本发明涉及图像处理领域,具体涉及一种基于网格特征提取的证件照曝光方向检测算法。
背景技术:
随着数码时代的快速发展,对图像处理技术的要求也越来越高。其中,评价成像质量的关键参数之一就是曝光,而曝光问题过于主观,目前关于曝光是否均匀问题的技术和研究为之甚少,且对于曝光问题的算法研究也只局限于整体的判断曝光量是否过度或不足,未能更好地满足人们对图像处理的更为细致化的判断,例如无法判断是哪个方向的光线曝光过度或者不足等。为此,本发明提出了一种检测证件照的曝光分布不均匀,且能给出具体的曝光方向的方法。此方法能够检测出曝光的具体方向,例如,左亮右暗、右亮左暗、上亮下暗等情况。
现在的证件照研究技术中,针对于曝光检测的图像处理只能普遍地告知用户是否曝光过度或不足,而对于用户该如何有针对性地根据曝光过度或不足的方向进行下一次拍照的调整并不能明确说明,即无法判断曝光过度或不足的原因,也就是光源的方向问题。为了解决上述难题,给予用户更好体验,本发明提出一种证件照光源方向检测的算法,从图像中提取能有效表达图像曝光均匀程度的多维特征向量,并采用svm框架进行训练和预测。具体地,将图像划分成正方形网格,并为每个图像网格计算像素均值和方差,所有网格的均值和方差叠加在一起构成高维特征向量,能有效说明图像的曝光是否均匀,是否出现局部高光等,从而实现曝光方向的有效检测。
技术实现要素:
本发明的目的是针对上述现有技术的不足,提供了一种基于网格特征提取的证件照曝光方向检测算法,该算法从图像中提取能有效表达图像曝光均匀程度的多维特征向量,并采用svm框架进行训练和预测,实现了曝光方向的有效检测。
本发明的目的可以通过如下技术方案实现:
一种基于网格特征提取的证件照曝光方向检测算法,所述方法包括以下步骤:
一、通过训练提取多张证件照的曝光特征,建立svm模型,具体包括以下步骤:
1.1)输入一组已经手工标注曝光类型的证件照集合,其中曝光类型总共七类,并分别备注以标签0、1、2、3、4、5、6,分别代表曝光正常、曝光过度、曝光不足、左亮右暗、右亮左暗、上亮下暗、上暗下亮七类证件照;
1.2)对步骤1.1)中的每张证件照进行转灰度处理和平滑滤波;
1.3)对经过步骤1.2)处理过的证件照进行二维正方形网格划分,并基于网格提取高维特征向量,即灰度值的均值和方差,获得证件照的类别和特征向量信息;
1.4)以证件照的类别和特征向量两组数据信息作为svm的训练样本,训练得到多分类svm模型;
二、输入待检测的证件照,并利用步骤一中建立的svm模型得到证件照的曝光方向检测结果。
优选的,步骤1.2)中,所述证件照的转灰度处理具体过程为:输入的证件照为24位真彩色,每个像素以rgb三个字节分别表示,其值分别为r、g、b,按如下公式求出每一像素点的灰度值:
gray=r*0.299+g*0.587+b*0.114
然后用256色调色板中最接近该灰度值的颜色亮度的值来表示它,得到对应的灰度图。
优选的,步骤1.2)中,所述证件照的平滑滤波具体过程为:在证件照进行转灰度处理后的基础上,在灰度图上移动下式5×5卷积核:
并将卷积核覆盖区域内的像素灰度值乘以对应的卷积核权重,将得到的25个值相加后除以总权重273,重复上述过程,遍历完整张输入证件照,得到平滑滤波后的结果。
优选的,步骤1.3)中,所述基于网格提取证件照高维特征向量的具体过程为:将证件照进行二维正方形网格划分为n个小块,每个小块为50×50共2500个像素点,其中对于每一个分块i∈[1,n],利用公式:
计算其均值和方差,其中,u(i)为第i个分块的灰度值均值,σ(i)为第i个分块的灰度值方差,(x,y)为每个分块左上角的顶点坐标,(p,q)为分块里某一像素点坐标,k为分块的边长,h(p,q)是像素点(p,q)的灰度值,最后利用证件照中每个分块的灰度值均值和方差,组合成一个能有效表达证件照曝光均匀程度的高维特征向量vn:
vn=[u(1),σ(1),u(2),σ(2),...,u(i),σ(i),...,u(n),σ(n)]。
优选的,步骤一中所述通过训练提取多张证件照的曝光特征,建立svm模型的具体过程为:多张证件照集合{ii|i∈[1,n]},其中,n为集合的大小,从每张证件照ii中提取高维特征向量
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明通过设计和抽取样本的高维曝光特征描述符,实现了基于样本驱动的精确曝光检测方法,解决了多种类型曝光精确检测难题。
2、本发明采用基于网格的图像曝光特征描述符,能均匀有效地表达图像整体曝光情况,帮助精确地检测除曝光正常、不足、过度之外的左亮右暗、右亮左暗、上亮下暗等各种曝光情况。
附图说明
图1为本发明实施例基于网格特征提取的证件照曝光方向检测算法的流程图。
图2为本发明实施例的测试过程证件照,其中图2(a)为灰度图,图2(b)为滤波图,图2(c)为提取特征图。
图3为本发明实施例的测试结果合格证件照。
图4为本发明实施例的测试结果左亮右暗证件照。
图5为本发明实施例的测试结果右亮左暗证件照。
图6为本发明实施例的测试结果上亮下暗证件照。
图7为本发明实施例的测试结果曝光过度证件照。
图8为本发明实施例的测试结果曝光不足证件照。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本实施例提供了一种基于网格特征提取的证件照曝光方向检测算法,如图1的流程图所示,该算法包括以下步骤:
一、通过训练提取多张证件照的曝光特征,建立svm模型,具体包括以下步骤:
1.1)输入一组已经手工标注曝光类型的证件照集合,其中曝光类型总共七类,并分别备注以标签0、1、2、3、4、5、6,分别代表曝光正常(如图3所示)、曝光过度(如图7所示)、曝光不足(如图8所示)、左亮右暗(如图4所示)、右亮左暗(如图5所示)、上亮下暗(如图6所示)、上暗下亮七类证件照;
1.2)对步骤1.1)中的每张证件照进行转灰度处理和平滑滤波,转灰度处理后的灰度图如图2(a)所示,平滑滤波后的滤波图如图2(b)所示;
1.3)对经过步骤1.2)处理过的证件照进行二维正方形网格划分,并基于网格提取高维特征向量,即灰度值的均值和方差,获得证件照的类别和特征向量信息,提取特征图后的证件照如图2(c)所示;
1.4)以证件照的类别和特征向量两组数据信息作为svm的训练样本,训练得到多分类svm模型;
二、输入待检测的证件照,并利用步骤一中建立的svm模型得到证件照的曝光方向检测结果。
进一步地,步骤1.2)中,所述证件照的转灰度处理具体过程为:输入的证件照为24位真彩色,每个像素以rgb三个字节分别表示,其值分别为r、g、b,按如下公式求出每一像素点的灰度值:
gray=r*0.299+g*0.587+b*0.114,然后用256色调色板中最接近该灰度值的颜色亮度的值来表示它,得到对应的灰度图。
进一步地,步骤1.2)中,所述证件照的平滑滤波具体过程为:在证件照进行转灰度处理后的基础上,在灰度图上移动下式5×5卷积核:
并将卷积核覆盖区域内的像素灰度值乘以对应的卷积核权重,将得到的25个值相加后除以总权重273,重复上述过程,遍历完整张输入证件照,得到平滑滤波后的结果。
进一步地,步骤1.3)中,所述基于网格提取证件照高维特征向量的具体过程为:将证件照进行二维正方形网格划分为n个小块,每个小块为50×50共2500个像素点,其中对于每一个分块i∈[1,n],利用公式:
计算其均值和方差,其中,u(i)为第i个分块的灰度值均值,σ(i)为第i个分块的灰度值方差,(x,y)为每个分块左上角的顶点坐标,(p,q)为分块里某一像素点坐标,k为分块的边长,h(p,q)是像素点(p,q)的灰度值,最后利用证件照中每个分块的灰度值均值和方差,组合成一个能有效表达证件照曝光均匀程度的高维特征向量vn:
vn=[u(1),σ(1),u(2),σ(2),...,u(i),σ(i),...,u(n),σ(n)]。
进一步地,步骤一中所述通过训练提取多张证件照的曝光特征,建立svm模型的具体过程为:多张证件照集合{ii|i∈[1,n]},其中,n为集合的大小,从每张证件照ii中提取高维特征向量
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。