一種圖片瀏覽方法
【技術領域】
[0001 ]本發(fā)明設及認證識別技術領域，具體地說，設及一種圖片瀏覽方法。
【背景技術】
[0002] 隨著數(shù)碼拍攝設備的普及和存儲器的發(fā)展，用戶拍攝、存儲的圖片越來越多，而且 人物照片在其中占較大比例。當用戶在查看圖片時，數(shù)碼設備如手機、電腦、電子相框等通 常會按照拍攝或保存時間將圖片呈現(xiàn)出來W供用戶瀏覽。但是用戶往往對圖片中的人物更 加感興趣。因此，基于人臉識別技術將同一個人的多張圖片聚類而后按照相似度降序排序 的瀏覽方式更能契合用戶的潛在需求。
[0003] 當前市場上有一些智能手機相冊支持基于標簽的圖片瀏覽，該標簽可W是人物姓 名。當用戶選擇一個標簽后，相冊應用程序將顯示該標簽下的所有圖片。按照標簽產(chǎn)生方法 的不同，大致可W分為兩種:第一種是不使用任何檢測或者識別手段，通過用戶純手動標注 生成標簽;第二種是使用人臉檢測和分組聚類方法，先根據(jù)相似度將包含人臉的圖片分為 多個分組，然后用戶再對每個分組進行標注。具體而言，運類方法通常先對圖片進行人臉檢 測，對檢測器獲取的人臉進行兩兩之間的相似度計算，相似度高的圖片對歸到同一組，相似 度低的劃分為新的分組。然后用戶只需要對分組結果進行標注，將同一組的圖片標注為某 個人物標簽。
[0004] W上通過人物標簽實現(xiàn)圖片瀏覽方法中，第一種方法的主要缺點是前期需要極大 的人力成本，用戶需要對每一張圖片都進行標注才能有較好的標簽分組效果，既消耗時間 也影響用戶體驗;第二種方法主要受到人臉檢測和分組性能的制約，市場上的產(chǎn)品多數(shù)存 在人臉漏檢（即沒有把圖片中所有人臉都檢測到）、錯檢(把非人臉區(qū)域檢測判斷為人臉）， 分組錯誤(不同人物歸到同一組或同樣人物劃分到不同組)等問題。而且兩種方法重點都在 于分組查看，相似度計算僅用于獲取分組，不能按相似度排序來瀏覽圖片。同時，那些沒有 標簽標注的圖片，有可能在瀏覽時被忽略。并且，在第二種方法中，對于一些不感興趣的人 物(如出現(xiàn)在照片中的路人)或者錯誤檢測(半張臉或不是人臉)會導致圖片分組結果不準 確，影響用戶體驗。對于多人照片或合照的處理，基于標簽的圖片分組瀏覽也容易造成用戶 的困擾:可能有些用戶只想把某個人物的單人照片歸為一組而智能相冊把合照也插入到運 個分組;而有的用戶可能想把某個人物的合照和單人照都加入到同一分組。

【發(fā)明內(nèi)容】

[0005] 為解決W上問題，本發(fā)明提供了一種基于人臉相似度的圖片瀏覽方法。
[0006] 根據(jù)本發(fā)明的一個實施例，提供了一種圖片瀏覽方法，包括：
[0007] 基于人臉特征向量檢測目標圖片集中的人臉；
[0008] 從檢測出人臉后的目標圖片集中選擇指定人臉，并獲取所述指定人臉的人臉特征 向量；
[0009] 基于所述人臉特征向量計算所述指定人臉與目標圖片集中檢測出的其他人臉的 相似度；
[0010] 基于所述相似度排序顯示目標圖片集中的圖片。
[0011] 根據(jù)本發(fā)明的一個實施例，基于人臉特征向量檢測目標圖片集中的人臉的步驟進 一步包括：
[0012] 基于人臉檢測及膚色檢測確定目標圖片集中的人臉候選框；
[0013] 對齊所述人臉候選框中的人臉W確保將人臉由非正臉調(diào)整至正臉；
[0014] 提取對齊后的人臉候選框中的人臉特征向量；
[0015] 基于模板人臉集對所述人臉特征向量進行過濾處理，W排除錯誤檢測出的非人臉 候選框，從而確定目標圖片集中的人臉。
[0016] 根據(jù)本發(fā)明的一個實施例，確定目標圖片集中的人臉候選框的步驟進一步包括：
[0017] 人臉檢測步驟，基于Viola-化nes人臉檢測器框架建立大量檢測框來對輸入圖像 進行掃描，提取檢測框中的化ar特征，基于化ar特征過濾掉非人臉候選框；
[0018] 膚色檢測步驟，計算保留下來的檢測框內(nèi)的平均膚色似然度，若計算得到的平均 膚色似然度大于整幅圖像的平均膚色似然度，則保留下來并作為所述人臉候選框。
[0019] 根據(jù)本發(fā)明的一個實施例，對齊所述人臉候選框中的人臉W確保將人臉由非正臉 調(diào)整至正臉的步驟進一步包括：
[0020] 基于左右眼、左右嘴角和鼻尖五個特征點定位所述人臉候選框中的人臉特征點位 置；
[0021] 通過左右嘴角的坐標計算出嘴己中屯、的位置，利用嘴己中屯、的位置和左右眼Ξ點 作為人臉對齊的標準；
[0022] 通過仿射變換將所述Ξ點映射到大小為N*N的圖像上的固定位置，W實現(xiàn)人臉的 對齊。
[0023] 根據(jù)本發(fā)明的一個實施例，提取對齊后的人臉候選框中的人臉特征向量的步驟進 一步包括：
[0024] 提取對齊后的人臉候選框中人臉的LBP特征和HOG特征；
[00巧]利用降維矩陣PCA和LDA將LBP特征和HOG特征降維到η維；
[0026] 對降維后的LBP特征和HOG特征分別進行模歸一化處理；
[0027] 將模歸一化處理后的LBP特征和HOG特征串聯(lián)成化維的人臉特征向量。
[0028] 根據(jù)本發(fā)明的一個實施例，基于模板人臉集對所述人臉特征向量進行過濾處理， W排除錯誤檢測出的非人臉候選框，最終確定目標圖片集中的人臉的步驟進一步包括：
[0029] 將所述人臉特征向量與所述模板人臉集進行計算，W得到輸入人臉的評分，所述 評分為人臉特征向量與模板人臉向量的余弦距離；
[0030] 根據(jù)設定好的闊值，移除評分低于所述闊值的人臉，保留評分大于等于所述闊值 的人臉并作為確定的目標圖片集中的人臉。
[0031] 根據(jù)本發(fā)明的一個實施例，所述模板人臉向量由所述模板人臉集中所有人臉向量 的平均值計算得到，所述模板人臉集中包含各國人臉圖像。
[0032] 根據(jù)本發(fā)明的一個實施例，從檢測出人臉后的目標圖片集中選擇指定人臉的步驟 進一步包括：
[0033] 從目標圖片集中選擇一張圖片，從該圖片中檢測出的人臉候選框中選擇指定人 臉，其中：
[0034] 如選擇的是單人圖片，則W該單人的人臉作為指定人臉；
[0035] 如選擇的是多人圖片，則從多人圖片中選擇其中一個人臉作為指定人臉；
[0036] 如選擇的是無人圖片，則無指定人臉。
[0037] 根據(jù)本發(fā)明的一個實施例，基于所述人臉特征向量計算所述指定人臉與目標圖片 集中檢測到的其他人臉的相似度的步驟進一步包括：
[0038] 通過下式計算指定人臉與目標圖片集中其他人臉的相似度值：
[0039]
[0040] 其中，COS0為相似度值，Χ，Υ分別為目標圖片集中指定人臉和其他人臉的人臉特征 向量，X和Υ向量均為化XI維；
[0041] 基于所述相似度值判斷指定人臉與目標圖片集中其他人臉的相似度，所述相似度 值越接近1，則相似度越高。
[0042] 根據(jù)本發(fā)明的一個實施例，基于所述相似度排序顯示目標圖片集中的圖片的步驟 進一步包括：
[0043] 基于所述相似度的高低對目標圖片集中的人臉進行排序，將目標圖片集中的圖片 按照與指定人臉相似度的高低進行排序。
[0044] 本發(fā)明的有益效果：
[0045] 本發(fā)明提出一種基于人臉相似度的圖片瀏覽方法，擺脫了人工標簽標注的復雜性 并避免盲目自動分組的高錯誤率。本方案針對個人用戶的圖片查看需求，使用模式識別和 人臉特征提取的相關方法，通過相似度計算，獲得基于人臉相似度的排序結果，并據(jù)此顯示 用戶文件夾中所有圖片。用戶只需要指定文件夾中一張圖片中的某個人臉，該文件夾中的 剩余圖片將按照指定人臉進行相似度排序。在單人照片的情況，人臉相似度可W直接作為 排序依據(jù);而對多人或群體合照，排序只根據(jù)當前指定人臉。此外，本發(fā)明可W根據(jù)相似度 大小將選中人臉的相關圖片突出顯示。
[0046] 本發(fā)明的其它特征和優(yōu)