本发明涉及数字影像处理技术领域，尤其涉及一种基于全景影像的人脸模糊化方法及系统。
背景技术：
随着gis测绘技术的快速发展和普及应用，全景影像应用于智慧城市建设及其测绘生产过程中，在目前的而地图浏览功能中，大多支持实景三维浏览，然而在实际社会使用中，需要遵循国家相关规定如《公开地图内容表示若干规定》、《导航电子地图安全处理技术基本要求》、《公开地图内容表示补充规定(试行)》等，涉密内容在实景影像中，或删除不予显示，或对影像涉密区域进行模糊，使其融于背景或者模糊不清。现有的关于影像内常见人脸的模糊化，一般都是人工识别人脸并操作模糊化，效率低下还易缺漏。
技术实现要素：
本发明的目的在于提供一种基于全景影像的人脸模糊化方法及系统，旨在用于解决现有的影像内人脸的模糊化采用人工识别人脸并操作模糊化，效率低下还易缺漏的问题。
本发明是这样实现的：
一方面，本发明提供一种基于全景影像的人脸模糊化方法，包括以下步骤：
根据多个已识别的人脸影像，获取各个人脸影像的特征向量，建立人脸特征向量的矩阵数据集；
在全景影像中进行人脸定位，获取全景影像中的类似人脸影像；
计算该类似人脸影像的特征向量，再计算该类似人脸影像的特征向量与人脸特征向量的矩阵数据集的欧几里得距离，设定一个阈值，当该欧几里得距离小于该设定阈值时，即认定该类似人脸影像为人脸影像；
将类似人脸影像认定为人脸影像后，匹配该类似人脸影像的人脸像素区域，调节该人脸像素区域的颜色至指定颜色，并将该人脸像素区域的像素排列方式打乱，以将该人脸像素区域模糊化。
进一步地，还包括：将类似人脸影像认定为人脸影像后，将其特征向量存入人脸特征向量的矩阵数据集。
进一步地，所述根据多个已识别的人脸影像，获取各个人脸影像的特征向量具体包括：
利用特征向量法先确定人脸影像中五官轮廓的大小、位置、距离属性，然后再计算出各属性的几何特征量，这些几何特征量形成描述该人脸影像的特征向量。
进一步地，所述在全景影像中进行人脸定位，获取全景影像中类似人脸影像具体包括：
第一步，分别用左眼和右眼的像素排列模板在全景影像中搜索相似排列方式，匹配到相似度较大的两个类似眼睛区域作为定位的一组眼睛；
第二步，获取该两个类似眼睛区域的像素点地址集群，计算两个类似眼睛区域的中心像素点，获取两个中心像素点连线ab，通过地址求出其距离α个像素，用鼻子的像素排列模板往连线ab中点c垂直向下α/4到3α/4距离区间搜索相似排列方式，匹配到类似鼻子区域，未找到即放弃该组定位组数返回第一步；
第三步，获取该类似鼻子区域的像素点集群，获取类似鼻子区域的中心像素点d地址，满足dc线段与ab垂直条件，用嘴唇的像素排列模板从d点沿cd线段方向寻找α到3α/2距离区间搜索相似排列方式，匹配到类似嘴唇区域，未找到即放弃该组定位组数返回第一步；
第四步，获取该类似嘴唇区域的像素点集群，则同样计算类似嘴唇区域的中心点e，再次计算像素点a、b、c、d、e中心点o，以o为中心像素点，获取3α*3α像素区域为类似人脸影像区域。
进一步地，所述将该人脸像素区域的像素排列方式打乱具体包括：
确定该人脸像素区域的像素地址集群，根据像素地址集群确定像素点集群，以某一像素点为中心，获取该像素点的周边正方形区域内n个像素点的平均像素值来作为该像素点自身的像素值，对像素点集群内所有像素点都如此操作。
另一方面，本发明还提供一种基于全景影像的人脸模糊化系统，包括：
矩阵数据集建立模块，用于根据多个已识别的人脸影像，获取各个人脸影像的特征向量，建立人脸特征向量的矩阵数据集；
类似人脸影像获取模块，用于在全景影像中进行人脸定位，获取全景影像中的类似人脸影像；
人脸识别模块，用于计算该类似人脸影像的特征向量，再计算该类似人脸影像的特征向量与人脸特征向量的矩阵数据集的欧几里得距离，设定一个阈值，当该欧几里得距离小于该设定阈值时，即认定该类似人脸影像为人脸影像；
人脸模糊化模块，用于将类似人脸影像认定为人脸影像后，匹配该类似人脸影像的人脸像素区域，调节该人脸像素区域的颜色至指定颜色，并将该人脸像素区域的像素排列方式打乱，以将该人脸像素区域模糊化。
进一步地，还包括矩阵数据集数据添加模块，用于在将类似人脸影像认定为人脸影像后，将其特征向量存入人脸特征向量的矩阵数据集。
进一步地，所述矩阵数据集建立模块具体用于：
利用特征向量法先确定人脸影像中五官轮廓的大小、位置、距离属性，然后再计算出各属性的几何特征量，这些几何特征量形成描述该人脸影像的特征向量。
进一步地，所述类似人脸影像获取模块具体用于：
第一步，分别用左眼和右眼的像素排列模板在全景影像中搜索相似排列方式，匹配到相似度较大的两个类似眼睛区域作为定位的一组眼睛；
第二步，获取该两个类似眼睛区域的像素点地址集群，计算两个类似眼睛区域的中心像素点，获取两个中心像素点连线ab，通过地址求出其距离α个像素，用鼻子的像素排列模板往连线ab中点c垂直向下α/4到3α/4距离区间搜索相似排列方式，匹配到类似鼻子区域，未找到即放弃该组定位组数返回第一步；
第三步，获取该类似鼻子区域的像素点集群，获取类似鼻子区域的中心像素点d地址，满足dc线段与ab垂直条件，用嘴唇的像素排列模板从d点沿cd线段方向寻找α到3α/2距离区间搜索相似排列方式，匹配到类似嘴唇区域，未找到即放弃该组定位组数返回第一步；
第四步，获取该类似嘴唇区域的像素点集群，则同样计算类似嘴唇区域的中心点e，再次计算像素点a、b、c、d、e中心点o，以o为中心像素点，获取3α*3α像素区域为类似人脸影像区域。
进一步地，所述人脸模糊化模块具体用于：
确定该人脸像素区域的像素地址集群，根据像素地址集群确定像素点集群，以某一像素点为中心，获取该像素点的周边正方形区域内n个像素点的平均像素值来作为该像素点自身的像素值，对像素点集群内所有像素点都如此操作。
与现有技术相比，本发明具有以下有益效果：
本发明提供的这种基于全景影像的人脸模糊化方法及系统，能够从全景影像中获取类似人脸影像并自动进行人脸识别，识别为人脸后自动进行模糊化，减少了人脸模糊化过程中的人为参与部分，节约了人力成本，高效地将识别过程与模糊化过程联合起来，做到自动化识别和自动化模糊化；此外，该技术在持续不断的人脸影像识别过程中，可以积累新的人脸识别方式，并将其存入原始矩阵数据集，不断丰富和完善识别方式，在使用过程中“自我学习”，具有很强的适应性。
附图说明
图1为本发明实施例提供的一种基于全景影像的人脸模糊化方法的流程图；
图2为本发明实施例提供的一种基于全景影像的人脸模糊化系统的方框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种基于全景影像的人脸模糊化方法，包括以下步骤：
s1，根据多个已识别的人脸影像，获取各个人脸影像的特征向量，建立人脸特征向量的矩阵数据集；
s2，在全景影像中进行人脸定位，获取全景影像中的类似人脸影像；
s3，计算该类似人脸影像的特征向量，再计算该类似人脸影像的特征向量与人脸特征向量的矩阵数据集的欧几里得距离，设定一个阈值，当该欧几里得距离小于该设定阈值时，即认定该类似人脸影像为人脸影像；
s4，将类似人脸影像认定为人脸影像后，匹配该类似人脸影像的人脸像素区域，调节该人脸像素区域的颜色至指定颜色，并将该人脸像素区域的像素排列方式打乱，以将该人脸像素区域模糊化。
本发明能够从全景影像中获取类似人脸影像并自动进行人脸识别，识别为人脸后自动进行模糊化，减少了人脸模糊化过程中的人为参与部分，节约了人力成本，高效地将识别过程与模糊化过程联合起来，做到自动化识别和自动化模糊化。
优选地，该方法还包括：将类似人脸影像认定为人脸影像后，将其特征向量存入人脸特征向量的矩阵数据集，作为下次的人脸识别依据之一。从而在持续不断的人脸影像识别过程中，可以积累新的人脸识别方式，不断丰富和完善识别方式，在使用过程中“自我学习”，具有很强的适应性。
人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。人脸不一致，导致获取的人脸特征向量也会不一致，那么特征向量的多样化也就是人脸的多样化，获取大量人脸的特征向量即可更大程度上的为识别未知人脸做出基础。
因此，进一步地，所述根据多个已识别的人脸影像，获取各个人脸影像的特征向量具体包括：利用特征向量法先确定人脸影像中眼睛、鼻子、嘴唇等五官轮廓的大小、位置(取中心像素点)、距离(各中心点距离)等属性，然后再计算出各属性的几何特征量，这些几何特征量形成描述该人脸影像的特征向量。
每一个人脸影像的特征向量可以表示为一个影像向量，该影像向量可以用一个n*n的方阵表示，如下：
方阵中的每一个元素代表一个几何特征量。
将所有的已识别的人脸影像的特征向量放到一个大矩阵里面，形如：
则构成了人脸特征向量的矩阵数据集。
优选地，所述在全景影像中进行人脸定位，获取全景影像中类似人脸影像具体包括：
第一步，分别用左眼和右眼的像素排列模板在全景影像中搜索相似排列方式，匹配到相似度较大的两个类似眼睛区域作为定位的一组眼睛；
眼睛是面部最重要的特征，它们的精确定位是识别的关键，因此利用模板匹配方法对人脸进行定位首先是对眼睛进行定位，这种方法比较简单，由于眼睛分左眼和右眼，因此计算量较大，定位准确率较低，定位组数较多，所以将眼睛的定位作为第一步。
第二步，获取该两个类似眼睛区域的像素点地址集群，计算两个类似眼睛区域的中心像素点，获取两个中心像素点连线ab，通过地址求出其距离α个像素，用鼻子的像素排列模板往连线ab中点c垂直向下α/4到3α/4距离区间搜索相似排列方式，匹配到类似鼻子区域，未找到即放弃该组定位组数返回第一步。
第三步，获取该类似鼻子区域的像素点集群，获取类似鼻子区域的中心像素点d地址，满足dc线段与ab垂直条件，用嘴唇的像素排列模板从d点沿cd线段方向寻找α到3α/2距离区间搜索相似排列方式，匹配到类似嘴唇区域，未找到即放弃该组定位组数返回第一步。
第四步，获取该类似嘴唇区域的像素点集群，则同样计算类似嘴唇区域的中心点e，再次计算像素点a、b、c、d、e中心点o，以o为中心像素点，获取3α*3α像素区域为类似人脸影像区域。
优选地，所述将该人脸像素区域的像素排列方式打乱具体包括：
确定该人脸像素区域的像素地址集群，根据像素地址集群确定像素点集群，以某一像素点为中心，获取该像素点的周边正方形区域内n个像素点的平均像素值来作为该像素点自身的像素值，对像素点集群内所有像素点都如此操作。
基于同一发明构思，本发明实施例还提供了一种基于全景影像的人脸模糊化系统，由于该系统所解决问题的原理与前述实施例一种基于全景影像的人脸模糊化方法相似，因此该系统的实施可以参见前述方法的实施，重复之处不再赘述。
下述为本发明实施例提供的一种基于全景影像的人脸模糊化系统，可以用于执行上述基于全景影像的人脸模糊化方法实施例。
如图2所示，本发明实施例提供的一种基于全景影像的人脸模糊化系统包括：
矩阵数据集建立模块21，用于根据多个已识别的人脸影像，获取各个人脸影像的特征向量，建立人脸特征向量的矩阵数据集；
类似人脸影像获取模块22，用于在全景影像中进行人脸定位，获取全景影像中的类似人脸影像；
人脸识别模块23，用于计算该类似人脸影像的特征向量，再计算该类似人脸影像的特征向量与人脸特征向量的矩阵数据集的欧几里得距离，设定一个阈值，当该欧几里得距离小于该设定阈值时，即认定该类似人脸影像为人脸影像；
人脸模糊化模块24，用于将类似人脸影像认定为人脸影像后，匹配该类似人脸影像的人脸像素区域，调节该人脸像素区域的颜色至指定颜色，并将该人脸像素区域的像素排列方式打乱，以将该人脸像素区域模糊化。
本优选实施例中，还包括矩阵数据集数据添加模块25，用于在将类似人脸影像认定为人脸影像后，将其特征向量存入人脸特征向量的矩阵数据集。
优选地，所述矩阵数据集建立模块具体用于：
利用特征向量法先确定人脸影像中五官轮廓的大小、位置、距离属性，然后再计算出各属性的几何特征量，这些几何特征量形成描述该人脸影像的特征向量。
优选地，所述类似人脸影像获取模块具体用于：
第一步，分别用左眼和右眼的像素排列模板在全景影像中搜索相似排列方式，匹配到相似度较大的两个类似眼睛区域作为定位的一组眼睛；
第二步，获取该两个类似眼睛区域的像素点地址集群，计算两个类似眼睛区域的中心像素点，获取两个中心像素点连线ab，通过地址求出其距离α个像素，用鼻子的像素排列模板往连线ab中点c垂直向下α/4到3α/4距离区间搜索相似排列方式，匹配到类似鼻子区域，未找到即放弃该组定位组数返回第一步；
第三步，获取该类似鼻子区域的像素点集群，获取类似鼻子区域的中心像素点d地址，满足dc线段与ab垂直条件，用嘴唇的像素排列模板从d点沿cd线段方向寻找α到3α/2距离区间搜索相似排列方式，匹配到类似嘴唇区域，未找到即放弃该组定位组数返回第一步；
第四步，获取该类似嘴唇区域的像素点集群，则同样计算类似嘴唇区域的中心点e，再次计算像素点a、b、c、d、e中心点o，以o为中心像素点，获取3α*3α像素区域为类似人脸影像区域。
优选地，所述人脸模糊化模块具体用于：
确定该人脸像素区域的像素地址集群，根据像素地址集群确定像素点集群，以某一像素点为中心，获取该像素点的周边正方形区域内n个像素点的平均像素值来作为该像素点自身的像素值，对像素点集群内所有像素点都如此操作。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。