一种人物摄影图像的质量分类方法
【技术领域】
[0001] 本发明涉及图像智能处理领域，特别涉及一种人物摄影图像的质量分类方法。
【背景技术】
[0002] 随着社交网络的发展，越来越多人通过网络来进行社会交流。在交流方式多元化 的今天，图像渐渐成为网络社交元素的主力之一。图像比文本更具形象，更能快速准确传达 用户的现状、情感。由于网络社交是以人为主体的，且根据网络调查结果显示，将近一半的 社交图像都是以人为主题的，而且由于人们的网络观赏与阅读习惯，他们更倾向于在有人 物的社交图像花更多的阅读时间。因此，含有人物的图像在网络社交元素中具有发挥着很 高的作用。
[0003] 在图像的质量分类方面，美国宾夕法尼亚大学的学者Datta等率先把图像视觉特 征应用到图像美学质量评判中，实现了图像高低美学质量的分类和图像美学质量分数的自 动评估。他们综合提取了全局与局部的视觉特征，包括亮度、饱和度、色彩、灰度、相似度、纹 理、形状与方位比例、区域分布、景深以及三分法则等56个特征数据，通过特征选择得到15 个图像特征，实现对图像的美学评分。然而，作者并没有深入考虑从更细致的方面进行特征 的提炼，因此仅有的特征难以在图像评估中获得较高的正确率。
[0004] 在含有人物的图像美学质量研宄中，美国康奈尔大学的学者Li等人对包含人脸 的社交图像进行了美学质量评估的研宄，并且构建了一个带有美学质量评分的人物图库， 并得到其他相关研宄学者的采用，他们在亮度对比、色彩一致性、背景复杂度和清晰度对比 等基本美学特征的基础上，加入了人脸的简单表情特征，位置，关系等特征以及部分构图特 征，并使用SVM与SVR算法进行美学分类与回归，实验结果显示，其特征集对人物图像美学 质量具有一定的分类能力。
[0005] 由于人物图像具有一定的特殊性，在一般图像美学的质量分类中难以取得较高的 分类正确率。目前，已有一些学者对人物图像美学算法进行了相关研宄，但是对人脸相关特 征的挖掘还是不够深入，无法全面体现人物摄影图像的质量。
【发明内容】
[0006] 为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种人物摄影图像 的质量分类方法，对人脸相关特征进行深入挖掘，分类准确率高。
[0007] 本发明的目的通过以下技术方案实现：
[0008] 一种人物摄影图像的质量分类方法，包括以下步骤：
[0009] (1)从已根据人物摄影图像的质量划分为不同质量等级的样本图片库中，为每个 质量等级随机选取多张人物图像作为该质量等级的样本图像；
[0010] (2)提取样本图像的全局特征；所述全局特征包括色调搭配特征、梯度特征、灰度 对比特征、锐度特征；
[0011] (3)采用人脸检测技术，并且使用人脸关键点检测算法获取脸部特征点；
[0012] (4)提取样本图像的人脸特征；所述人脸特征包括脸内基本特征、位置关系特征、 脸部光影特征、脸部几何比例特征、人脸显著度和表情特征；
[0013] (4-1)提取脸内基本特征，所述脸内基本特征包括脸像素特征和脸计数特征；
[0014] 所述脸像素特征包括脸部区域的梯度均值及其标准差、色调均值及其标准差、饱 和度均值及其标准差、亮度均值及其标准差；
[0015] 所述脸计数特征包括脸数目、脸尺寸、所有脸面积总和；
[0016] (4-2)提取位置关系特征：采用最小生成树算法对人脸区域的位置分布进行距离 的计算，并计算人脸最大距离、人脸最小距离、人脸平均距离、人脸紧密度，所述人脸紧密度 即平均距离与人脸矩形区域的面积之比；
[0017] (4-3)提取脸部光影特征：对人脸区域的9对模板对进行光影特征值计算；其中所 述9对模板对的位置分别为鼻子的左侧与右侧区域、鼻梁与人中附近区域、上嘴唇与下嘴 唇区域、下巴的左边侧与右边侧区域、左脸颊正面与侧面区域、右脸颊正面与侧面区域、左 眼的左眼角与右眼的右眼角区域、左眼窝与左眼眉区域、右眼窝与右眼眉区域；第k对模板 的光影特征值计算方法如下：
【主权项】
1. 一种人物摄影图像的质量分类方法，其特征在于，包括以下步骤： (1) 从已根据人物摄影图像的质量划分为不同质量等级的样本图片库中，为每个质量 等级随机选取多张人物图像作为该质量等级的样本图像； (2) 提取样本图像的全局特征；所述全局特征包括色调搭配特征、梯度特征、灰度对比 特征、锐度特征； (3) 采用人脸检测技术，并且使用人脸关键点检测算法获取脸部特征点； (4) 提取样本图像的人脸特征；所述人脸特征包括脸内基本特征、位置关系特征、脸部 光影特征、脸部几何比例特征、人脸显著度和表情特征； (4-1)提取脸内基本特征，所述脸内基本特征包括脸像素特征和脸计数特征； 所述脸像素特征包括脸部区域的梯度均值及其标准差、色调均值及其标准差、饱和度 均值及其标准差、亮度均值及其标准差； 所述脸计数特征包括脸数目、脸尺寸、所有脸面积总和； (4-2)提取位置关系特征：采用最小生成树算法对人脸区域的位置分布进行距离的计 算，并计算人脸最大距离、人脸最小距离、人脸平均距离、人脸紧密度，所述人脸紧密度即平 均距离与人脸矩形区域的面积之比； (4-3)提取脸部光影特征：对人脸区域的9对模板对进行光影特征值计算；其中所述 9对模板对的位置分别为鼻子的左侧与右侧区域、鼻梁与人中附近区域、上嘴唇与下嘴唇区 域、下巴的左边侧与右边侧区域、左脸颊正面与侧面区域、右脸颊正面与侧面区域、左眼的 左眼角与右眼的右眼角区域、左眼窝与左眼眉区域、右眼窝与右眼眉区域；第k对模板的光 影特征值计算方法如下：
其中，Tkl，1\2为模板，v(x，y)为模板中像素点（X，y)在图像HSV通道中的亮度值； (4-4)提取脸部几何比例特征：所述脸部几何比例特征包括左眼的长度、右眼的长度、 眼间长度占脸宽的比例，以及鼻子高度占鼻尖到下巴的距离的比例、人脸水平方向的旋转 角度、人脸倾斜角度； 人脸水平方向的旋转角度的计算方法如下： Spin = ED (C1, C2)/ED (C3, C4) C1指左太阳穴特征点，C4指右太阳穴特征点，C2指左眼的右眼角特征点；C 3指右眼的左 眼角上的特征点；ED (C1, C2)为C1, C2之间的欧式距离；ED (C 3, C4)为C3, C4之间的欧式距离； 当Spin〉1时表示人脸向右边的旋转角度，当Spin〈l时表示向左边的旋转程度； 人脸倾斜角度的计算方法如下： Incline = (Cly-C4y)/Lface Cly，C4y分别是C i，C4两点的垂直坐标；L f_为人脸矩形区域的对角线长度，在计算中， InclineX)表示人脸向右倾斜的角度，lncline〈0则表示人脸向左倾斜的角度； (4-5)提取表情特征：在获得步骤（3)中的脸部的特征点后，提取表情特征；所述表情 特征包括眼长宽比、眼弯曲比、嘴长宽比、嘴弯曲比； EyeShape1, EyeShape2，Mou