专利名称：人脸检测中非特征区域图像处理的方法
技术领域：
本发明涉及的是一种图像处理技术领域的方法，具体地说是一种人脸检测中非特 征区域图像处理的方法。
背景技术：
由于数码成像技术的快速发展，数码图像以及视频在日常工作和生活中越来越普 及。随着数码影像器材的成像分辨率的提高，图像以及视频可以非常清晰地显示人脸中的 所有细节信息，甚至包括一些斑点、皱纹等影响美观的因素。数码相片和视频不仅带来了拍 摄和保存的方便，还使图像以及视频的后期处理和修饰成为可能。人脸美化处理技术就是 在较完整地保留脸部细节，例如眉毛等细节部分、嘴巴的边缘等信息的前提下较好地去除 掉皮肤上的斑点、皱纹等不理想因素，达到人脸美化的效果。由于其在电视机、数码相机、摄 像机、手机、投影仪以及视频会议等多媒体系统中有广泛的应用，解决该技术难题的要求显 得越来越突出。最传统的方法如Photoshop工具，虽然可以理想地去除脸上的斑点和皱纹以达到 人脸美化的效果，但是需要手工圈定斑点和皱纹区域，而且实现步骤复杂。与此同时，越来 越多的研究人员开始专注于该方面的研究，目前已经有了一些不错的成果。例如柯达相机 已经使用了相应的技术来自动地处理人脸皮肤，达到美化人脸的效果，但是该系统对图像 的细节信息处理模糊的问题比较严重。另一个是Kevin提出的一个被命名为图像化妆系统 的自动人脸美化系统，该系统的主要目的是模拟Photoshop效果，使得图像在保留细节信 息的前提下达到平滑皮肤同时淡化斑点皱纹等不理想信息的效果。但是该系统每次只能对 单个人脸进行处理，而且为了使处理后的图像看起来自然，还保留了 一些眼角、鼻子和嘴角 等处的皱纹。最著名的例子即为H. Watabe提出的一个可以自动美化人脸图像的非线性滤 波器系统，该方法可以自动地去除脸部皮肤中的斑点、皱纹等不理想因素，尽可能多地保留 皮肤的细节信息，使得操作大大简化，达到了很好的普遍推广效果，现在已经应用于多媒体 远程会议等系统中。但仍然存在一些不足(1)由于直接对整幅图像进行处理，所以处理时 间较长；(2)对脸部皮肤中大片斑点及较深的皱纹的处理效果不理想。经对现有技术文献的检索发现，美国专利申请号US20090512843 20090730，专 利号:US2010/0026831 Al.发明名称=Automatic face and skin beautification using facedetection (基于人脸检测的自动人脸和皮肤美化)。该技术首先通过检测图像中的 人脸位置得到人脸图像；接着将该人脸图像划分成眼睛、嘴、脸颊等多个子区域，然后对各 个子区域的亮度分量分别采用不同的平滑核做局部平滑处理；最后得到一个增强的人脸图 像。该方法的不足之处在于(1)利用局部亮度平滑和模糊来去除脸上的斑点等会造成图 像的模糊，降低图像的质量；(2)对脸部特征区域划分太过粗糙，如用矩形区域来表示眼睛 和嘴等子区域，造成眼角、嘴角等皱纹处理得不彻底。
发明内容
本发明针对现有技术的不足和缺陷，提供一种人脸检测中非特征区域图像处理的 方法。它不仅能快速检测和定位数码图像或视频中存在的多个人脸位置，并通过提取人脸 轮廓线进一步确定脸部区域，然后逐个去除人脸图像中脸部皮肤上的斑点、皱纹，而且能较 好地调节皮肤的光滑度，同时可以完整地保留人脸图像的细节部分，如眉毛的细节，以及嘴 唇边缘纹理，达到自动人脸美化的效果。本发明是通过以下技术方案实现的本发明包括四个步骤(1)首先对人脸检测定位，然后调整人脸矩形框队列，选择人脸矩形框队列以待图 像处理；(2)进一步提取人脸轮廓，在人脸定位的基础上，利用几何活动轮廓模型提取人脸 轮廓线，确定脸部区域。(3)利用二值化图像处理法分离出脸部区域内的眼睛、鼻子、嘴巴等脸部特征，对 脸部特征进行定位。(4)对脸部非特征区域在脸部特征定位的基础上进行图像处理，去除脸部非特征 区域皮肤上的斑点、皱纹和瑕疵。步骤(1)中所述的检测定位是通过人脸分类器检测人脸区域，将检测出的若干人 脸位置保存到人脸矩形框队列；若未检出人脸，则进行光线补偿，再利用肤色模型重新检测 人脸区域，将检测出的人脸位置保存到人脸矩形框队列中。调整检测出所述的人脸矩形框队列，以及需要处理的人脸矩形框队列，考虑到人 脸矩形框覆盖了大部分的人脸，但是还是有下巴等部分区域没有包含进去，所以为了对整 个人脸进行完整地人脸美化处理，需要对人脸矩形框进行上下左右适当的扩展，分别扩展 5%左右比较合适；与此同时，考虑到图像中存在的人脸如果太小，那么就失去了美化处理 的必要性，因此如果人脸矩形框的面积小于图像面积的六十四分之一，就将它们从人脸矩 形框队列中去除不作美化处理。本发明首先检测图像或视频中存在的若干人脸位置，提高了图像处理的针对性， 缩小图像处理的范围，在节省处理时间的同时完好地保留了其他背景信息。其中人脸分类 器是采用机器学习的方法，在矩形特征的基础上，对大量的人脸灰度图进行训练而得到的。 这种人脸检测图像处理法的稳定性好，与其他的人脸检测图像处理法相比速度较快。上述 人脸分类器处理的是正面人脸图像，对于侧面人脸图像，可以通过基于YCbCr色彩空间的 肤色模型进行人脸区域检测，来避免侧面人脸漏检的情况。但是肤色特征受光照条件的影 响较大，在肤色判定前对图像或视频做光线补偿处理，可以有效地降低肤色判定中的漏检 率。考虑到图像中存在的人脸如果太小，那么就失去了图像处理的必要性。本发明对于检 测得到的人脸矩形框队列进行适当的调整，去除太小的矩形框，以最终确定需要图像处理 的人脸矩形框队列。本发明为了精确地定位人脸的位置，在用人脸矩形框定位人脸的基础上，进一步 提取人脸轮廓线来确定脸部区域。由于人脸形状的多样性和复杂性，在使用刚性模型提取 轮廓时，遇到了很大的困难，而常规的边缘检测得到的边缘又不连续，因此活动轮廓模型在 解决人脸轮廓提取问题上具有很大的优势。
本发明步骤(2)中所述的采用提取人脸轮廓的方法，首先将人脸形状的椭圆性约 束作为算子嵌入到几何活动轮廓模型中，并利用几何活动轮廓模型提取任意轮廓的优势来 快速抽取出图像中类似椭圆的目标边缘；然后根据图像中人脸的先验知识，通过对检测得 到的椭圆目标进一步验证来找到最终的人脸轮廓。本发明为了在人脸图像处理的同时尽可能的保留图像的细节信息不丢失，需要将 人脸图像分为特征区域和非特征区域。针对该过程对图像中的特征区域定位精度要求不是很 高，在脸部区域内利用二值化图像处理法分离出人脸图像中的眼睛、鼻子、嘴巴等脸部特征。本发明采用局部自适应二值化分割图像处理法，这是在许多图像处理法中所有阈 值分割图像处理法中效果最好的，而且对于非均勻光线照射的图像有很好的分割效果。通 过二值化分割，图像的特征区域均可以比较粗略地区分出来，但是由于人脸图像中的斑点、 皱纹等一些皮肤细节部分的影响，二值化有时会出现一些额外的小的区域，可通过设置阈 值来剔除这些干扰区域，然后通过腐蚀膨胀图像处理法基本标定出脸部特征区域，为后续 的图像处理奠定了较好的基础。在脸部特征定位的基础上，对脸部非特征区域图像处理的目标是调整斑点皱纹区 域的色度值，使其恢复正常的色度值。在人脸的灰度图像中，其皮肤的大部分区域比较平 坦，仅在存在斑点皱纹区域的灰度值会有突变，这些突变点可以看作脉冲噪声点，其表现在 时空域中为小幅值中高频率噪声。由于非线性滤波器对处理这种噪声信号有很好的作用， 同时可以保留图像的细节不被破坏，所以本发明用滤波方法来处理该区域，以达到人脸美 化的目的。在保留图像的细节不被破坏的同时，可以很好地去除图像中的不理想部分，如斑 点、皱纹等，达到很好的美化效果，使得皮肤变得光滑，漂亮。与现有技术相比，本发明能够达到基于人脸检测和眼部细节保留的人脸美化的效 果，首先检测图像或视频中存在的若干人脸位置，并通过提取人脸轮廓线进一步确定脸部 区域，提高了图像处理的针对性，缩小了处理的范围，在节省处理时间的同时完好地保留了 其他背景信息。其次，通过将人脸图像分为特征区域和非特征区域，只对非特征区域进行处 理，这不仅保留人脸特征区域图像的细节不被破坏，而且图像处理耗时少。此外，本发明使 用滤波方法来处理斑点皱纹，取得了很好的美化效果，可以广泛应用于电视机、数码相机、 摄像机、手机、投影仪以及其他数码影像装置和设备。
图1是本发明原理示意框图；图2是人脸检测流程示意图；图3是人脸矩形框队列调整的示意图；图4是四个不同方向窗口的示意图。
具体实施例方式以下结合附图对本发明的实施例作详细说明以下实施例在以本发明技术方案为 前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施 例。实施例
如图1所示，本实施例包括以下步骤(1)首先对人脸检测定位，然后调整人脸矩形框队列，选择人脸矩形框队列以待图 像处理。(2)进一步提取人脸轮廓，在人脸定位的基础上，利用几何活动轮廓模型提取人脸 轮廓线，确定脸部区域。(3)利用二值化图像处理法分离出脸部区域内的眼睛、鼻子、嘴巴等脸部特征，对 脸部特征进行定位。(4)对脸部非特征区域在脸部特征定位的基础上进行图像处理，去除脸部非特征 区域皮肤上的斑点、皱纹和瑕疵。如图2所示，步骤(1)中所述的检测定位是通过人脸分类器检测人脸区域，并将检 测出的若干人脸位置保存到人脸矩形框队列中；若未检出人脸，则进行光线补偿，再利用肤 色模型重新检测人脸区域，将检测出的人脸位置保存到人脸矩形框队列中。所述的检测人脸，在检测前，首先要确认图像或视频中的人脸方向，如果人脸横向 则需要手工或自动实施旋转校正操作，保持人脸处于竖直方向。本实施例在用人脸分类器进行人脸检测定位之前需要将彩色图像或视频转换 成灰度图像，本实施例采用了由Viola和Jones提出[Viola P. and Jones Μ. ,"Robust real-time objectdetection，”(鲁棒的实时对象检测)，Technical Report 2001/1， Compaq Cambridge Research Lab, 2001. ], Li enhart 和 Maydt 改进得到的人脸检测图 像处理法[Lienhart R. and Maydt J. , ‘‘Anextended set of Haar-Iike features for rapid object detection，”(用于快速对象检测的类哈尔特征扩展集)，Proc. IEEE ICIP， 2002，1 :900-903.]，可以有效地检测出正面竖直的人脸。该图像处理法通过机器学习的方 法对大量人脸图像的矩形特征训练，从而得到人脸分类器。矩形特征也被称为类哈尔特征 (Haar-like feature)，包括边界特征、线条特征和中心包围特征3类，共14种。通过事先 对人脸图像的训练，机器学习图像处理法给出用于判别人脸的这些矩形特征在方形区域中 的相对位置和阈值，从而构成人脸分类器。人脸分类器在图像或视频中检测出图像中存在 的一个或多个人脸，并将人脸的位置用方框标出，同时将检测出的人脸矩形框位置保存到 人脸矩形框队列中。如果人脸分类器没有检测出人脸，本实施例为了避免侧面人脸的漏检，通过肤色 模型重新进行人脸检测。考虑到肤色等色彩信息经常受到光源颜色、图像采集设备的色 彩偏差等因素的影响，而在整体上偏离本质色彩而向某一方向移动，即常说的色彩偏冷、偏 暖、图像偏黄、偏蓝等等，所以在肤色模型检测人脸前需要对图像或视频进行光线补偿。具 体是对RGB空间的三个颜色通道分别做直方图均衡化。即每个颜色通道中最亮的小部分像 素和最暗的小部分像素的值分别被重新设定为255和0，而其余像素的值则线性映射至1到 254的区间内。经过光线补偿后，本实施例采用的肤色模型基于YCbCr颜色空间，Y、Cb和Cr分别 代表色彩的亮度和色度信息。一般的数码图像通常是用RGB颜色空间来表示，在肤色判别 的时候需要转换到YCbCr色彩空间进行处理。若将某像素的色彩值分别用R(红)、G (绿)、 B(蓝)表示，则将像素从RGB空间根据以下公式转换到YCbCr空间
6
经过大量实验证明，在YCbCr颜色空间中属于肤色的范围是Cb e (77，127)， Cr e (133，173)，可以通过判断像素点的Cb，Cr值是否在上述范围内来判断该像素点是否 是肤色，由于肤色的区域相对很集中，可以用Gauss分布来描述这种分布。本实施例采用训 练的方法来计算得到一个这样分布的中心，接着本实施例根据像素离该中心的远近来计算 该像素的肤色相似度，逐点计算得到原图的相似度图，然后采用最小误差阈值分割得到该 相似度图的二值化图，从而将图像分成肤色区域和非肤色区域，最后用投影法来确定人脸 的位置，同时将检测出的人脸矩形框位置保存到人脸矩形框队列中。本实施例考虑到人脸矩形框覆盖了大部分的人脸，但是还是有下巴等部分区域没 有包含进去，所以为了对整个人脸进行完整地处理，需要对人脸矩形框进行上下左右适当 的扩展。本实施例分别扩展5%左右比较合适。与此同时，考虑到图像中存在的人脸如果太 小，那么就失去了图像处理的必要性。因此本实施例定义如果人脸矩形框的面积小于图像 面积的六十四分之一，本实施例将它们从人脸矩形框队列中去除不作图像处理。本实施例 对于检测得到的人脸矩形框队列进行适当的调整，如图3所示，去除太小的矩形框，以最终 确定需要图像处理的人脸矩形框队列。为了精确地定位人脸的位置，本实施例在人脸矩形框定位人脸的基础上，进一步 提取人脸轮廓线来确定脸部区域。由于人脸形状的多样性和复杂性，在使用刚性模型提取 轮廓时，遇到了很大的困难，而常规的边缘检测算子得到的边缘又不连续，因此活动轮廓模 型在解决人脸轮廓提取问题上具有很大的优势。针对传统的snake模型图像处理法极易 陷入局部极值，本实施例采用一种基于Chan-Vese几何活动轮廓模型[Chan Τ. F. and Vese L. A. ,"Active contourswithout edges，，，($ _白勺 舌云力f&j )，IEEE Transactions on Image Processing, 2001,10 (2) =266-277.]的人脸轮廓提取方法。为了正确检测出任意背 景图像中的人脸，可将椭圆形状作为曲线变形的约束条件，先找出图像中类似椭圆的目标， 再利用人脸内部的特征信息，以进行进一步验证。由于人脸本质上是一个具有一定形变的 椭圆，因此可以将人脸的基本形状用椭圆曲线(5进行描述 其中，(X(1，y0)为椭圆中心，P为椭圆的纵横比，一般在0.8 1.5之间。考虑到 图像中人脸的大小和位置未知，故需引入尺度因子Y、旋转矩阵R和位移矩阵T，这样即得 到人脸的形状曲线族C =沖(5 + Γ。对Chan-Vese提出的几何活动轮廓模型进行如下改进 将人脸的椭圆形状作为约束加入到模型中，目的是使模型最好收敛于椭圆目标边缘。设水 平集函数P的零水平集曲线为C'，它与人脸的形状曲线族之间的相似程度可表示为 式中，d2(YRx+T)表示C'上的点到曲线族之间的距离。加入椭圆约束的能量函 数可表示为
其中，Ems为Chan-Vese提出的几何活动轮廓模型的能量泛函，即第1项将模型吸 引到图像的边缘；第2项使模型被吸引到图像中的椭圆目标。λ >0为两项的平衡参数。 当模型收敛于椭圆目标边缘时，能量函数取最小值。这样就抽取出人脸图像中类似椭圆的 目标边缘，根据人脸的先验知识，然后通过对检测到的椭圆目标进行进一步验证来找到最 终人脸轮廓，确定脸部区域。如图1所示，本实施例为了在人脸图像处理的同时尽可能的保留图像的细节信息 不丢失，需要将人脸图像分为特征区域和非特征区域。针对该过程对图像中的特征区域定 位精度要求不是很高，在脸部区域，对彩色人脸图像的R、G、B三通道分别应用二值化图像 处理法，可以分离出人脸图像中的眼睛、鼻子、嘴巴等脸部特征，将人脸划分为特征部分和 非特征部分，为保护人脸细节奠定了很好的基础。在许多图像处理法中，Niblack图像处理 法[W. NIBLACK，“An introduction to digital image processing，”(数字图像处理导 论)，Prentice-Hall, EnglewoodCliffs, New Jersey, 1986 :115_116.]是一种常被提出来 使用的局部自适应二值化分割图像处理法，是所有阈值分割图像处理法中效果最好的，而 且对于非均勻光线照射的图像有很好的分割效果。该图像处理法是基于灰度图像的，将原 始图像划分成较小的图像块，再分别对其选取相应的阈值进行分割。其中图像二值化的阈 值为 其中m(x，y)为区域图像的灰度平均值，s(x，y)为区域图像的灰度标准差，R为 S (x, y)的可能范围，是为了标准化灰度值而设的，由于灰度图像的像素值范围为0 255， 所以本实施例取R= 128，k和模板的大小为经验值，取k =-0.03，模板大小为7X7。通过 试验表明，该二值化图像处理法在明暗度不同的区域都可以达到较理想的二值化效果。图 像的特征区域均可以比较粗略地区分出来，但是由于人脸图像中的斑点皱纹等一些皮肤细 节部分的影响，二值化时会出现一些额外的小的区域，本实施例通过使用设置阈值来剔除 这些干扰区域。其判断原则为对每个像素值为1的点使用大小为7X7的模板，统计该模 块内的像素值不为0的点的个数，经过实验得出，若该点数小于10则表示该点为干扰点，修 改该点像素值。Niblack 二值化图像处理法可以分离出图像的特征信息如眼睛、鼻子、嘴 巴等需要保护的图像特征区域，继而通过腐蚀膨胀图像处理法之后基本标定出特征区域， 将人脸图像分为特征区域和非特征区域。在人脸的灰度图像中，其皮肤的大部分区域比较平坦，仅在存在斑点皱纹区域灰 度值会有突变，这些突变点可以看作脉冲噪声点，其表现在时空域中为小幅值中高频率噪 声。通过计算NXN区域内的灰度平均值和均方差来进行分析，可以得出，在平滑区域的各 个像素灰度值与灰度平均值相等或差值相差很小，而在有斑点或皱纹的区域其灰度值与灰 度平均值之差较大且其差值的平均值远大于该区域均方差的值，由于非线性滤波器对处理 这种噪声信号有很好的作用，同时可以保留图像的细节不被破坏。本实施例使用了滤波方 法来处理该区域，以达到消除人脸上瑕疵的作用。
在脸部特征定位的基础上，对脸部非特征区域，美化处理的目标是调整斑点皱纹 区域的色度值，使其恢复正常的色度值。针对某些人脸上存在大颗的痣，可以根据实际需 要，通过邻域插值的方法去除。令x(m，n)表示图像在m行η列的灰度值。取变长为L的矩 形窗口，这里L = 2Ν+1，N为整数；然后把该窗口分成四个小窗口，当取L = 5时，如图4所 示。x(m-i，n-j)，-N<i，j彡N表示窗口内的像素点，则四个窗口被定义为 其中W1 (m, η)，W2 (m, η)，W3 (m, η)，W4 (m, η)分别表示沿水平，垂直，与水平方向成 45°及135°的一维窗口。令Z1 (m, η)，Z2 (m, η)，Z3 (m, η)，Z4 (m, η)分别表示这四个窗口内所有像素点的中值。 即Zk(m, n) =med[x(i，j) e Wk(m, η)] ；k = 1,2,3,4Umin (m，η), Ufflax (m, η)分别表示上式中四个中值的最小和最大值。即Umin (m, n) = min [Z1 (m, η), Z2 (m, η), Z3 (m, η), Z4 (m, η)]Umax (m, η) = max [Z1 (m, η), Z2 (m, η), Z3 (m, η), Z4 (m, η)]那么，这种特殊的滤波器的输出最终由下式给出y (m, n) = med [Umin (m, η), Umax (m, η), χ (m, η)]上式的四个窗口中，由于中心点像素值均参与操作，这使得各个方向相互关联，降 低了图像对细节的保护。为了满足各个窗口间所含像素点的相互独立性，本实施例需要把 四个方向的窗口的中心点像素x(m，n)去除，这样可以得到更好地保留图像细节的效果。改 进后的公式表示如下 通过多次试验，发现当滤波窗口 L太小，则计算量会增加，当L太大，则不利于图像 细节的保留。因此本实施例取滤波窗口L = 5比较适中。根据以上的滤波方法，本实施例迭代地处理图像中保留特征区域之后的平坦皮肤 部分，可以很好的去除图像中的不理想部分，如斑点、皱纹等，得到了很好的美化效果，使得 皮肤变得光滑，漂亮。通过多次试验得出，当该迭代次数为3次左右时可以达到比较好的效 果，5次以上对图像的细节损失比较大。
权利要求
一种人脸检测中非特征区域图像处理的方法，其特征在于，包括四个步骤(1)首先对人脸检测定位，然后调整人脸矩形框队列，选择人脸矩形框队列以待图像处理；(2)进一步提取人脸轮廓，在人脸定位的基础上，利用几何活动轮廓模型提取人脸轮廓线，确定脸部区域；(3)利用二值化图像处理法分离出脸部区域内的眼睛、鼻子、嘴巴等脸部特征，对脸部特征进行定位；(4)对脸部非特征区域在脸部特征定位的基础上进行图像处理，去除脸部非特征区域皮肤上的斑点、皱纹和瑕疵。
2.根据权利要求1所述的人脸检测中非特征区域图像处理的方法，其特征是，步骤(1) 中所述的检测定位是通过人脸分类器检测人脸区域，将检测出的若干人脸位置保存到人脸 矩形框队列；若未检出人脸，则进行光线补偿，再利用肤色模型重新检测人脸区域，将检测 出的人脸位置保存到人脸矩形框队列。
3.根据权利要求1所述的人脸检测中非特征区域图像处理的方法，其特征是，所述的 检测人脸，在检测前，首先要确认图像或视频中的人脸方向，如果人脸横向则需要手工或自 动实施旋转校正操作，保持人脸处于竖直方向。
4.根据权利要求1所述的人脸检测中非特征区域图像处理的方法，其特征是，调整检 测出所述的人脸矩形框队列，以及需要处理的人脸矩形框队列，对人脸矩形框进行上下左 右的扩展，分别扩展5%左右；与此同时，如果人脸矩形框的面积小于图像面积的六十四分 之一，就将它们从人脸矩形框队列中去除。
5.根据权利要求1所述的人脸检测中非特征区域图像处理的方法，其特征是，所述的 人脸分类器是采用机器学习的方法，在矩形特征的基础上，对大量的人脸灰度图进行训练 而得到的，人脸分类器处理正面人脸图像，对于侧面人脸图像，通过基于YCbCr色彩空间的 肤色模型进行人脸区域检测，在肤色判定前对图像或视频做光线补偿。
6.根据权利要求1所述的人脸检测中非特征区域图像处理的方法，其特征是，步骤(2) 中所述的提取人脸轮廓的方法，首先将人脸形状的椭圆性约束作为算子嵌入到几何活动轮 廓模型中，并利用几何活动轮廓模型提取任意轮廓的优势来快速抽取出图像中类似椭圆的 目标边缘；然后根据图像中人脸的知识，通过对检测到的椭圆目标进行进一步验证来找到 最终人脸轮廓。
7.根据权利要求1所述的人脸检测中非特征区域图像处理的方法，其特征是，步骤(4) 中所述的非特征区域进行图像处理，目标是调整恢复斑点、皱纹和瑕疵区域的正常的色度 值，由于在人脸的灰度图像中，其皮肤的大部分区域比较平坦，仅在存在斑点皱纹区域灰度 值会有突变，这些突变点可看作脉冲噪声点，其表现在时空域中为小幅值中高频率噪声，采 用滤波方法来处理该区域，在保留图像的细节不被破坏的同时，去除图像中的斑点、皱纹和 瑕疵。
全文摘要
一种图像处理技术领域人脸检测中非特征区域图像处理的方法。包括四个步骤首先对人脸检测定位，然后调整人脸矩形框队列，选择人脸矩形框队列以待图像处理；进一步提取人脸轮廓，在人脸定位的基础上，利用几何活动轮廓模型提取人脸轮廓线，确定脸部区域；利用二值化图像处理法分离出脸部区域内的眼睛、鼻子、嘴巴等脸部特征，对脸部特征进行定位；对脸部非特征区域在脸部特征定位的基础上进行图像处理，去除脸部非特征区域脸部皮肤上的斑点、皱纹和瑕疵。本发明能快速检测和定位数码图像或视频中存在的多个人脸位置，可完整保留人脸图像的细节部分，达到了自动人脸美化的效果。
文档编号G06K9/00GK101916370SQ20101026699
公开日2010年12月15日 申请日期2010年8月31日 优先权日2010年8月31日
发明者卢芳芳, 赵群飞 申请人:上海交通大学