qū)域的原始分割閾值。

作為一種可選的實(shí)施方式，本實(shí)施例中采用大津法(又稱為最大類間方差法)來對(duì)第二區(qū)域進(jìn)行聚類，以計(jì)算第二區(qū)域的原始分割閾值。其中，先對(duì)大津法做如下說明：大津法是一種確定圖像二值化分割閾值的算法。對(duì)于圖像i(x,y)，前景(即目標(biāo))和背景的分割閾值記作g，屬于前景的像素點(diǎn)數(shù)占整幅圖像的比例記為ω0，其平均灰度μ0；背景像素點(diǎn)數(shù)占整幅圖像的比例為ω1，其平均灰度為μ1。圖像的總平均灰度記為μ，類間方差記為g。

假設(shè)圖像的背景較暗，并且圖像的大小為m×n，圖像中像素的灰度值小于閾值g的像素個(gè)數(shù)記作n0，像素灰度大于閾值g的像素個(gè)數(shù)記作n1，則分類閾值g＝ω0ω1(μ0-μ1)2。

采用大津法對(duì)如圖12所示的、第二區(qū)域ro進(jìn)行聚類，可得到第二區(qū)域ro的原始分割閾值g0。

s2045，根據(jù)最大色差值、最小色差值及原始分割閾值得到分類閾值區(qū)間。

該分類閾值區(qū)間用于檢測(cè)待測(cè)人臉圖像的膚色區(qū)域及非膚色區(qū)域。

該步驟分為兩種情況：

第一種，若原始分割閾值go＜{rc-min,rc-max}，則確定出目標(biāo)分割閾值的最小值gmin＝go，最大值gmax＝rc-max+λ*d，其中，d∝(rc-min,go)，λ表示正相關(guān)于，d表示正相關(guān)于閾值g和色差值r之差。因此，所確定的分類閾值區(qū)間為[gmin，gmax]，即[g0，rc-max+λ*d]。

第二種，若原始分割閾值go＞{rc-min,rc-max}，則確定出目標(biāo)分割閾值的最小值gmin＝rc-min+λ*d，最大值gmax＝go，其中，d∝(rc-min,go)。因此，所確定的分類閾值區(qū)間為[gmin，gmax]，即[rc-min+λ*d，g0]。舉例來說，假如原始分割閾值是150，第一區(qū)域rc的最大色差值為140，最小色差值為120，則得到的分類閾值區(qū)間為(150，120+λ*d)。

s2046，根據(jù)分類閾值區(qū)間遍歷待測(cè)人臉圖像，以得到待測(cè)人臉圖像的膚色區(qū)域及非膚色區(qū)域，從而可以得到待測(cè)人臉圖像的人臉膚色邊緣信息。

若得到的分類閾值區(qū)間為(110，150)，利用該分類閾值區(qū)間對(duì)待測(cè)人臉圖像進(jìn)行遍歷，便可得到待測(cè)人臉圖像中的膚色區(qū)域及非膚色區(qū)域。如圖12所示，膚色檢測(cè)效果如圖所示，圖中的區(qū)域1為膚色區(qū)域，區(qū)域2為非膚色區(qū)域。

需要說明的是，本發(fā)明實(shí)施例中所描述的膚色檢測(cè)過程中，當(dāng)前圖像看作是圖像序列中的一幀圖像，基于每一幀圖像，計(jì)算該幀圖像的第一區(qū)域(即中心區(qū)域)，相當(dāng)于在每一幀圖像上提取一小樣本，根據(jù)該小樣本的最大色差值、最小色差值以及大津法可確定出每一幀圖像的分類閾值區(qū)間，最后根據(jù)分類閾值區(qū)間確定出每一幀圖像的膚色區(qū)域及非膚色區(qū)域。與現(xiàn)有技術(shù)相比，該膚色檢測(cè)過程有如下優(yōu)點(diǎn)：

(1)傳統(tǒng)基于先驗(yàn)信息的膚色檢測(cè)方法，通常是給定一區(qū)域，基于該區(qū)域?qū)D像進(jìn)行膚色檢測(cè)。該區(qū)域即事先所確定的用于膚色檢測(cè)的先驗(yàn)信息。該方法準(zhǔn)確性低下，尤其是在受光照或不同膚色人群本身影響時(shí)。而本實(shí)施例中的檢測(cè)方法，是針對(duì)當(dāng)幀圖像進(jìn)行樣本提取以及分類閾值區(qū)間的確定，從而在當(dāng)幀圖像完成膚色檢測(cè)，該方法具有實(shí)時(shí)性和動(dòng)態(tài)性，且不受光照或不同膚色人群本身的影響，準(zhǔn)確性較高；

(2)傳統(tǒng)基于模式識(shí)別的膚色檢測(cè)方法，通常是對(duì)多個(gè)膚色樣本及非膚色樣本進(jìn)行處理，運(yùn)算復(fù)雜度高，檢測(cè)效率低下，且該方法仍然受光照或不同膚色人群本身的影響較大。而本實(shí)施例中的檢測(cè)方法，是針對(duì)當(dāng)幀圖像進(jìn)行樣本提取以及分類閾值區(qū)間的確定，從而在當(dāng)幀圖像完成膚色檢測(cè)，不需要事先對(duì)多個(gè)樣本進(jìn)行處理，從而降低了運(yùn)算復(fù)雜度，提高了檢測(cè)效率。且該方法在當(dāng)幀圖像完成膚色檢測(cè)，不受其它幀圖像的影響，從而提高了檢測(cè)的準(zhǔn)確性。

s205，根據(jù)五官區(qū)域信息和人臉膚色邊緣信息優(yōu)化初始形狀。

為了更好地描述步驟s206，先對(duì)其中所涉及的相關(guān)技術(shù)做如下介紹：

(1)級(jí)聯(lián)線性回歸模型

面部特征點(diǎn)檢測(cè)(定位)問題可以看作是學(xué)習(xí)一個(gè)回歸函數(shù)f，以圖象i作為輸入，輸出θ為特征點(diǎn)的位置(人臉形狀)：θ＝f(i)

簡(jiǎn)單的說，級(jí)聯(lián)回歸模型可以統(tǒng)一為以下框架：學(xué)習(xí)多個(gè)回歸函數(shù){f1,…,fn-1,fn}來逼近函數(shù)f：

θ＝f(i)＝fn(fn-1(…f1(θ0,i),i),i)

θi＝fi(θi-1,i),i＝1,…,n

所謂的級(jí)聯(lián)，即當(dāng)前函數(shù)fi的輸入依賴于上一級(jí)函數(shù)fi-1的輸出θi-1，而每一個(gè)fi的學(xué)習(xí)目標(biāo)都是逼近特征點(diǎn)的真實(shí)位置θ，θ0為初始形狀。通常情況，fi不是直接回歸真實(shí)位置θ，而是回歸當(dāng)前形狀θi-1與真實(shí)位置θ之間的差：δθi＝θ-θi-1。

(2)級(jí)聯(lián)形狀回歸模型(cascadedposeregression，cpr)

基于上述思想，產(chǎn)生了級(jí)聯(lián)形狀回歸模型。該模型的基本思想是：給定初始形狀θ0(通常為平均形狀)，根據(jù)該初始形狀θ0提取特征(即兩個(gè)像素點(diǎn)的差值)作為函數(shù)f1的輸入。針對(duì)每個(gè)函數(shù)fi建模成randomfern回歸器，來預(yù)測(cè)當(dāng)前形狀θi-1與目標(biāo)形狀θ的差δθi，并根據(jù)δθi預(yù)測(cè)結(jié)果更新當(dāng)前形狀得θi＝θi-1+δθi，作為下一級(jí)函數(shù)fi+1的輸入。該方法的不足之處在于對(duì)初始化形狀θ0比較敏感，使用不同的初始化做多次測(cè)試并融合多次預(yù)測(cè)結(jié)果可以一定程度上緩解初始化對(duì)于算法的影響，但并不能完全解決該問題，且多次測(cè)試會(huì)帶來額外的運(yùn)算開銷。因此，可以看出，初始形狀θ0將直接影響人臉關(guān)鍵點(diǎn)檢測(cè)的準(zhǔn)確性。

(3)局部二值特征級(jí)聯(lián)模型

基于上述思想，產(chǎn)生了基于局部二值特征(localbinaryfeature，lbf)的級(jí)聯(lián)模型。該級(jí)聯(lián)模型的思想如下：

s^d＝s^d-1+r^d(i,s^d-1)

其中，s^d就表示了絕對(duì)形狀，r^d表示一個(gè)回歸器，i表示圖像，r^d表示根據(jù)圖像和形狀的位置信息預(yù)測(cè)出一個(gè)形變，并將它加到當(dāng)前形狀上以組成一個(gè)新形狀，d表示級(jí)聯(lián)層數(shù)。

同樣地，在基于該模型的算法中，初始形狀(本實(shí)施例中用s0表示)仍然直接影響人臉關(guān)鍵點(diǎn)檢測(cè)的準(zhǔn)確性?；诖耍緦?shí)施例中將檢測(cè)到的五官區(qū)域和人臉邊緣區(qū)域?qū)Τ跏夹螤顂0賦值。

具體地，如圖13所示，從該圖中對(duì)人臉初始形狀s0的特征點(diǎn)可以總結(jié)如下：(1)左眼特征點(diǎn)為37-42，左側(cè)眼角為37，右側(cè)眼角為40；(2)右眼特征點(diǎn)為43-48，左側(cè)眼角為43，右側(cè)眼角為46；(3)鼻尖特征點(diǎn)為32-36，中間點(diǎn)為34；(4)嘴角特征點(diǎn)為49-68，其中左側(cè)嘴外角49，左側(cè)嘴內(nèi)角為61，右側(cè)嘴外角為55，右側(cè)嘴內(nèi)角為65；(5)人臉的膚色邊緣點(diǎn)為1-17。

針對(duì)這一特定現(xiàn)象，采用如下公式，將檢測(cè)到五官區(qū)域信息和人臉膚色邊緣信息賦值給這些特征點(diǎn)：

pf＝r(rectf)+tf

其中pf為上述相關(guān)五官的特征點(diǎn)，r(rectf)為關(guān)鍵點(diǎn)與檢測(cè)的rect之間的關(guān)系，tf為相關(guān)的閾值。

通過上述的關(guān)系束縛后，可以更加有效地確定初始形狀s0，實(shí)現(xiàn)了對(duì)初始形狀s0的優(yōu)化，從而使得檢測(cè)更加精準(zhǔn)和快捷。

需要說明的是，初始形狀指的級(jí)聯(lián)形狀回歸模型中，用于檢測(cè)人臉關(guān)鍵點(diǎn)的原始人臉形狀。該初始形狀通常為根據(jù)多個(gè)人臉樣本所得到的、多個(gè)人臉樣本的平均形狀，利用平均形狀進(jìn)行人臉關(guān)鍵點(diǎn)檢測(cè)的準(zhǔn)確性較低。因此，本發(fā)明實(shí)施例中，先對(duì)待測(cè)人臉圖像進(jìn)行五官區(qū)域信息及人臉邊緣區(qū)域信息等的檢測(cè)，再將所得到的五官區(qū)域信息及人臉邊緣區(qū)域信息賦值給初始形狀，以實(shí)現(xiàn)對(duì)初始形狀的優(yōu)化，從而提高人臉關(guān)鍵點(diǎn)檢測(cè)的準(zhǔn)確性。

s206，根據(jù)優(yōu)化后的初始形狀及隨機(jī)森林得到目標(biāo)局部二值特征。

s207，根據(jù)目標(biāo)局部二值特征進(jìn)行全局線性回歸訓(xùn)練以預(yù)測(cè)形狀增量。

s208，根據(jù)形狀增量得到人臉關(guān)鍵點(diǎn)。

需要說明的是，鑒于前述對(duì)基于lbf級(jí)聯(lián)模型的描述，該方法中針對(duì)每個(gè)人臉關(guān)鍵點(diǎn)給出一個(gè)隨機(jī)森林進(jìn)行預(yù)測(cè)，并將所有人臉關(guān)鍵點(diǎn)對(duì)應(yīng)的隨機(jī)森林輸出的局部特征相互連接起來，構(gòu)成局部二值特征，之后，利用該局部二值特征進(jìn)行全局回歸，從而預(yù)測(cè)形變，即預(yù)測(cè)形狀增量，最后根據(jù)形狀增量得到人臉關(guān)鍵點(diǎn)。

進(jìn)一步地，每一隨機(jī)森林又包括多個(gè)相互獨(dú)立的隨機(jī)樹。訓(xùn)練隨機(jī)樹所采取的特征是形狀指數(shù)(shape-index)特征，該特征的定義為：在關(guān)鍵點(diǎn)附近產(chǎn)生兩個(gè)特征點(diǎn)，兩個(gè)特征點(diǎn)的像素之差就是shape-index特征。其中，shape-index特征的描述如圖所示。從圖14中可以看出，隨著級(jí)聯(lián)的深入(即t的增大)，隨機(jī)點(diǎn)的范圍逐漸變小，以期獲得更加準(zhǔn)確的局部特征。

具體地，在訓(xùn)練隨機(jī)樹時(shí)，輸入是x＝{i,s}，而預(yù)測(cè)目標(biāo)是y＝δs。實(shí)際在訓(xùn)練隨機(jī)樹時(shí)，樹中的每個(gè)節(jié)點(diǎn)的訓(xùn)練過程都是一樣的。具體地，在對(duì)某個(gè)節(jié)點(diǎn)(即人臉關(guān)鍵點(diǎn))進(jìn)行訓(xùn)練時(shí)，先從事先隨機(jī)生成的shape-index特征集合f中選取一個(gè)特征，該特征能夠?qū)⑺袠颖军c(diǎn)x映射成一個(gè)實(shí)數(shù)集合?？衫斫獾?，也可臨時(shí)隨機(jī)生成一個(gè)特征集合，或整棵隨機(jī)樹使用一個(gè)特征集合，或整個(gè)隨機(jī)森林使用一個(gè)特征集合。而在本實(shí)施例中，一棵隨機(jī)樹使用一個(gè)特征集合。之后，隨機(jī)生成一個(gè)閾值，將樣本點(diǎn)分配到左右子樹中，其目的是期望左右子樹中的樣本點(diǎn)y具有相同的模式。

其中，特征選取是可以采用如下公式：

δ＝s(y|y∈root)-[s(y|y∈left)+s(y|y∈right)]

在上述公式中，f表示特征函數(shù)集合，f表示選取到的特征函數(shù)(即利用隨機(jī)到的特征點(diǎn)計(jì)算shape-index特征)，δ表示隨機(jī)生成的閾值，s用來刻畫樣本點(diǎn)之間的相似度或者樣本集合的熵(可表示為方差)。針對(duì)每個(gè)節(jié)點(diǎn)，訓(xùn)練數(shù)據(jù)(x,y)將會(huì)被分成兩部分(x1,y1)和(x2,y2)，用了方差來刻畫，所以選擇特征函數(shù)f時(shí)，希望方差減小最大。

上述每一棵隨機(jī)樹的輸出可表示為一個(gè)局部二值特征(如圖15所示)，將隨機(jī)森林中所有隨機(jī)樹對(duì)應(yīng)的局部二值特征前后連接起來，便得到了目標(biāo)局部二值特征，即lbf特征。進(jìn)一步地，利用該目標(biāo)局部二值特征進(jìn)行全局線性回歸訓(xùn)練以預(yù)測(cè)形狀增量。其中，線性回歸可采用公式(8)進(jìn)行表示：

其中，δs形變目標(biāo)，lbf表示特征，wt是線性回歸的參數(shù)，λ用來抑制模型，防止出現(xiàn)過擬合。因此，預(yù)測(cè)形狀增量時(shí)，可采用下面的公式(9)：

δs＝wt.lbf(9)

結(jié)合上述描述，步驟s206至s208的具體過程如下：先根據(jù)優(yōu)化后初始形狀提取shape-index特征，基于該shape-index特征進(jìn)行隨機(jī)樹訓(xùn)練以得到隨機(jī)森林，之后，利用該隨機(jī)森林對(duì)待測(cè)人臉圖像中的每個(gè)關(guān)鍵點(diǎn)進(jìn)行預(yù)測(cè)，所得到的預(yù)測(cè)結(jié)果便構(gòu)成了目標(biāo)局部二值特征，再采用公式(8)和(9)進(jìn)行全局線性回歸訓(xùn)練以預(yù)測(cè)形狀增量，在得到形狀增量后，便可根據(jù)該形狀增量檢測(cè)出人臉關(guān)鍵點(diǎn)。

需要說明的是，步驟s201至s208實(shí)現(xiàn)了對(duì)當(dāng)前圖像的人臉關(guān)鍵點(diǎn)檢測(cè)。在上述人臉關(guān)鍵點(diǎn)檢測(cè)過程中，根據(jù)對(duì)當(dāng)前圖像進(jìn)行處理所得到的五官區(qū)域信息和人臉膚色邊緣信息優(yōu)化了初始形狀，從而確保了人臉關(guān)鍵點(diǎn)檢測(cè)的準(zhǔn)確性，同時(shí)減少了為了提高準(zhǔn)確性而進(jìn)行多次測(cè)試所帶來的運(yùn)算開銷，降低了運(yùn)算復(fù)雜度，確保了檢測(cè)的時(shí)效性。

s209，根據(jù)人臉關(guān)鍵點(diǎn)對(duì)當(dāng)前圖像進(jìn)行美顏處理，得到目標(biāo)圖像。

人臉關(guān)鍵點(diǎn)包括眼睛、鼻尖、嘴角、眉毛以及面部輪廓等。終端檢測(cè)出該人臉關(guān)鍵點(diǎn)后，可對(duì)當(dāng)前圖像中除上述人臉關(guān)鍵點(diǎn)以外的區(qū)域進(jìn)行美白及磨皮等美顏處理，得到用戶想要的圖像，即目標(biāo)圖像。

本發(fā)明實(shí)施例中，先獲取當(dāng)前圖像，并對(duì)當(dāng)前圖像進(jìn)行處理，得到人臉關(guān)鍵點(diǎn)，再根據(jù)人臉關(guān)鍵點(diǎn)對(duì)當(dāng)前圖像進(jìn)行美顏處理，得到目標(biāo)圖像。由于先檢測(cè)出人臉關(guān)鍵點(diǎn)，因此在對(duì)當(dāng)前圖像進(jìn)行美顏處理時(shí)，可僅對(duì)人臉關(guān)鍵點(diǎn)以外的區(qū)域進(jìn)行美白及磨皮處理，從而提高了美顏處理后圖像的清晰度，也提高了美顏效果。

參見圖16，圖16是本發(fā)明實(shí)施例提供的一種終端的結(jié)構(gòu)示意圖，如圖所示，該終端可以包括：

獲取單元10，用于獲取當(dāng)前圖像；

第一處理單元11，用于對(duì)當(dāng)前圖像進(jìn)行處理，得到人臉關(guān)鍵點(diǎn)；

第二處理單元12，用于根據(jù)人臉關(guān)鍵點(diǎn)對(duì)當(dāng)前圖像進(jìn)行美顏處理，得到目標(biāo)圖像。

本發(fā)明實(shí)施例中，先通過獲取單元10獲取當(dāng)前圖像，并通過第一處理單元11對(duì)當(dāng)前圖像進(jìn)行處理，得到人臉關(guān)鍵點(diǎn)，再通過第二處理單元12根據(jù)人臉關(guān)鍵點(diǎn)對(duì)當(dāng)前圖像進(jìn)行美顏處理，得到目標(biāo)圖像。由于先檢測(cè)出人臉關(guān)鍵點(diǎn)，因此在對(duì)當(dāng)前圖像進(jìn)行美顏處理時(shí)，可僅對(duì)人臉關(guān)鍵點(diǎn)以外的區(qū)域進(jìn)行美白及磨皮處理，從而提高了美顏處理后圖像的清晰度，也提高了美顏效果。

請(qǐng)參見圖17，圖17是本發(fā)明第二實(shí)施例提供一種終端的結(jié)構(gòu)示意圖，如圖所示，該終端可以包括：

獲取單元20，用于獲取當(dāng)前圖像；

第一處理單元21，用于對(duì)當(dāng)前圖像進(jìn)行處理，得到人臉關(guān)鍵點(diǎn)；

第二處理單元22，用于根據(jù)人臉關(guān)鍵點(diǎn)對(duì)當(dāng)前圖像進(jìn)行美顏處理，得到目標(biāo)圖像。

作為一種可能的實(shí)施方式，第一處理單元21具體包括：

第一檢測(cè)單元211，用于對(duì)當(dāng)前圖像進(jìn)行人臉檢測(cè)，得到待測(cè)人臉圖像；

第二檢測(cè)單元212，用于對(duì)待測(cè)人臉圖像進(jìn)行五官檢測(cè)，得到五官區(qū)域信息；

第三檢測(cè)單元213，用于對(duì)待測(cè)人臉圖像進(jìn)行膚色檢測(cè)，得到人臉膚色邊緣信息；

優(yōu)化單元214，用于根據(jù)五官區(qū)域信息和人臉邊緣信息優(yōu)化初始形狀；

第四檢測(cè)單元215，用于根據(jù)優(yōu)化后的初始形狀檢測(cè)當(dāng)前圖像的人臉關(guān)鍵點(diǎn)。

作為一種可能的實(shí)施方式，第二檢測(cè)單元212具體用于：

按照預(yù)設(shè)縮小比例對(duì)待測(cè)人臉圖像進(jìn)行縮小以得到第一處理圖像；

將第一處理圖像進(jìn)行多次劃分以得到多張第二處理圖像，每張第二處理圖像包括多個(gè)子窗口；

根據(jù)積分圖計(jì)算每張第二處理圖像中每個(gè)子窗口的haar特征值；

根據(jù)強(qiáng)分類器及每張第二處理圖像得到的haar特征值檢測(cè)出五官區(qū)域信息。

作為一種可能的實(shí)施方式，第三檢測(cè)單元213具體用于：

對(duì)待測(cè)人臉圖像進(jìn)行提取處理，得到第一區(qū)域；

對(duì)待測(cè)人臉圖像進(jìn)行擴(kuò)大及移動(dòng)處理，得到第二區(qū)域；

計(jì)算第一區(qū)域的最大色差值及最小色差值；

計(jì)算第二區(qū)域的原始分割值；

根據(jù)最大色差值、最小色差值及原始分割閾值確定分類閾值區(qū)間；

根據(jù)分類閾值區(qū)間遍歷待測(cè)人臉圖像，得到人臉膚色邊緣信息。

作為一種可能的實(shí)施方式，第四檢測(cè)單元215具體用于：

根據(jù)優(yōu)化后的初始形狀及隨機(jī)森林得到目標(biāo)局部二值特征；

根據(jù)目標(biāo)局部二值特征進(jìn)行全局線性回歸訓(xùn)練以預(yù)測(cè)形狀增量；

根據(jù)形狀增量得到人臉關(guān)鍵點(diǎn)。

本發(fā)明實(shí)施例中，先通過獲取單元20獲取當(dāng)前圖像，并通過第一處理單元21對(duì)當(dāng)前圖像進(jìn)行處理，得到人臉關(guān)鍵點(diǎn)，再通過第二處理單元22根據(jù)人臉關(guān)鍵點(diǎn)對(duì)當(dāng)前圖像進(jìn)行美顏處理，得到目標(biāo)圖像。由于先檢測(cè)出人臉關(guān)鍵點(diǎn)，因此在對(duì)當(dāng)前圖像進(jìn)行美顏處理時(shí)，可僅對(duì)人臉關(guān)鍵點(diǎn)以外的區(qū)域進(jìn)行美白及磨皮處理，從而提高了美顏處理后圖像的清晰度，也提高了美顏效果。

進(jìn)一步地，本發(fā)明實(shí)施例中，在進(jìn)行人臉關(guān)鍵點(diǎn)進(jìn)行檢測(cè)時(shí)，根據(jù)對(duì)當(dāng)前圖像進(jìn)行處理所得到的五官區(qū)域信息和人臉膚色邊緣信息優(yōu)化了初始形狀，從而確保了人臉關(guān)鍵點(diǎn)檢測(cè)的準(zhǔn)確性，減少了為了提高準(zhǔn)確性而進(jìn)行多次測(cè)試所帶來的運(yùn)算開銷，降低了運(yùn)算復(fù)雜度，確保了檢測(cè)的時(shí)效性。

進(jìn)一步地，本發(fā)明實(shí)施例中，在進(jìn)行膚色檢測(cè)時(shí)，是針對(duì)當(dāng)幀圖像進(jìn)行樣本提取以及分類閾值區(qū)間的確定，從而在當(dāng)幀圖像完成膚色檢測(cè)，該方法具有實(shí)時(shí)性和動(dòng)態(tài)性，且不受光照或不同膚色人群本身的影響，準(zhǔn)確性較高；且該方法在當(dāng)幀圖像完成膚色檢測(cè)，不受其它幀圖像的影響，從而提高了膚色檢測(cè)的準(zhǔn)確性。

需要說明的是，圖16及圖17所示終端的具體工作流程已在前述方法流程部分做了詳述，在此不再贅述。

參見圖18，是本發(fā)明實(shí)施例中提供的一種終端的結(jié)構(gòu)示意圖，如圖所示，該終端包括：至少一個(gè)處理器301，例如cpu(centralprocessingunit，中央處理器)，至少一個(gè)用戶接口303，存儲(chǔ)器304，至少一個(gè)通信總線302。其中，通信總線302用于實(shí)現(xiàn)這些組件之間的連接通信。其中，用戶接口303可以包括顯示屏(display)、鍵盤(keyboard)，可選用戶接口303還可以包括標(biāo)準(zhǔn)的有線接口、無線接口。存儲(chǔ)器304可以是高速ram存儲(chǔ)器(ramdomaccessmemory，易揮發(fā)性隨機(jī)存取存儲(chǔ)器)，也可以是非不穩(wěn)定的存儲(chǔ)器(non-volatilememory)，例如至少一個(gè)磁盤存儲(chǔ)器。存儲(chǔ)器304可選的還可以是至少一個(gè)位于遠(yuǎn)離前述處理器301的存儲(chǔ)裝置。其中處理器301可以結(jié)合圖16至17所描述的終端，存儲(chǔ)器304中存儲(chǔ)一組程序代碼，且處理器301調(diào)用存儲(chǔ)器304中存儲(chǔ)的程序代碼，用于執(zhí)行以下操作：

獲取當(dāng)前圖像；

對(duì)當(dāng)前圖像進(jìn)行處理，得到人臉關(guān)鍵點(diǎn)；

根據(jù)所述人臉關(guān)鍵點(diǎn)對(duì)所述當(dāng)前圖像進(jìn)行美顏處理，得到目標(biāo)圖像。

作為一種可能的實(shí)施方式，處理器301還用于執(zhí)行以下操作：

對(duì)所述當(dāng)前圖像進(jìn)行人臉檢測(cè)，得到待測(cè)人臉圖像；

對(duì)所述待測(cè)人臉圖像進(jìn)行檢測(cè)，得到五官區(qū)域信息和人臉膚色邊緣信息；

根據(jù)所述五官區(qū)域信息和人臉膚色邊緣信息優(yōu)化初始形狀；

根據(jù)優(yōu)化后的所述初始形狀檢測(cè)所述當(dāng)前圖像的所述人臉關(guān)鍵點(diǎn)。

作為一種可能的實(shí)施方式，處理器301還用于執(zhí)行以下操作：

對(duì)待測(cè)人臉圖像進(jìn)行離散余弦變換及逆離散余弦變換以得到區(qū)域圖像；

根據(jù)待測(cè)人臉圖像及區(qū)域圖像得到所述五官區(qū)域信息。

作為一種可能的實(shí)施方式，處理器301還用于執(zhí)行以下操作：

對(duì)所述待測(cè)人臉圖像進(jìn)行提取處理，得到第一區(qū)域；

對(duì)所述待測(cè)人臉圖像進(jìn)行擴(kuò)大及移動(dòng)處理，得到第二區(qū)域；

計(jì)算所述第一區(qū)域的最大色差值及最小色差值；

計(jì)算所述第二區(qū)域的原始分割值；

根據(jù)所述最大色差值、最小色差值及原始分割閾值確定分類閾值區(qū)間；

根據(jù)分類閾值區(qū)間遍歷待測(cè)人臉圖像，得到人臉膚色邊緣信息。

作為一種可能的實(shí)施方式，處理器301還用于執(zhí)行以下操作：

根據(jù)優(yōu)化后的初始形狀及隨機(jī)森林得到目標(biāo)局部二值特征；

根據(jù)目標(biāo)局部二值特征進(jìn)行全局線性回歸訓(xùn)練以預(yù)測(cè)形狀增量；

根據(jù)形狀增量得到人臉關(guān)鍵點(diǎn)。

本發(fā)明實(shí)施例中，由于先檢測(cè)出人臉關(guān)鍵點(diǎn)，因此在對(duì)當(dāng)前圖像進(jìn)行美顏處理時(shí)，可僅對(duì)人臉關(guān)鍵點(diǎn)以外的區(qū)域進(jìn)行美白及磨皮處理，從而提高了美顏處理后圖像的清晰度，也提高了美顏效果。

本領(lǐng)域普通技術(shù)人員可以意識(shí)到，結(jié)合本文中所公開的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來實(shí)現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來使用不同方法來實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為了描述的方便和簡(jiǎn)潔，上述描述的終端和單元的具體工作過程，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過程，在此不再贅述。

在本申請(qǐng)所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的終端和方法，可以通過其它的方式實(shí)現(xiàn)。例如，以上所描述的裝置實(shí)施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另外，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口、裝置或單元的間接耦合或通信連接，也可以是電的，機(jī)械的或其它的形式連接。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本發(fā)明實(shí)施例方案的目的。另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以是兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能單元的形式實(shí)現(xiàn)。

所述集成的單元如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分，或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：u盤、移動(dòng)硬盤、只讀存儲(chǔ)器(rom，read-onlymemory)、隨機(jī)存取存儲(chǔ)器(ram，randomaccessmemory)、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

以上所述，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到各種等效的修改或替換，這些修改或替換都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以權(quán)利要求的保護(hù)范圍為準(zhǔn)。