專利名稱：基于主動形狀模型和k近鄰算法的人臉臉型分類處理方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種識別人臉照片的臉型類型方法，尤其是涉及一種基于主動形狀模型和K近鄰算法的人臉臉型分類處理方法。
背景技術(shù)：
人臉臉型分類具有一定的研究價值，可以應(yīng)用到不同領(lǐng)域，如人臉識別，圖像檢索，美容模擬等。在人臉識別中，當圖像數(shù)據(jù)庫增大時，查詢一幅圖像的速度呈線性下降，人臉識別率也隨之下降。因此在數(shù)據(jù)庫龐大的情況下，人臉識別中識別速度慢和識別率較低的問題迫切需要解決。在識別人臉之前，可以先對數(shù)據(jù)庫中的人臉圖像按特征分類，將搜索范圍縮小到與待識別圖像特征相似的小范圍內(nèi)，這樣查詢速度和識別率都可以大大提高。 在圖像檢索領(lǐng)域，比如一些交友性質(zhì)的網(wǎng)站，用戶想查找某一臉型的人物，就可以先對人物圖像分類，這樣可以提高檢索的速度，還有一些娛樂性質(zhì)的美容網(wǎng)站，可以根據(jù)用戶的臉型等特征為用戶推薦合適的發(fā)型，配飾，衣著等搭配，為人們生活帶來方便。所以，對人臉進行分類具有一定的研究價值和應(yīng)用前景。模式識別中對臉型分類的研究并不多，現(xiàn)有的研究中，主要根據(jù)以下四種方式對臉型進行分類(1)根據(jù)輪廓線曲率特征進行分類。凌旭峰等人采用Sobel算子提取臉部及下頌輪廓線，計算曲率線，再與標準臉型曲率線進行對比，計算得出兩條曲率線之間的相似度，對臉型進行分類。( 將臉部輪廓線與理想輪廓線進行匹配，實現(xiàn)分類。王俊艷等人提取下頌輪廓線，與理想的下頌輪廓線模型進行匹配，將下巴分為圓下巴，尖下巴，平下巴三種。( 根據(jù)輪廓點集之間的距離進行分類。顧華等人通過計算不同圖像的臉部及下頌的輪廓點集之間的Hausdorff距離，采用ISODATA方法自動聚類。(4)根據(jù)面型指數(shù)分布進行分類。趙薇等人采用形態(tài)面指數(shù)和顴下頌寬指數(shù)對人臉進行分類，提取出鼻根點，頦下點， 左右顴點，左右下頌角點，根據(jù)這四點計算出形態(tài)面指數(shù)和顴下頌寬指數(shù)，統(tǒng)計兩種指數(shù)分布情況，對臉型進行分類。對于臉型不標準的人臉，依據(jù)輪廓曲率線分類的方法分類準確度低，而且在圖像質(zhì)量不好的情況下，Sobel算子提取輪廓的效果不會太好。而根據(jù)形態(tài)面指數(shù)和顴下頌寬指數(shù)分類的方法對特征點的定位準確有很大的依賴性，其采用的特征點固定，使用特征點數(shù)目也較少，分類方法不具有魯棒性，而且臉型只分為兩大類，應(yīng)用范圍有限。通過采集多個特征點，對特征點集分類是很好的臉型分類辦法，但是基于IS0DATA聚類的方法需要全面大量的樣本訓練，算法復雜，不易實現(xiàn)，而且顧華的方法只是對人臉圖像自動聚類，沒有明確地說明哪類屬于哪種臉型。

發(fā)明內(nèi)容
本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種識別率高，速度快，易于實現(xiàn)的基于主動形狀模型和K近鄰算法的人臉臉型分類處理方法。本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)
—種基于主動形狀模型和K近鄰算法的人臉臉型分類處理方法，其特征在于，包括以下步驟1)創(chuàng)建K近鄰算法中的樣本庫；2)用戶通過網(wǎng)絡(luò)多媒體終端將待測圖像上傳至服務(wù)器，服務(wù)器采用ASM算法對待測圖像提取人臉特征點，通過選取臉部及下頌部分的特征點來確定臉部輪廓；3)服務(wù)器對待測圖像的點集按照樣本歸一化方法進行歸一化處理，將待測圖像的點集與樣本點集統(tǒng)一到同一坐標系中；4)判斷歸一化是否完成，若為是，執(zhí)行步驟5)，若為否，返回步驟3)；5)服務(wù)器采用基于Hausdorff距離K近鄰方法對待測圖像進行分類，得到分類結(jié)6)服務(wù)器自動將分類結(jié)果發(fā)送給網(wǎng)絡(luò)多媒體終端，該網(wǎng)絡(luò)多媒體終端對其進行顯所述的步驟1)創(chuàng)建K近鄰算法中的樣本庫包括以下步驟11)對待選圖像進行歸一化處理；12)根據(jù)選取規(guī)則來選取樣本圖像；13)將樣本數(shù)據(jù)轉(zhuǎn)換成XML格式文件，并將其存儲在樣本數(shù)據(jù)庫中。 3.根據(jù)權(quán)利要求1所述的一種基于主動形狀模型和K近鄰算法的人臉臉型分類處
理方法，其特征在于，所述的步驟2、中的采用ASM算法對待測圖像提取人臉特征點，通過選取臉部及下頌部分的特征點來確定臉部輪廓的具體步驟如下21)模型初始定位采用人臉檢測算法來確定待測圖像中是否有人臉以及人臉的位置，根據(jù)得到的初始位置并通過角度θ旋轉(zhuǎn)、尺度s縮放以及位置t平移將平均形狀模型[X2]放到待測圖像中，得到初始的形狀X2' = M(s, θ ) [X2] +t(1)
權(quán)利要求
1.一種基于主動形狀模型和K近鄰算法的人臉臉型分類處理方法，其特征在于，包括以下步驟1)創(chuàng)建K近鄰算法中的樣本庫；2)用戶通過網(wǎng)絡(luò)多媒體終端將待測圖像上傳至服務(wù)器，服務(wù)器采用ASM算法對待測圖像提取人臉特征點，通過選取臉部及下頌部分的特征點來確定臉部輪廓；3)服務(wù)器對待測圖像的點集按照樣本歸一化方法進行歸一化處理，將待測圖像的點集與樣本點集統(tǒng)一到同一坐標系中；4)判斷歸一化是否完成，若為是，執(zhí)行步驟5)，若為否，返回步驟3)；5)服務(wù)器采用基于Hausdorff距離K近鄰方法對待測圖像進行分類，得到分類結(jié)果；6)服務(wù)器自動將分類結(jié)果發(fā)送給網(wǎng)絡(luò)多媒體終端，該網(wǎng)絡(luò)多媒體終端對其進行顯示。
2.根據(jù)權(quán)利要求1所述的一種基于主動形狀模型和K近鄰算法的人臉臉型分類處理方法，其特征在于，所述的步驟1)創(chuàng)建K近鄰算法中的樣本庫包括以下步驟11)對待選圖像進行歸一化處理；12)根據(jù)選取規(guī)則來選取樣本圖像；13)將樣本數(shù)據(jù)轉(zhuǎn)換成XML格式文件，并將其存儲在樣本數(shù)據(jù)庫中。
3.根據(jù)權(quán)利要求1所述的一種基于主動形狀模型和K近鄰算法的人臉臉型分類處理方法，其特征在于，所述的步驟幻中的采用ASM算法對待測圖像提取人臉特征點，通過選取臉部及下頌部分的特征點來確定臉部輪廓的具體步驟如下21)模型初始定位采用人臉檢測算法來確定待測圖像中是否有人臉以及人臉的位置，根據(jù)得到的初始位置并通過角度θ旋轉(zhuǎn)、尺度s縮放以及位置t平移將平均形狀模型[X2]放到待測圖像中， 得到初始的形狀其中Μ(θ，s)為旋轉(zhuǎn)和縮放變換矩陣，[X2]為變換前的形狀向量(xlO，ylO, xll, yll, xln, yln), X2'為變換后的形狀向量(x20，y20，x21，y21，…，x2n，y2n)；22)特征點法線方向上搜索對每一個特征點使其沿法線方向在一定范圍內(nèi)進行搜索，在該范圍內(nèi)的每一個點計算其規(guī)格化灰度導數(shù)向量與訓練得到該點的平均規(guī)格化灰度導數(shù)向量的馬氏距離，從中選取距離最小的候選點作為最佳匹配點，對模型的每一個特征點都進行最佳匹配點的搜索，得到了一個新的形狀向量X'；23)用形狀模型進行近似表達，由于每個特征點搜索后得到的形狀無法在新的正交基下直接表示，只能得到最小誤差意義上的近似表示，將X向X'作對齊運算得到仿射變換的四個參數(shù)(1+ds，d θ，dtx, dty)，進一步得到形狀參數(shù)的變化值Ps = (ρ0, pl，ρ2，pt-1)為一組新的標準正交基；24)形狀合理性的約束，對形狀參數(shù)bi的變化范圍db不在范圍內(nèi)的bi將其變換到范圍內(nèi)，利用最終得到的形狀參數(shù)b+db計算出重構(gòu)的形狀；25)重復22) 24)步驟進行循環(huán)，當兩次相鄰循環(huán)的形狀向量的歐式距離小于等于設(shè)定的閾值時，迭代結(jié)束。
4.根據(jù)權(quán)利要求1或2所述的一種基于主動形狀模型和K近鄰算法的人臉臉型分類處理方法，其特征在于，所述的歸一化處理過程如下(1)對每張圖像采用ASM算法提取人臉特征點，選取臉部及下頌部分的特征點來表示臉部輪廓；(2)平移變換先計算出每個輪廓的中心位置，然后將臉部輪廓平移到中心位置，計算中心位置(χ。，y。)的公式為
5.根據(jù)權(quán)利要求2所述的一種基于主動形狀模型和K近鄰算法的人臉臉型分類處理方法，其特征在于，所述的選取規(guī)則為對于四種類別的所有樣本，要保證類內(nèi)樣本之間的 Hausdorff較小，類間樣本的Hausdorff距離較大。
6.根據(jù)權(quán)利要求6所述的一種基于主動形狀模型和K近鄰算法的人臉臉型分類處理方法，其特征在于，所述的四種類別為橢圓臉類、圓臉類、方臉類、三角臉類。
7.根據(jù)權(quán)利要求1所述的一種基于主動形狀模型和K近鄰算法的人臉臉型分類處理方法，其特征在于，所述的步驟4)中的服務(wù)器采用基于Hausdorff距離K近鄰方法對待測圖像進行分類步驟如下41)計算待測圖像與所有樣本的HausdorfT距離；42)對所有距離按升序排序，取前k個距離，并記錄每個距離對應(yīng)的樣本類型編號；43)統(tǒng)計k個距離度量對應(yīng)的k個樣本中，哪個類型所含的樣本數(shù)最多，待測圖像就屬于哪個類型。
8.根據(jù)權(quán)利要求7所述的一種基于主動形狀模型和K近鄰算法的人臉臉型分類處理方法，其特征在于，所述的K為5 50的自然數(shù)。
9.根據(jù)權(quán)利要求1所述的一種基于主動形狀模型和K近鄰算法的人臉臉型分類處理方法，其特征在于，所述的網(wǎng)絡(luò)多媒體終端包括手機、互聯(lián)網(wǎng)。
全文摘要
本發(fā)明涉及一種基于主動形狀模型和K近鄰算法的人臉臉型分類處理方法，包括以下步驟1)創(chuàng)建K近鄰算法中的樣本庫；2)用戶通過網(wǎng)絡(luò)多媒體終端將待測圖像上傳至服務(wù)器，服務(wù)器采用ASM算法對待測圖像提取人臉特征點，通過選取臉部及下頜部分的特征點來確定臉部輪廓；3)服務(wù)器對待測圖像的點集按照樣本歸一化方法進行歸一化處理，將待測圖像的點集與樣本點集統(tǒng)一到同一坐標系中；4)服務(wù)器采用基于Hausdorff距離K近鄰方法對待測圖像進行分類，得到分類結(jié)果；5)服務(wù)器自動將分類結(jié)果發(fā)送給網(wǎng)絡(luò)多媒體終端，該網(wǎng)絡(luò)多媒體終端對其進行顯示。與現(xiàn)有技術(shù)相比，本發(fā)明具有識別率高，速度快，易于實現(xiàn)等優(yōu)點。
文檔編號H04L29/06GK102339376SQ20101022710
公開日2012年2月1日 申請日期2010年7月14日 優(yōu)先權(quán)日2010年7月14日
發(fā)明者盧曉康, 張倩, 涂意 申請人:上海一格信息科技有限公司