CN104680121B - 一种人脸图像的处理方法及装置 - Google Patents

一种人脸图像的处理方法及装置 Download PDF

Info

Publication number
CN104680121B
CN104680121B CN201310636576.2A CN201310636576A CN104680121B CN 104680121 B CN104680121 B CN 104680121B CN 201310636576 A CN201310636576 A CN 201310636576A CN 104680121 B CN104680121 B CN 104680121B
Authority
CN
China
Prior art keywords
characteristic
feature
value
negative sample
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201310636576.2A
Other languages
English (en)
Other versions
CN104680121A (zh
Inventor
郑志昊
侯方
吴永坚
倪辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201310636576.2A priority Critical patent/CN104680121B/zh
Priority to PCT/CN2014/089885 priority patent/WO2015078261A1/en
Publication of CN104680121A publication Critical patent/CN104680121A/zh
Priority to HK15107064.9A priority patent/HK1206463A1/zh
Application granted granted Critical
Publication of CN104680121B publication Critical patent/CN104680121B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种人脸图像的处理方法及装置，其中人脸图像的处理方法可包括：获取人像图像中预设人脸元素的多个特征点，并根据预设人脸元素的多个特征点计算预设人脸元素的特征值；获取与预设人脸元素对应的正/负样本图像的正/负样本特征值，并计算预设人脸元素的特征值与正/负样本特征值的偏差值，得到目标特征值；根据预设的加权策略对目标特征值进行加权，确定人脸图像处理结果，并在显示屏幕显示人脸图像处理结果。本发明可计算预设人脸元素的特征值与对应的正/负样本特征值的偏差值，再进行加权得到人脸图像处理结果，提高了人像处理的精度和对人脸图像的美貌度评价的灵活性。

Description

一种人脸图像的处理方法及装置
技术领域
本发明涉及计算机图像处理领域，尤其涉及一种人脸图像的处理方法及装置。
背景技术
随着数码相机、智能手机、摄像头等可拍摄终端的普及，用户对拍摄终端拍摄到的照片的需求不再局限于记录照片，还在于编辑照片，例如，对于人脸图像，用户可进行美白、磨皮等编辑操作，进而美化人脸图像。人脸识别技术的不断发展，使得人脸图像的编辑更加灵活，可将人脸图像与设定的人脸模型进行匹配，例如明星脸等。
现有技术中，用户对人脸图像的美貌度进行评价，可通过人脸识别技术得到人脸图像中例如眼睛、鼻子、嘴唇等元素的中心位置点，再以此中心位置点计算各元素之间的距离比例，例如眼睛到鼻子的距离与鼻子到嘴唇的距离的比值等，再分别计算与人脸美学标准值的偏差，进而进行人脸图像美貌度的评价。现有技术中，对人脸图像中各元素的位置定位为一个点，计算精度低，再计算各点之间的距离的比值，再分别计算与人脸美学标准值的偏差，计算维度较为粗略，降低了对人脸图像的美貌度评价的精准度以及灵活性。
发明内容
本发明实施例提供一种人脸图像的处理方法及装置。可计算预设人脸元素的特征值与对应的正/负样本特征值的偏差值，再进行加权得到人脸图像处理结果，提高了人像处理的精度和对人脸图像的美貌度评价的灵活性。
本发明第一方面提供一种人脸图像的处理方法，可包括：
获取人像图像中预设人脸元素的多个特征点，并根据所述获取到的预设人脸元素的多个特征点计算所述预设人脸元素的特征值；
获取与所述预设人脸元素对应的正/负样本图像的正/负样本特征值，并计算所述预设人脸元素的特征值与所述正/负样本特征值的偏差值，得到目标特征值；
根据预设的加权策略对所述目标特征值进行加权，确定人脸图像处理结果，并在显示屏幕显示所述人脸图像处理结果。
本发明第二方面提供一种人脸图像的处理装置，可包括：
人脸元素处理模块，用于获取人像图像中预设人脸元素的多个特征点，并根据所述获取到的预设人脸元素的多个特征点计算所述预设人脸元素的特征值；
特征值处理模块，用于获取与所述预设人脸元素对应的正/负样本图像的正/负样本特征值，并计算所述预设人脸元素的特征值与所述正/负样本特征值的偏差值，得到目标特征值；
图像结果处理模块，用于根据预设的加权策略对所述目标特征值进行加权，确定人脸图像处理结果，并在显示屏幕显示所述人脸图像处理结果。
实施本发明实施例，具有如下有益效果：
本发明实施例可根据预设人脸元素的多个特征点计算预设人脸元素的特征值，计算预设人脸元素的特征值与正/负样本特征值的偏差值，根据预设的加权策略进行加权得到人脸图像处理结果，并在显示屏幕显示人脸图像处理结果，提高了人像处理的精度和对人脸图像的美貌度评价的灵活性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种人脸图像的处理方法的流程图；
图2为本发明实施例提供的人脸图像的特征点的示意图；
图3为本发明实施例提供的一种人脸图像的处理装置的结构示意图；
图4为本发明实施例提供的人脸元素处理模块的结构示意图。
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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例中，人脸图像的处理装置包括但不局限于：数码相机、摄像机、智能手机、平板电脑、个人数字助理(PDA，Personal Digital Assistant，又名掌上电脑)等可拍摄终端设备，人脸图像的处理装置还可以为拍摄终端设备中的客户端模块，例如：图像处理客户端等。人脸图像可以为通过可拍摄终端设备进行拍摄得到的包括人脸的图像，或者通过其他途径(例如绘制等)获取到的包括人脸的图像，也可以为经过终端设备识别到的包括人脸的图像，具体的，人脸图像的处理装置识别到包括人脸的图像的过程可以包括：
(1)通过人脸检测***的离线训练模块采集大量(万级以上)的人脸图像与非人脸图像，分别提取haar(哈尔)特征，通过自适应boosting(一种提高弱分类算法准确度的方法)分类器挑选最佳的haar特征及相应的阈值和权重组合成级联强分类器。
(2)输入一张图像，对图像进行解码，将解码后的图像数据发送到人脸检测***。
(3)人脸检测***的在线分类模块对解码后的图像数据以不同大小和位置的窗口进行多尺度空间搜索并提取haar特征，将每个搜索窗口的特征输入级联强分类器判断窗口内是否包含人脸图像，最后合并所有的判别结果，将人脸位置和大小输出，得到人脸图像。
本发明实施例提供一种人脸图像的处理方法及装置，可根据预设人脸元素的多个特征点计算预设人脸元素的特征值，计算预设人脸元素的特征值与正/负样本特征值的偏差值，根据预设的加权策略进行加权得到人脸图像处理结果，并在显示屏幕显示人脸图像处理结果，提高了人像处理的精度和对人脸图像的美貌度评价的灵活性。例如，本发明实施例的人脸图像的处理方法可以应用于对照片中的人脸进行评分等等。
下面将结合附图1-附图2，对本发明实施例提供的人脸图像的处理方法进行详细介绍。
请参见图1，为本发明实施例提供的一种人脸图像的处理方法的流程图；该方法可包括以下步骤：S101～S103。
S101，获取人像图像中预设人脸元素的多个特征点，并根据获取到的预设人脸元素的多个特征点计算预设人脸元素的特征值。
作为一种可选的实施方式，步骤S101中，获取人像图像中预设人脸元素的多个特征点，其中，预设人脸元素包括但不局限于：左眼睛、右眼睛、左眉毛、右眉毛、鼻子、嘴巴和人脸边缘。
作为一种可选的实施方式，预设人脸元素的多个特征点可以为通过预设的人脸匹配模板对人脸图像中的预设人脸元素进行处理得到的多个特征点，其中，预设的人脸匹配模板为通过现有技术中的主动形状模型(ASM，Active Shape Model)实现。
ASM(主动形状模型)建立在PDM(Point Distribution Model，点分布模型)基础上，通过训练图像样本获取训练图像样本的特征点分布的统计信息，且获取特征点允许存在的变化方向，实现在目标图像上寻找对应的特征点的位置。对于训练样本，需手动标记所有特征点的位置，记录特征点的坐标，并计算每一个特征点对应的局部灰度模型作为局部特征点调整用的特征向量。将训练好的模型放在目标图像上，寻找每一个特征点的下一个位置时，采用局部灰度模型寻找在当前特征点指定方向上局部灰度模型马氏距离最小的特征点作为当前特征点即将移动到的位置，称为suggested point(建议特征点)，找到所有的suggested points就可以获得一个搜索的suggested shape(建议形状)，然后将当前的模型通过调整参数使得当前的模型最可能相似的调整到suggest shape，重复迭代直到实现收敛。本发明实施例中人脸图像为目标图像，进而通过预设的人脸匹配模板对人脸图像中的预设人脸元素进行处理得到的多个特征点。
作为一种可选的实施方式，人像图像中预设人脸元素的特征点的个数可以为预设的数量，例如总共88个、99个、155个等，具体特征点的数量与预设的人脸匹配模板中采取的训练图像样本相关，若预设的人脸匹配模板中采取的训练图像样本中的特征点总共为88个，则人像图像中预设人脸元素的特征点的个数总共也为88个，具体的，特征点的数量越多图像处理越精确。
作为一种可选的实施方式，如图2所示，为本发明实施例提供的人脸图像的特征点的示意图，图2(a)为人脸图像全部特征点示意图，该人脸图像中共包括88个特征点，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，图2(c)为左眉毛的特征点示意图，包括特征点1～特征点8共8个特征点，图2(d)为右眉毛的特征点示意图，包括特征点9～特征点16共8个特征点，图2(e)为左眼睛的特征点示意图，包括特征点17～特征点24共8个特征点，图2(f)为右眼睛的特征点示意图，包括特征点25～特征点32共8个特征点，图2(g)为鼻子的特征点示意图，包括特征点33～特征点45共13个特征点，图2(h)为嘴巴的特征点示意图，包括特征点46～特征点67共22个特征点。
作为一种可选的实施方式，步骤S101中，根据获取到的预设人脸元素的多个特征点计算预设人脸元素的特征值，具体的，根据预设人脸元素的多个特征点可以计算对应的面积、灰度值等，例如，如图2(c)所示，为左眉毛的特征点示意图，包括特征点1～特征点8共8个特征点，以特征点8为顶点，分别与特征点1～7中的两特征点构成三角形，计算各个三角形的面积，再求和，得到左眉毛区域的面积值；如图2(e)所示，为左眼睛的特征点示意图，包括特征点17～特征点24共8个特征点，计算特征点17与特征点21之间的直线区域内的灰度值。
S102，获取与预设人脸元素对应的正/负样本图像的正/负样本特征值，并计算预设人脸元素的特征值与正/负样本特征值的偏差值，得到目标特征值。
作为一种可选的实施方式，步骤S102中，获取与预设人脸元素对应的正/负样本图像的正/负样本特征值，具体的，正/负样本图像为对预设的图像库中的样本图像进行特征提取，并根据预设人脸元素进行分类，得到预设人脸元素对应的正/负样本图像。正/负样本图像例如，大眼睛的正样本图像，小眼睛的负样本图像，大鼻子的正样本图像，小鼻子的负样本图像等。
具体的，正/负样本特征值为通过预设的人脸匹配模板对预设人脸元素对应的正/负样本图像进行处理得到多个特征点，再根据特征点计算得到的特征值，具体的，例如大眼睛的正样本图像的特征值(眼睛)、小眼睛的负样本图像的特征值(眼睛)，大鼻子的正样本图像的特征值(鼻子)，小鼻子的负样本图像的特征值(鼻子)等。
作为一种可选的实施方式，步骤S102中，计算预设人脸元素的特征值与正/负样本特征值的偏差值，得到目标特征值。其中，目标特征值可以包括：眼睛特征值、瞳孔特征值、眉毛特征值、鼻子特征值、嘴巴特征值、皮肤白皙特征值或皮肤光滑特征值。可选的，目标特征值的计算式子可以为：(预设人脸元素的特征值-负样本特征值)/(正样本特征值-负样本特征值)。
S103，根据预设的加权策略对目标特征值进行加权，确定人脸图像处理结果，并在显示屏幕显示人脸图像处理结果。
作为一种可选的实施方式，步骤S103中，根据预设的加权策略对目标特征值进行加权，确定人脸图像处理结果，并在显示屏幕显示人脸图像处理结果。具体的，预设的加权策略可以根据人脸图像的性别确定和/或根据预设的加权分值来确定，得到的人脸图像处理结果在显示屏幕显示。进一步可选的，可按预设的显示模板在显示屏幕显示人脸图像处理结果，人脸图像处理结果例如：在显示屏幕显示人脸图像、人脸图像的总评价结果值、各个目标特征值的评价结果等，预设的显示模板例如：“您的人脸美貌度评价总分为XX分(总分100)，您的眼睛大、皮肤光滑美貌度超过XX％”等。
进一步可选的，本发明实施例中的人脸图像的处理方法，在步骤S101之后还可以包括：
根据预设的人物性别判断模板分析并确定所述人脸图像的性别。
作为一种可选的实施方式，预设的人物性别判断模板为现有技术中通过对训练图像样本进行预处理(例如光照补齐、旋转矫正等)，提取Gabor特征，训练图像样本信息由二维矩阵转变成一维向量，对训练图像样本的特征向量进行特征降维，以降低复杂度，输入SVM(Support Vector Machine，支持向量机，一种可训练的机器学习方法)分类器进行训练与识别，得到的人物性别判断模板，本发明实施例中，导入人脸图像进行识别，根据预设的人物性别判断模板识别到人像图像的性别。
可选的，步骤S103中，根据预设的加权策略对目标特征值进行加权，确定人脸图像处理结果，其中，预设的加权策略包括：根据人像图像的性别从目标特征值中的眼睛特征值、瞳孔特征值、眉毛特征值、鼻子特征值、嘴巴特征值、皮肤白皙特征值、皮肤光滑特征值中确定加权项。
进一步可选的，本发明实施例中的人脸图像的处理方法，在步骤S101之前还可以包括：
对预设的图像库中的样本图像进行特征提取，并根据预设人脸元素进行分类，得到预设人脸元素对应的正/负样本图像。
作为一种可选的实施方式，对预设的图像库中的样本图像进行特征提取，可选的，可以通过预设的人脸匹配模板为对样本图像进行特征提取，并根据预设人脸元素进行分类，得到预设人脸元素对应的正/负样本图像，正/负样本图像例如，大眼睛的正样本图像，小眼睛的负样本图像，大鼻子的正样本图像，小鼻子的负样本图像等。进一步可选的，还可以实时更新预设的图像库中的正/负样本图像，例如，若大眼睛的正样本图像001，通过特征提取与比较，检测到新获取到的样本图像002的眼睛更加大，则用样本图像002替换眼睛大的正样本图像001，则样本图像002为新的大眼睛的正样本图像。
本发明实施例可根据预设人脸元素的多个特征点计算预设人脸元素的特征值，对应每一个预设人脸元素，每个预设人脸元素对应的特征点包含多个，提高了计算精度，计算每个预设人脸元素对应的特征值，不再局限于只是预设人脸元素之间的距离的比值，增加了计算的维度，计算预设人脸元素的特征值与预设人脸元素对应的正/负样本图像的正/负样本特征值的偏差值，正/负样本图像为：对预设的图像库中的样本图像进行特征提取，并根据预设人脸元素进行分类，得到预设人脸元素对应的样本图像，根据预设的加权策略进行加权得到人脸图像处理结果，并在显示屏幕显示人脸图像处理结果，提高了人像处理的精度和对人脸图像的美貌度评价的灵活性。
进一步可选的，下面结合附图2，对本发明实施例提供的人脸图像处理过程进行详述。
作为一种可选的实施方式，获取人像图像中预设人脸元素的多个特征点，如图2所示，为本发明实施例提供的人脸图像的特征点的示意图，图2(a)为人脸图像全部特征点示意图，该人脸图像中共包括88个特征点，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，图2(c)为左眉毛的特征点示意图，包括特征点1～特征点8共8个特征点，图2(d)为右眉毛的特征点示意图，包括特征点9～特征点16共8个特征点，图2(e)为左眼睛的特征点示意图，包括特征点17～特征点24共8个特征点，图2(f)为右眼睛的特征点示意图，包括特征点25～特征点32共8个特征点，图2(g)为鼻子的特征点示意图，包括特征点33～特征点45共13个特征点，图2(h)为嘴巴的特征点示意图，包括特征点46～特征点67共22个特征点。
作为一种可选的实施方式，根据获取到的预设人脸元素的多个特征点计算预设人脸元素的特征值，具体可以包括：
根据预设人脸元素的多个特征点分别计算左眼睛的特征区域面积、右眼睛的特征区域面积和人脸边缘的特征区域面积；
比较左眼睛的特征区域面积和右眼睛的特征区域面积，将特征区域面积大的左眼睛/右眼睛确定为目标眼睛；
计算目标眼睛对应的特征区域面积与人脸边缘的特征区域面积的比值，得到第一特征值。
其中，预设人脸元素对应的正/负样本图像的正/负样本特征值可以包括：大眼睛图像对应的第一正样本特征值和小眼睛图像对应的第一负样本特征值，眼睛特征值的计算式子可以为：(第一特征值-第一负样本特征值)/(第一正样本特征值-第一负样本特征值)。
作为一种可选的实施方式，如图2(b)、图2(e)以及图2(f)所示，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，计算由图2(b)中的特征点68～特征点88围成的多边形区域的面积的一半，记为S00；图2(e)为左眼睛的特征点示意图，包括特征点17～特征点24共8个特征点，计算由特征点17～特征点24围成的多边形区域的面积，记为S11；图2(f)为右眼睛的特征点示意图，包括特征点25～特征点32共8个特征点，计算由特征点25～特征点32围成的多边形区域的面积，记为S12。
计算S11与S12的差值，即M01＝S11-S12，若M01大于零，则S11对应的左眼睛为目标眼睛，若M01小于零，则S12对应的右眼睛为目标眼睛。
第一特征值为：D01＝max(S11，S12)/S00，大眼睛图像对应的第一正样本特征值为P10，小眼睛图像对应的第一负样本特征值P11，则眼睛特征值T01＝(D01-P11)/(P10-P11)。
可选的，大眼睛图像对应的第一正样本特征值P10的计算方法与第一特征值D01的计算方法相同，小眼睛图像对应的第一负样本特征值P11的计算方法与第一特征值D01的计算方法相同，不再重复。
作为一种可选的实施方式，根据获取到的预设人脸元素的多个特征点计算预设人脸元素的特征值具体还可以包括：
根据预设人脸元素的多个特征点分别计算左眉毛的特征区域面积、右眉毛的特征区域面积和人脸边缘的特征区域面积；
比较左眉毛的特征区域面积和右眉毛的特征区域面积，将特征区域面积大的左眉毛/右眉毛确定为目标眉毛；
计算目标眉毛对应的特征区域面积与人脸边缘的特征区域面积的比值，得到第二特征值；
其中，预设人脸元素对应的正/负样本图像的正/负样本特征值可以包括：粗眉毛图像对应的第二正样本特征值和细眉毛图像对应的第二负样本特征值，眉毛特征值的计算式子为：(第二特征值-第二负样本特征值)/(第二正样本特征值-第二负样本特征值)。
作为一种可选的实施方式，如图2(b)～图2(d)所示，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，计算由图2(b)中的特征点68～特征点88围成的多边形区域的面积的一半，记为S00；图2(c)为左眉毛的特征点示意图，包括特征点1～特征点8共8个特征点，计算由特征点1～特征点8围成的多边形区域的面积，记为S21；图2(d)为右眉毛的特征点示意图，包括特征点9～特征点16共8个特征点，计算由特征点9～特征点16围成的多边形区域的面积，记为S22。
计算S21与S22的差值，即M02＝S21-S22，若M02大于零，则S21对应的左眉毛为目标眉毛，若M02小于零，则S22对应的右眉毛为目标眉毛。
第二特征值为：D02＝max(S21，S22)/S00，粗眉毛图像对应的第二正样本特征值为P20，细眉毛图像对应的第二负样本特征值P21，则眉毛特征值T02＝(D02-P21)/(P20-P21)。
可选的，粗眉毛图像对应的第二正样本特征值P20的计算方法与第二特征值D02的计算方法相同，细眉毛图像对应的第二负样本特征值P21的计算方法与第二特征值D02的计算方法相同，不再重复。
作为一种可选的实施方式，根据获取到的预设人脸元素的多个特征点计算预设人脸元素的特征值具体还可以包括：
根据预设人脸元素的多个特征点分别计算鼻子特征区域面积和人脸边缘的特征区域面积；
计算鼻子特征区域面积与人脸边缘的特征区域面积的比值，得到第三特征值。
其中，预设人脸元素对应的正/负样本图像的正/负样本特征值可以包括：大鼻子图像对应的第三正样本特征值和小鼻子图像对应的第三负样本特征值，鼻子特征值的计算式子可以为：(第三特征值-第三负样本特征值)/(第三正样本特征值-第三负样本特征值)。
作为一种可选的实施方式，如图2(b)和图2(g)所示，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，计算由图2(b)中的特征点68～特征点88围成的多边形区域的面积，记为S01；图2(g)为鼻子的特征点示意图，包括特征点33～特征点45共13个特征点，计算由特征点34～特征点45围成的多边形区域的面积，记为S31。
第三特征值为：D03＝S31/S01，小鼻子图像对应的第三正样本特征值为P30，大鼻子图像对应的第三负样本特征值P31，则鼻子特征值T03＝(D03-P31)/(P30-P31)。
可选的，小鼻子图像对应的第三正样本特征值P30的计算方法与第三特征值D03的计算方法相同，大鼻子图像对应的第三负样本特征值P31的计算方法与第三特征值D03的计算方法相同，不再重复。
作为一种可选的实施方式，根据获取到的预设人脸元素的多个特征点计算预设人脸元素的特征值具体还可以包括：
根据预设人脸元素的多个特征点分别计算左眼睛的特征区域面积和右眼睛的特征区域面积；
比较左眼睛的特征区域面积和右眼睛的特征区域面积，将特征区域面积大的左眼睛/右眼睛确定为目标眼睛；
根据预设人脸元素的多个特征点获取目标眼睛的灰度值和目标眼睛对应的瞳孔的灰度值，并计算瞳孔的灰度值与目标眼睛的灰度值的比值，得到第四特征值。
其中，预设人脸元素对应的正/负样本图像的正/负样本特征值可以包括：大瞳孔图像对应的第四正样本特征值和小瞳孔图像对应的第四负样本特征值，瞳孔特征值的计算式子可以为：(第四特征值-第四负样本特征值)/(第四正样本特征值-第四负样本特征值)。
作为一种可选的实施方式，如图2(b)、图2(e)以及图2(f)所示，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，计算由图2(b)中的特征点68～特征点88围成的多边形区域的面积的一半，记为S00；图2(e)为左眼睛的特征点示意图，包括特征点17～特征点24共8个特征点，计算由特征点171～特征点24围成的多边形区域的面积，记为S11；图2(f)为右眼睛的特征点示意图，包括特征点25～特征点32共8个特征点，计算由特征点25～特征点32围成的多边形区域的面积，记为S12。
计算S11与S12的差值，即M01＝S11-S12，若M01大于零，则S11对应的左眼睛为目标眼睛，若M01小于零，则S12对应的右眼睛为目标眼睛。
若左眼睛为目标眼睛，获取到眼角的特征点，即特征点17与特征点21，在特征点17与特征点21之间作直线线段，沿该直线线段选取该直线线段途径的像素点，并将选取到的像素点转化为灰度值(0～255)。若右眼睛为目标眼睛，处理方法同左眼睛为目标眼睛的处理方法，不再重复。
其中，灰度值越小，对应图像越黑，在眼睛区域中瞳孔的灰度值较小，可以设为灰度值小于50的区域为瞳孔区域，获取到直线线段中包括的总像素点数量，记为S41，获取到直线线段中灰度值小于50对应的像素点数量，记为S42，则第四特征值为D04＝S42/S41，大瞳孔图像对应的第四负样本特征值P41，小瞳孔图像对应的第四负样本特征值P42，则瞳孔特征值T04＝(D04-P42)/(P41-P42)。
可选的，大瞳孔图像对应的第四负样本特征值P41的计算方法与第四特征值为D04的计算方法相同，小瞳孔图像对应的第四负样本特征值P42的计算方法与第四特征值为D04的计算方法相同，不再重复。
作为一种可选的实施方式，获取到的预设人脸元素的多个特征点计算预设人脸元素的特征值具体还可以包括：
根据预设人脸元素的多个特征点获取皮肤特征区域；
获取皮肤特征区域的平均灰度值，得到第五特征值；
其中，预设人脸元素对应的正/负样本图像的正/负样本特征值可以包括：皮肤白图像对应的第五正样本特征值和皮肤黑图像对应的第五负样本特征值，皮肤白皙特征值的计算式子可以为：(第五特征值-第五负样本特征值)/(第五正样本特征值-第五负样本特征值)。
作为一种可选的实施方式，如图2所示，具体的，根据图2(e)中的特征点19和图2(h)中的特征点46选取皮肤特征区域，例如可以以特征点19与特征点46的直线线段为中心线，选取预设面积的皮肤样本，得到皮肤特征区域。也可以根据图2(f)中的特征点27和图2(h)中的特征点52选取皮肤特征区域，例如可以以特征点27与特征点52的直线线段为中心线，选取预设面积的皮肤样本，得到皮肤特征区域。获取该皮肤特征区域的像素点，并将获取到的像素点转化为灰度值(0～255)，计算皮肤特征区域的灰度值的平均值，得到第五特征值，记为D05。皮肤白图像对应的第五正样本特征值P51，皮肤黑图像对应的第五负样本特征值P52，则皮肤白皙特征值T05＝(D05-P52)/(P51-P52)。
可选的，皮肤白图像对应的第五正样本特征值P51的计算方法与第五特征值D05的计算方法相同，皮肤黑图像对应的第五负样本特征值P52的计算方法与第五特征值D05的计算方法相同，不再重复。
作为一种可选的实施方式，获取到的预设人脸元素的多个特征点计算预设人脸元素的特征值具体还可以包括：
根据预设人脸元素的多个特征点获取边缘特征区域；
获取边缘特征区域的平均灰度值，得到第六特征值；
其中，预设人脸元素对应的正/负样本图像的正/负样本特征值包括：皮肤光滑图像对应的第六正样本特征值和皮肤粗糙图像对应的第六负样本特征值，皮肤光滑特征值的计算式子可以为：(第六特征值-第六负样本特征值)/(第六正样本特征值-第六负样本特征值)。
作为一种可选的实施方式，可使用边缘检测器检测到人脸图像的边缘，如果人脸图像中包括斑点，则每个斑点都会对应存在斑点边缘，人脸图像中的眼睛、鼻子、嘴巴、眉毛也会存在对应的边缘。
如图2(b)所示，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，可使用边缘检测器检测到特征点68～特征点88之间区域的边缘，再根据预设人脸元素剔除眼睛、鼻子、嘴巴的边缘，得到边缘特征区域，获取该边缘特征区域的灰度值(0～255)，计算边缘特征区域的灰度值的平均值，得到第六特征值，记为D06。
进一步可选的，也可以使用边缘检测器检测对整个人脸图像进行边缘检测，得到整个人脸图像的边缘特征，再与预设人脸元素剔除眼睛、鼻子、嘴巴和眉毛的边缘，得到边缘特征区域，获取该边缘特征区域的灰度值(0～255)，计算边缘特征区域的灰度值的平均值，得到第六特征值，记为D06。
具体的，皮肤光滑图像对应的第六正样本特征值P61，皮肤粗糙图像对应的第六负样本特征值P62，则皮肤光滑特征值T06＝(D06-P62)/(P61-P62)。
可选的，皮肤光滑图像对应的第六正样本特征值P61的计算方法与第六特征值D06的计算方法相同，皮肤粗糙图像对应的第六负样本特征值P62的计算方法与第六特征值D06的计算方法相同，不再重复。
作为一种可选的实施方式，获取到的预设人脸元素的多个特征点计算所述预设人脸元素的特征值具体还可以包括：
根据预设人脸元素的多个特征点计算左眼睛与所述右眼睛的中心距离，得到两眼中心距离值；
根据预设人脸元素的多个特征点计算嘴巴的左嘴角与右嘴角的中心距离，得到嘴角中心宽度值；
计算嘴角中心宽度值与两眼中心距离值的比值，得到第七特征值；
其中，预设人脸元素对应的正/负样本图像的正/负样本特征值包括：小嘴巴图像对应的第七正样本特征值和大嘴巴图像对应的第七负样本特征值，嘴巴特征值的计算式子可以为：(第七特征值-第七负样本特征值)/(第七正样本特征值-第七负样本特征值)。
作为一种可选的实施方式，如图2(h)所示，图2(h)为嘴巴的特征点示意图，包括特征点46～特征点67共22个特征点，计算嘴巴的左嘴角与右嘴角的中心距离，即特征点46与特征点52之间的长度，得到嘴角中心宽度值，记为L1。如图2(e)，为左眼睛的特征点示意图，包括特征点17～特征点24共8个特征点，如图2(f)，为右眼睛的特征点示意图，包括特征点25～特征点32共8个特征点，计算左右眼睛的中心距离，可先分别计算左眼睛、有眼睛的中心位置，即可通过特征点17与特征点21得到左眼睛的中心位置O1，可通过特征点25与特征点29得到右眼睛的中心位置O2，O1与O2的距离记为左右眼睛的中心距离，记为L2，则第七特征值为D07＝L1/L2。小嘴巴图像对应的第七正样本特征值P71，大嘴巴图像对应的第七负样本特征值P72，则嘴巴特征值T07＝(D07-P72)/(P71-P72)。
可选的，小嘴巴图像对应的第七正样本特征值P71的计算方法与第七特征值为D07的计算方法相同，大嘴巴图像对应的第七负样本特征值P72的计算方法与第七特征值为D07的计算方法相同，不再重复。
进一步可选的，还可以计算三停均匀对应的第八特征值，如图2所示，图2(e)为左眼睛的特征点示意图，包括特征点17～特征点24共8个特征点，图2(f)为右眼睛的特征点示意图，包括特征点25～特征点32共8个特征点，计算两眼内眼角的中心位置，可通过特征点21与特征点29得到内眼角的中心位置O3。如图2(g)所示，为鼻子的特征点示意图，包括特征点33～特征点45共13个特征点，计算内眼角的中心位置O3与鼻尖点即特征点33之间的距离，记为L3。如图2(h)所示，为嘴巴的特征点示意图，包括特征点46～特征点67共22个特征点，计算图2(g)中特征点33与图2(h)中的下嘴唇上沿中点即特征点60之间的距离，记为L4。如图2(b)所示，为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，计算图2(h)中的下嘴唇上沿中点即特征点60与图2(b)中下巴最低点即特征点78之间的距离，记为L5。则第八特征值D08为L3、L4以及L5的方差，
Figure GDA0002111883690000141
其中，
Figure GDA0002111883690000142
三停均匀图像对应的第八正样本特征值P81，三停不均匀图像对应的第八负样本特征值P82，则三停均匀特征值T08＝(D08-P82)/(P81-P82)。
可选的，三停均匀图像对应的第八正样本特征值P81的计算方法与第八特征值D08的计算方法相同，三停不均匀图像对应的第八负样本特征值P82的计算方法与第八特征值D08的计算方法相同，不再重复。
进一步可选的，还可以计算脸胖瘦对应的第九特征值，如图2所示，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，计算特征点68、特征点88与特征点78的夹角(以特征点78为顶点)，记为α，则第九特征值为D09＝α，脸瘦图像对应的第九正样本特征值P91，脸胖图像对应的第九负样本特征值P92，则脸胖瘦特征值T09＝(D09-P92)/(P91-P92)。
可选的，脸瘦图像对应的第九正样本特征值P91的计算方法与第九特征值D09的计算方法相同，脸胖图像对应的第九负样本特征值P92与第九特征值D09的计算方法相同，不再重复。
进一步可选的，上述计算得到人脸图像的目标特征值包括：眼睛特征值T01、眉毛特征值T02、鼻子特征值T03、瞳孔特征值T04、皮肤白皙特征值T05、皮肤光滑特征值T06和嘴巴特征值T07，进一步可选的，目标特征值还可以包括三停均匀特征值T08和脸胖瘦特征值T09。其中，上述计算得到的目标特征值的绝对值在0与1之间，越接近0，则与负样本特征值越接近，越接近1，则与正样本特征值越接近。具体的，例如，若眼睛特征值为负数，则人脸图像中的眼睛比大眼睛正样本图像的眼睛还大。
作为一种可选的实施方式，可根据预设的加权策略对所述目标特征值进行加权，确定人脸图像处理结果，其中，预设的加权策略包括：根据人像图像的性别从目标特征值中的眼睛特征值、瞳孔特征值、眉毛特征值、鼻子特征值、嘴巴特征值、皮肤白皙特征值、皮肤光滑特征值中确定加权项。预设的加权策略例如下表所示，其中，y表示为对应该性别的人脸图像选择该加权项，n表示对应该性别的人脸图像不选择该加权项。
加权项 男 女
眼睛特征值T01 y y
眉毛特征值T02 y n
鼻子特征值T03 n y
瞳孔特征值T04 y y
皮肤白皙特征值T05 n y
皮肤光滑特征值T06 y y
嘴巴特征值T07 n y
三停均匀特征值T08 y y
脸胖瘦特征值T09 y y
例如，若识别到人脸图像的性别为男，则对应的加权项为：眼睛特征值T01、眉毛特征值T02、瞳孔特征值T04、皮肤光滑特征值T06、三停均匀特征值T08和脸胖瘦特征值T09。
若识别到人脸图像的性别为女，则对应的加权项为：眼睛特征值T01、鼻子特征值T03、瞳孔特征值T04、皮肤白皙特征值T05、皮肤光滑特征值T06、和嘴巴特征值T07、三停均匀特征值T08和脸胖瘦特征值T09。
其中，预设的加权策略可以为根据人脸图像的性别确定加权项，在其他实施例中，预设的加权策略的实现方法是多种多样的，也可以是其他的实现形式，具体不受本实施例的限制。
作为一种可选的实施方式，对目标特征值进行加权，可以根据以下预设的加权计算式子进行计算：G＝40+min(T01、T02、T03、……、T0n)*30+(sum(T 01、T02、T03……T0n)-min(T01、T02、T03、……、T0n))*30，其中，min(T01、T02、T03、……、T0n)为确定的所有加权项中的最小值，sum(T01、T02、T03……T0n)为确定的所有加权项的总值。
本发明实施例中，若识别到人脸图像的性别为男，则G00＝40+min(T01、T02、T04、T06、T08、T09)*30+(sum(T01、T02、T04、T06、T08、T09)-min(T01、T02、T04、T06、T08、T09))*30。若识别到人脸图像的性别为女，则G11＝40+min(T01、T03、T04、T05、T06、T07、T08、T09)*30+(sum(T01、T03、T04、T05、T06、T07、T08、T09)-min(T01、T03、T04、T05、T06、T07、T08、T09))*30。
本发明实施例中，结合具体的人脸图像的特征点的示意图详述人脸图像处理过程，可根据预设人脸元素的多个特征点计算预设人脸元素的特征值，对应每一个预设人脸元素，每个预设人脸元素对应的特征点包含多个，提高了计算精度，计算每个预设人脸元素对应的特征值，不再局限于只是预设人脸元素之间的距离的比值，增加了计算的维度，计算预设人脸元素的特征值与预设人脸元素对应的正/负样本图像的正/负样本特征值的偏差值，得到目标特征值，其中，目标特征值包括：眼睛特征值、瞳孔特征值、眉毛特征值、鼻子特征值、嘴巴特征值、皮肤白皙特征值或皮肤光滑特征值，正/负样本图像为：对预设的图像库中的样本图像进行特征提取，并根据预设人脸元素进行分类，得到预设人脸元素对应的样本图像，根据预设的加权策略进行加权得到人脸图像处理结果，并在显示屏幕显示人脸图像处理结果，提高了人像处理的精度和对人脸图像的美貌度评价的灵活性。
下面将结合附图3，对本发明实施例提供的人脸图像的处理装置进行详细介绍。需要说明的是，附图3所示的人脸图像的处理装置，用于执行本发明图1所示实施例的方法，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明图1所示的实施例。
请参见图3，为本发明实施例提供的一种人脸图像的处理装置的结构示意图；该装置可包括：人脸元素处理模块301、特征值处理模块302和图像结果处理模块303。
人脸元素处理模块301，用于获取人像图像中预设人脸元素的多个特征点，并根据获取到的预设人脸元素的多个特征点计算预设人脸元素的特征值。
作为一种可选的实施方式，人脸元素处理模块301获取人像图像中预设人脸元素的多个特征点，其中，预设人脸元素包括但不局限于：左眼睛、右眼睛、左眉毛、右眉毛、鼻子、嘴巴和人脸边缘。
作为一种可选的实施方式，预设人脸元素的多个特征点可以为通过预设的人脸匹配模板对人脸图像中的预设人脸元素进行处理得到的多个特征点，其中，预设的人脸匹配模板为通过现有技术中的主动形状模型(ASM)实现。
作为一种可选的实施方式，人像图像中预设人脸元素的特征点的个数可以为预设的数量，例如总共88个、99个、155个等，具体特征点的数量与预设的人脸匹配模板中采取的训练图像样本相关，若预设的人脸匹配模板中采取的训练图像样本中的特征点总共为88个，则人像图像中预设人脸元素的特征点的个数总共也为88个，具体的，特征点的数量越多图像处理越精确。
作为一种可选的实施方式，如图2所示，为本发明实施例提供的人脸图像的特征点的示意图，图2(a)为人脸图像全部特征点示意图，该人脸图像中共包括88个特征点。
作为一种可选的实施方式，人脸元素处理模块301根据获取到的预设人脸元素的多个特征点计算预设人脸元素的特征值，具体的，根据预设人脸元素的多个特征点可以计算对应的面积、灰度值等，例如，如图2(c)所示，为左眉毛的特征点示意图，包括特征点1～特征点8共8个特征点，以特征点8为顶点，分别与特征点1～7中的两特征点构成三角形，计算各个三角形的面积，再求和，得到左眉毛区域的面积值；如图2(e)所示，为左眼睛的特征点示意图，包括特征点17～特征点24共8个特征点，计算特征点17与特征点21之间的直线区域内的灰度值。
特征值处理模块302，用于获取与预设人脸元素对应的正/负样本图像的正/负样本特征值，并计算预设人脸元素的特征值与正/负样本特征值的偏差值，得到目标特征值。
作为一种可选的实施方式，特征值处理模块302获取与预设人脸元素对应的正/负样本图像的正/负样本特征值，具体的，正/负样本图像为对预设的图像库中的样本图像进行特征提取，并根据预设人脸元素进行分类，得到预设人脸元素对应的正/负样本图像。正/负样本图像例如，大眼睛的正样本图像，小眼睛的负样本图像，大鼻子的正样本图像，小鼻子的负样本图像等。
具体的，正/负样本特征值为通过预设的人脸匹配模板对预设人脸元素对应的正/负样本图像进行处理得到多个特征点，再根据特征点计算得到的特征值，具体的，例如大眼睛的正样本图像的特征值(眼睛)、小眼睛的负样本图像的特征值(眼睛)，大鼻子的正样本图像的特征值(鼻子)，小鼻子的负样本图像的特征值(鼻子)等。
作为一种可选的实施方式，特征值处理模块302计算预设人脸元素的特征值与正/负样本特征值的偏差值，得到目标特征值。其中，目标特征值可以包括：眼睛特征值、瞳孔特征值、眉毛特征值、鼻子特征值、嘴巴特征值、皮肤白皙特征值或皮肤光滑特征值。可选的，目标特征值的计算式子可以为：(预设人脸元素的特征值-负样本特征值)/(正样本特征值-负样本特征值)。
图像结果处理模块303，用于根据预设的加权策略对目标特征值进行加权，确定人脸图像处理结果，并在显示屏幕显示人脸图像处理结果。
进一步可选的，本发明实施例提供的一种人脸图像的处理装置还包括：显示屏幕，用于显示人脸图像处理结果。
作为一种可选的实施方式，图像结果处理模块303根据预设的加权策略对目标特征值进行加权，确定人脸图像处理结果，并在显示屏幕显示人脸图像处理结果。具体的，预设的加权策略可以根据人脸图像的性别确定和/或根据预设的加权分值来确定，得到的人脸图像处理结果在显示屏幕显示。进一步可选的，可按预设的显示模板在显示屏幕显示人脸图像处理结果，人脸图像处理结果例如：在显示屏幕显示人脸图像、人脸图像的总评价结果值、各个目标特征值的评价结果等，预设的显示模板例如：“您的人脸美貌度评价总分为XX分(总分100)，您的眼睛大、皮肤光滑美貌度超过XX％”等。
进一步可选的，本发明实施例中的人脸图像的处理装置，还可以包括：样本图像处理模块304。
样本图像处理模块304，用于对预设的图像库中的样本图像进行特征提取，并根据预设人脸元素进行分类，得到预设人脸元素对应的正/负样本图像。
作为一种可选的实施方式，样本图像处理模块304对预设的图像库中的样本图像进行特征提取，可选的，可以通过预设的人脸匹配模板为对样本图像进行特征提取，并根据预设人脸元素进行分类，得到预设人脸元素对应的正/负样本图像，正/负样本图像例如，大眼睛的正样本图像，小眼睛的负样本图像，大鼻子的正样本图像，小鼻子的负样本图像等。进一步可选的，还可以实时更新预设的图像库中的正/负样本图像，例如，若大眼睛的正样本图像001，通过特征提取与比较，检测到新获取到的样本图像002的眼睛更加大，则用样本图像002替换眼睛大的正样本图像001，则样本图像002为新的大眼睛的正样本图像。
进一步可选的，本发明实施例中的人脸图像的处理装置，还可以包括：性别确定模块305。
性别确定模块305，用于根据预设的人物性别判断模板分析并确定人像图像的性别。
作为一种可选的实施方式，预设的人物性别判断模板为现有技术中通过对训练图像样本进行预处理(例如光照补齐、旋转矫正等)，提取Gabor特征，训练图像样本信息由二维矩阵转变成一维向量，对训练图像样本的特征向量进行特征降维，以降低复杂度，输入SVM分类器进行训练与识别，得到的人物性别判断模板，本发明实施例中，导入人脸图像进行识别，根据预设的人物性别判断模板识别到人像图像的性别。
可选的，图像结果处理模块303具体用于：根据预设的加权策略对目标特征值进行加权，确定人脸图像处理结果，其中，预设的加权策略包括：根据所述人像图像的性别从目标特征值中的眼睛特征值、瞳孔特征值、眉毛特征值、鼻子特征值、嘴巴特征值、皮肤白皙特征值、皮肤光滑特征值中确定加权项。
本发明实施例提供一种人脸图像的处理装置，人脸元素处理模块可根据预设人脸元素的多个特征点计算预设人脸元素的特征值，对应每一个预设人脸元素，每个预设人脸元素对应的特征点包含多个，提高了计算精度，计算每个预设人脸元素对应的特征值，不再局限于只是预设人脸元素之间的距离的比值，增加了计算的维度，特征值处理模块可计算预设人脸元素的特征值与预设人脸元素对应的正/负样本图像的正/负样本特征值的偏差值，正/负样本图像为：对预设的图像库中的样本图像进行特征提取，并根据预设人脸元素进行分类，得到预设人脸元素对应的样本图像，图像结果处理模块可根据预设的加权策略进行加权得到人脸图像处理结果，并在显示屏幕显示人脸图像处理结果，提高了人像处理的精度和对人脸图像的美貌度评价的灵活性。
下面将结合附图4，对图3所示的人脸元素处理模块的结构和功能进行详细介绍。
请参见图4，为本发明实施例提供的人脸元素处理模块的结构示意图，下面结合附图4和附图2，对本发明实施例提供的人脸图像处理过程进行详述。
作为一种可选的实施方式，获取人像图像中预设人脸元素的多个特征点，如图2所示，为本发明实施例提供的人脸图像的特征点的示意图，图2(a)为人脸图像全部特征点示意图，该人脸图像中共包括88个特征点，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，图2(c)为左眉毛的特征点示意图，包括特征点1～特征点8共8个特征点，图2(d)为右眉毛的特征点示意图，包括特征点9～特征点16共8个特征点，图2(e)为左眼睛的特征点示意图，包括特征点17～特征点24共8个特征点，图2(f)为右眼睛的特征点示意图，包括特征点25～特征点32共8个特征点，图2(g)为鼻子的特征点示意图，包括特征点33～特征点45共13个特征点，图2(h)为嘴巴的特征点示意图，包括特征点46～特征点67共22个特征点。
作为一种可选的实施方式，人脸元素处理模块301可包括：第一面积计算单元401、目标眼睛确定单元402和第一特征值计算单元403。
第一面积计算单元401，用于根据预设人脸元素的多个特征点分别计算左眼睛的特征区域面积、右眼睛的特征区域面积和人脸边缘的特征区域面积。
目标眼睛确定单元402，用于比较左眼睛的特征区域面积和右眼睛的特征区域面积，将特征区域面积大的左眼睛/右眼睛确定为目标眼睛。
第一特征值计算单元403，用于计算目标眼睛对应的特征区域面积与人脸边缘的特征区域面积的比值，得到第一特征值。
其中，预设人脸元素对应的正/负样本图像的正/负样本特征值包括：大眼睛图像对应的第一正样本特征值和小眼睛图像对应的第一负样本特征值，眼睛特征值的计算式子为：(第一特征值-第一负样本特征值)/(第一正样本特征值-第一负样本特征值)。
作为一种可选的实施方式，如图2(b)、图2(e)以及图2(f)所示，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，计算由图2(b)中的特征点68～特征点88围成的多边形区域的面积的一半，记为S00；图2(e)为左眼睛的特征点示意图，包括特征点17～特征点24共8个特征点，计算由特征点17～特征点24围成的多边形区域的面积，记为S11；图2(f)为右眼睛的特征点示意图，包括特征点25～特征点32共8个特征点，计算由特征点25～特征点32围成的多边形区域的面积，记为S12。
计算S11与S12的差值，即M01＝S11-S12，若M01大于零，则S11对应的左眼睛为目标眼睛，若M01小于零，则S12对应的右眼睛为目标眼睛。
第一特征值为：D01＝max(S11，S12)/S00，大眼睛图像对应的第一正样本特征值为P10，小眼睛图像对应的第一负样本特征值P11，则眼睛特征值T01＝(D01-P11)/(P10-P11)。
可选的，大眼睛图像对应的第一正样本特征值P10的计算方法与第一特征值D01的计算方法相同，小眼睛图像对应的第一负样本特征值P11的计算方法与第一特征值D01的计算方法相同，不再重复。
作为一种可选的实施方式，人脸元素处理模块301还可包括：第二面积计算单元404、目标眉毛确定单元405和第二特征值计算单元406。
第二面积计算单元404，用于根据预设人脸元素的多个特征点分别计算左眉毛的特征区域面积、右眉毛的特征区域面积和人脸边缘的特征区域面积。
目标眉毛确定单元405，用于比较左眉毛的特征区域面积和右眉毛的特征区域面积，将特征区域面积大的左眉毛/右眉毛确定为目标眉毛。
第二特征值计算单元406，用于计算目标眉毛对应的特征区域面积与人脸边缘的特征区域面积的比值，得到第二特征值。
其中，预设人脸元素对应的正/负样本图像的正/负样本特征值包括：粗眉毛图像对应的第二正样本特征值和细眉毛图像对应的第二负样本特征值，眉毛特征值的计算式子为：(第二特征值-第二负样本特征值)/(第二正样本特征值-第二负样本特征值)。
作为一种可选的实施方式，如图2(b)～图2(d)所示，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，计算由图2(b)中的特征点68～特征点88围成的多边形区域的面积的一半，记为S00；图2(c)为左眉毛的特征点示意图，包括特征点1～特征点8共8个特征点，计算由特征点1～特征点8围成的多边形区域的面积，记为S21；图2(d)为右眉毛的特征点示意图，包括特征点9～特征点16共8个特征点，计算由特征点9～特征点16围成的多边形区域的面积，记为S22。
计算S21与S22的差值，即M02＝S21-S22，若M02大于零，则S21对应的左眉毛为目标眉毛，若M02小于零，则S22对应的右眉毛为目标眉毛。
第二特征值为：D02＝max(S21，S22)/S00，粗眉毛图像对应的第二正样本特征值为P20，细眉毛图像对应的第二负样本特征值P21，则眉毛特征值T02＝(D02-P21)/(P20-P21)。
可选的，粗眉毛图像对应的第二正样本特征值P20的计算方法与第二特征值D02的计算方法相同，细眉毛图像对应的第二负样本特征值P21的计算方法与第二特征值D02的计算方法相同，不再重复。
作为一种可选的实施方式，人脸元素处理模块301还可包括：第三面积计算单元407和第三特征值计算单元408。
第三面积计算单元407，用于根据预设人脸元素的多个特征点分别计算鼻子特征区域面积和人脸边缘的特征区域面积。
第三特征值计算单元408，用于计算鼻子特征区域面积与人脸边缘的特征区域面积的比值，得到第三特征值。
其中，预设人脸元素对应的正/负样本图像的正/负样本特征值可以包括：大鼻子图像对应的第三正样本特征值和小鼻子图像对应的第三负样本特征值，鼻子特征值的计算式子可以为：(第三特征值-第三负样本特征值)/(第三正样本特征值-第三负样本特征值)。
作为一种可选的实施方式，如图2(b)和图2(g)所示，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，计算由图2(b)中的特征点68～特征点88围成的多边形区域的面积，记为S01；图2(g)为鼻子的特征点示意图，包括特征点33～特征点45共13个特征点，计算由特征点34～特征点45围成的多边形区域的面积，记为S31。
第三特征值为：D03＝S31/S01，小鼻子图像对应的第三正样本特征值为P30，大鼻子图像对应的第三负样本特征值P31，则鼻子特征值T03＝(D03-P31)/(P30-P31)。
可选的，小鼻子图像对应的第三正样本特征值P30的计算方法与第三特征值D03的计算方法相同，大鼻子图像对应的第三负样本特征值P31的计算方法与第三特征值D03的计算方法相同，不再重复。
作为一种可选的实施方式，人脸元素处理模块301还可包括：第四特征值计算单元409。
其中，第一面积计算单元401根据预设人脸元素的多个特征点分别计算左眼睛的特征区域面积和右眼睛的特征区域面积。
其中，目标眼睛确定单元402比较左眼睛的特征区域面积和右眼睛的特征区域面积，将特征区域面积大的左眼睛/右眼睛确定为目标眼睛。
第四特征值计算单元409，用于根据预设人脸元素的多个特征点获取目标眼睛的灰度值和目标眼睛对应的瞳孔的灰度值，并计算瞳孔的灰度值与目标眼睛的灰度值的比值，得到第四特征值。
其中，预设人脸元素对应的正/负样本图像的正/负样本特征值可以包括：大瞳孔图像对应的第四正样本特征值和小瞳孔图像对应的第四负样本特征值，瞳孔特征值的计算式子可以为：(第四特征值-第四负样本特征值)/(第四正样本特征值-第四负样本特征值)。
作为一种可选的实施方式，如图2(b)、图2(e)以及图2(f)所示，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，计算由图2(b)中的特征点68～特征点88围成的多边形区域的面积的一半，记为S00；图2(e)为左眼睛的特征点示意图，包括特征点17～特征点24共8个特征点，计算由特征点171～特征点24围成的多边形区域的面积，记为S11；图2(f)为右眼睛的特征点示意图，包括特征点25～特征点32共8个特征点，计算由特征点25～特征点32围成的多边形区域的面积，记为S12。
计算S11与S12的差值，即M01＝S11-S12，若M01大于零，则S11对应的左眼睛为目标眼睛，若M01小于零，则S12对应的右眼睛为目标眼睛。
若左眼睛为目标眼睛，获取到眼角的特征点，即特征点17与特征点21，在特征点17与特征点21之间作直线线段，沿该直线线段选取该直线线段途径的像素点，并将选取到的像素点转化为灰度值(0～255)。若右眼睛为目标眼睛，处理方法同左眼睛为目标眼睛的处理方法，不再重复。
其中，灰度值越小，对应图像越黑，在眼睛区域中瞳孔的灰度值较小，可以设为灰度值小于50的区域为瞳孔区域，获取到直线线段中包括的总像素点数量，记为S41，获取到直线线段中灰度值小于50对应的像素点数量，记为S42，则第四特征值为D04＝S42/S41，大瞳孔图像对应的第四负样本特征值P41，小瞳孔图像对应的第四负样本特征值P42，则瞳孔特征值T04＝(D04-P42)/(P41-P42)。
可选的，大瞳孔图像对应的第四负样本特征值P41的计算方法与第四特征值为D04的计算方法相同，小瞳孔图像对应的第四负样本特征值P42的计算方法与第四特征值为D04的计算方法相同，不再重复。
作为一种可选的实施方式，人脸元素处理模块301还可包括：第一获取单元410和第五特征值计算单元411。
第一获取单元410，用于根据预设人脸元素的多个特征点获取皮肤特征区域。
第五特征值计算单元411，用于获取皮肤特征区域的平均灰度值，得到第五特征值。
其中，预设人脸元素对应的正/负样本图像的正/负样本特征值可以包括：皮肤白图像对应的第五正样本特征值和皮肤黑图像对应的第五负样本特征值，皮肤白皙特征值的计算式子可以为：(第五特征值-第五负样本特征值)/(第五正样本特征值-第五负样本特征值)。
作为一种可选的实施方式，如图2所示，具体的，根据图2(e)中的特征点19和图2(h)中的特征点46选取皮肤特征区域，例如可以以特征点19与特征点46的直线线段为中心线，选取预设面积的皮肤样本，得到皮肤特征区域。也可以根据图2(f)中的特征点27和图2(h)中的特征点52选取皮肤特征区域，例如可以以特征点27与特征点52的直线线段为中心线，选取预设面积的皮肤样本，得到皮肤特征区域。获取该皮肤特征区域的像素点，并将获取到的像素点转化为灰度值(0～255)，计算皮肤特征区域的灰度值的平均值，得到第五特征值，记为D05。皮肤白图像对应的第五正样本特征值P51，皮肤黑图像对应的第五负样本特征值P52，则皮肤白皙特征值T05＝(D05-P52)/(P51-P52)。
可选的，皮肤白图像对应的第五正样本特征值P51的计算方法与第五特征值D05的计算方法相同，皮肤黑图像对应的第五负样本特征值P52的计算方法与第五特征值D05的计算方法相同，不再重复。
作为一种可选的实施方式，人脸元素处理模块301还可包括：第二获取单元412和第六特征值计算单元413。
第二获取单元412，用于根据预设人脸元素的多个特征点获取边缘特征区域。
第六特征值计算单元413，用于获取边缘特征区域的平均灰度值，得到第六特征值。
其中，预设人脸元素对应的正/负样本图像的正/负样本特征值包括：皮肤光滑图像对应的第六正样本特征值和皮肤粗糙图像对应的第六负样本特征值，皮肤光滑特征值的计算式子可以为：(第六特征值-第六负样本特征值)/(第六正样本特征值-第六负样本特征值)。
作为一种可选的实施方式，可使用边缘检测器检测到人脸图像的边缘，如果人脸图像中包括斑点，则每个斑点都会对应存在斑点边缘，人脸图像中的眼睛、鼻子、嘴巴、眉毛也会存在对应的边缘。
如图2(b)所示，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，可使用边缘检测器检测到特征点68～特征点88之间区域的边缘，再根据预设人脸元素剔除眼睛、鼻子、嘴巴的边缘，得到边缘特征区域，获取该边缘特征区域的灰度值(0～255)，计算边缘特征区域的灰度值的平均值，得到第六特征值，记为D06。
进一步可选的，也可以使用边缘检测器检测对整个人脸图像进行边缘检测，得到整个人脸图像的边缘特征，再与预设人脸元素剔除眼睛、鼻子、嘴巴和眉毛的边缘，得到边缘特征区域，获取该边缘特征区域的灰度值(0～255)，计算边缘特征区域的灰度值的平均值，得到第六特征值，记为D06。
具体的，皮肤光滑图像对应的第六正样本特征值P61，皮肤粗糙图像对应的第六负样本特征值P62，则皮肤光滑特征值T06＝(D06-P62)/(P61-P62)。
可选的，皮肤光滑图像对应的第六正样本特征值P61的计算方法与第六特征值D06的计算方法相同，皮肤粗糙图像对应的第六负样本特征值P62的计算方法与第六特征值D06的计算方法相同，不再重复。
作为一种可选的实施方式，人脸元素处理模块301还可包括：眼距离计算单元414、嘴角宽度计算单元415和第七特征值计算单元416。
眼距离计算单元414，用于根据预设人脸元素的多个特征点计算左眼睛与右眼睛的中心距离，得到两眼中心距离值。
嘴角宽度计算单元415，用于根据预设人脸元素的多个特征点计算嘴巴的左嘴角与右嘴角的中心距离，得到嘴角中心宽度值。
第七特征值计算单元416，用于计算嘴角中心宽度值与两眼中心距离值的比值，得到第七特征值。
其中，预设人脸元素对应的正/负样本图像的正/负样本特征值包括：小嘴巴图像对应的第七正样本特征值和大嘴巴图像对应的第七负样本特征值，嘴巴特征值的计算式子可以为：(第七特征值-第七负样本特征值)/(第七正样本特征值-第七负样本特征值)。
作为一种可选的实施方式，如图2(h)所示，图2(h)为嘴巴的特征点示意图，包括特征点46～特征点67共22个特征点，计算嘴巴的左嘴角与右嘴角的中心距离，即特征点46与特征点52之间的长度，得到嘴角中心宽度值，记为L1。如图2(e)，为左眼睛的特征点示意图，包括特征点17～特征点24共8个特征点，如图2(f)，为右眼睛的特征点示意图，包括特征点25～特征点32共8个特征点，计算左右眼睛的中心距离，可先分别计算左眼睛、有眼睛的中心位置，即可通过特征点17与特征点21得到左眼睛的中心位置O1，可通过特征点25与特征点29得到右眼睛的中心位置O2，O1与O2的距离记为左右眼睛的中心距离，记为L2，则第七特征值为D07＝L1/L2。小嘴巴图像对应的第七正样本特征值P71，大嘴巴图像对应的第七负样本特征值P72，则嘴巴特征值T07＝(D07-P72)/(P71-P72)。
可选的，小嘴巴图像对应的第七正样本特征值P71的计算方法与第七特征值为D07的计算方法相同，大嘴巴图像对应的第七负样本特征值P72的计算方法与第七特征值为D07的计算方法相同，不再重复。
进一步可选的，人脸元素处理模块301还可以用于计算三停均匀对应的第八特征值。如图2所示，图2(e)为左眼睛的特征点示意图，包括特征点17～特征点24共8个特征点，图2(f)为右眼睛的特征点示意图，包括特征点25～特征点32共8个特征点，计算两眼内眼角的中心位置，可通过特征点21与特征点29得到内眼角的中心位置O3。如图2(g)所示，为鼻子的特征点示意图，包括特征点33～特征点45共13个特征点，计算内眼角的中心位置O3与鼻尖点即特征点33之间的距离，记为L3。如图2(h)所示，为嘴巴的特征点示意图，包括特征点46～特征点67共22个特征点，计算图2(g)中特征点33与图2(h)中的下嘴唇上沿中点即特征点60之间的距离，记为L4。如图2(b)所示，为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，计算图2(h)中的下嘴唇上沿中点即特征点60与图2(b)中下巴最低点即特征点78之间的距离，记为L5。则第八特征值D08为L3、L4以及L5的方差，
Figure GDA0002111883690000271
其中，
Figure GDA0002111883690000272
三停均匀图像对应的第八正样本特征值P81，三停不均匀图像对应的第八负样本特征值P82，则三停均匀特征值T08＝(D08-P82)/(P81-P82)。
可选的，三停均匀图像对应的第八正样本特征值P81的计算方法与第八特征值D08的计算方法相同，三停不均匀图像对应的第八负样本特征值P82的计算方法与第八特征值D08的计算方法相同，不再重复。
进一步可选的，人脸元素处理模块301还可以计算脸胖瘦对应的第九特征值。如图2所示，图2(b)为人脸边缘的特征点示意图，包括特征点68～特征点88共21个特征点，计算特征点68、特征点88与特征点78的夹角(以特征点78为顶点)，记为α，则第九特征值为D09＝α，脸瘦图像对应的第九正样本特征值P91，脸胖图像对应的第九负样本特征值P92，则脸胖瘦特征值T09＝(D09-P92)/(P91-P92)。
可选的，脸瘦图像对应的第九正样本特征值P91的计算方法与第九特征值D09的计算方法相同，脸胖图像对应的第九负样本特征值P92与第九特征值D09的计算方法相同，不再重复。
进一步可选的，上述计算得到人脸图像的目标特征值包括：眼睛特征值T01、眉毛特征值T02、鼻子特征值T03、瞳孔特征值T04、皮肤白皙特征值T05、皮肤光滑特征值T06和嘴巴特征值T07，进一步可选的，目标特征值还可以包括三停均匀特征值T08和脸胖瘦特征值T09。其中，上述计算得到的目标特征值的绝对值在0与1之间，越接近0，则与负样本特征值越接近，越接近1，则与正样本特征值越接近。具体的，例如，若眼睛特征值为负数，则人脸图像中的眼睛比大眼睛正样本图像的眼睛还大。
作为一种可选的实施方式，可根据预设的加权策略对所述目标特征值进行加权，确定人脸图像处理结果，其中，预设的加权策略包括：根据人像图像的性别从目标特征值中的眼睛特征值、瞳孔特征值、眉毛特征值、鼻子特征值、嘴巴特征值、皮肤白皙特征值、皮肤光滑特征值中确定加权项。
例如，若识别到人脸图像的性别为男，则对应的加权项为：眼睛特征值T01、眉毛特征值T02、瞳孔特征值T04、皮肤光滑特征值T06、三停均匀特征值T08和脸胖瘦特征值T09。
若识别到人脸图像的性别为女，则对应的加权项为：眼睛特征值T01、鼻子特征值T03、瞳孔特征值T04、皮肤白皙特征值T05、皮肤光滑特征值T06、和嘴巴特征值T07、三停均匀特征值T08和脸胖瘦特征值T09。
其中，预设的加权策略可以为根据人脸图像的性别确定加权项，在其他实施例中，预设的加权策略的实现方法是多种多样的，也可以是其他的实现形式，具体不受本实施例的限制。
作为一种可选的实施方式，对目标特征值进行加权，可以根据以下预设的加权计算式子进行计算：G＝40+min(T01、T02、T03、……、T0n)*30+(sum(T 01、T02、T03……T0n)-min(T01、T02、T03、……、T0n))*30，其中，min(T01、T02、T03、……、T0n)为确定的所有加权项中的最小值，sum(T01、T02、T03……T0n)为确定的所有加权项的总值。
本发明实施例中，若识别到人脸图像的性别为男，则G00＝40+min(T01、T02、T04、T06、T08、T09)*30+(sum(T01、T02、T04、T06、T08、T09)-min(T01、T02、T04、T06、T08、T09))*30。若识别到人脸图像的性别为女，则G11＝40+min(T01、T03、T04、T05、T06、T07、T08、T09)*30+(sum(T01、T03、T04、T05、T06、T07、T08、T09)-min(T01、T03、T04、T05、T06、T07、T08、T09))*30。
本发明实施例中，结合具体的人脸图像的特征点的示意图详述人脸图像处理过程，可提高人像处理的精度和对人脸图像的美貌度评价的灵活性。
需要说明的是，附图4所示的人脸元素处理模块的结构和功能可通过本发明图1所示实施例的方法具体实现，该具体实现过程可参见图1所示实施例的相关描述，在此不赘述。
进一步可选的，本发明实施例还公开了一种终端，包括图3-图4所示的装置；该装置的结构和功能可参见图3-图4所示实施例的相关描述，在此不赘述。需要说明的是，本实施例提供的服务器与图1所示的人脸图像的处理方法相对应，为基于图1所示的人脸图像的处理方法的执行主体。
通过上述实施例的描述，可根据预设人脸元素的多个特征点计算预设人脸元素的特征值，对应每一个预设人脸元素，每个预设人脸元素对应的特征点包含多个，提高了计算精度，计算每个预设人脸元素对应的特征值，不再局限于只是预设人脸元素之间的距离的比值，增加了计算的维度，计算预设人脸元素的特征值与预设人脸元素对应的正/负样本图像的正/负样本特征值的偏差值，得到目标特征值，其中，目标特征值包括：眼睛特征值、瞳孔特征值、眉毛特征值、鼻子特征值、嘴巴特征值、皮肤白皙特征值或皮肤光滑特征值，正/负样本图像为：对预设的图像库中的样本图像进行特征提取，并根据预设人脸元素进行分类，得到预设人脸元素对应的样本图像，根据预设的加权策略进行加权得到人脸图像处理结果，并在显示屏幕显示人脸图像处理结果，提高了人像处理的精度和对人脸图像的美貌度评价的灵活性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (16)

1.一种人脸图像的目标特征值的计算方法，其特征在于，所述方法包括：
对预设的图像库中的样本图像进行特征提取，并根据预设人脸元素进行分类，得到所述预设人脸元素对应的正/负样本图像；所述预设人脸元素包括：左眼睛、右眼睛、左眉毛、右眉毛、鼻子、嘴巴和人脸边缘；
通过终端进行拍摄，得到人脸图像；
通过预设的人脸匹配模板对所述人脸图像中所述预设人脸元素进行处理得到多个特征点，并根据所述预设人脸元素的多个特征点计算所述预设人脸元素的特征值，包括：根据所述预设人脸元素的多个特征点获取皮肤特征区域；获取所述皮肤特征区域的平均灰度值，得到第五特征值；所述预设人脸元素对应的正/负样本图像的正/负样本特征值包括：皮肤白图像对应的第五正样本特征值和皮肤黑图像对应的第五负样本特征值；所述皮肤白皙特征值的计算式子为：(所述第五特征值-所述第五负样本特征值)/(所述第五正样本特征值-所述第五负样本特征值)；所述预设人脸元素的特征值包括所述第五特征值；
通过所述人脸匹配模板对与所述预设人脸元素对应的正/负样本图像进行处理得到多个特征点，根据正/负样本图像的多个特征点，确定正/负样本特征值，并计算所述预设人脸元素的特征值与所述正/负样本特征值的偏差值，得到目标特征值；所述目标特征值包括：眼睛特征值、瞳孔特征值、眉毛特征值、鼻子特征值、嘴巴特征值、皮肤白皙特征值或皮肤光滑特征值；
所述目标特征值的计算式子为：(所述预设人脸元素的特征值-所述负样本特征值)/(所述正样本特征值-所述负样本特征值)；
根据预设的加权策略对所述目标特征值进行加权，确定人脸图像处理结果，并在显示屏幕显示所述人脸图像处理结果。
2.如权利要求1所述的方法，其特征在于，所述根据所述预设人脸元素的多个特征点计算所述预设人脸元素的特征值，包括：
根据所述预设人脸元素的多个特征点分别计算所述左眼睛的特征区域面积、所述右眼睛的特征区域面积和所述人脸边缘的特征区域面积；
比较所述左眼睛的特征区域面积和所述右眼睛的特征区域面积，将特征区域面积大的左眼睛/右眼睛确定为目标眼睛；
计算所述目标眼睛对应的特征区域面积与所述人脸边缘的特征区域面积的比值，得到第一特征值；
所述预设人脸元素对应的正/负样本图像的正/负样本特征值包括：大眼睛图像对应的第一正样本特征值和小眼睛图像对应的第一负样本特征值；
所述眼睛特征值的计算式子为：(所述第一特征值-所述第一负样本特征值)/(所述第一正样本特征值-所述第一负样本特征值)。
3.如权利要求1所述的方法，其特征在于，所述根据所述预设人脸元素的多个特征点计算所述预设人脸元素的特征值，包括：
根据所述预设人脸元素的多个特征点分别计算所述左眉毛的特征区域面积、所述右眉毛的特征区域面积和所述人脸边缘的特征区域面积；
比较所述左眉毛的特征区域面积和所述右眉毛的特征区域面积，将特征区域面积大的左眉毛/右眉毛确定为目标眉毛；
计算所述目标眉毛对应的特征区域面积与所述人脸边缘的特征区域面积的比值，得到第二特征值；
所述预设人脸元素对应的正/负样本图像的正/负样本特征值包括：粗眉毛图像对应的第二正样本特征值和细眉毛图像对应的第二负样本特征值；
所述眉毛特征值的计算式子为：(所述第二特征值-所述第二负样本特征值)/(所述第二正样本特征值-所述第二负样本特征值)。
4.如权利要求1所述的方法，其特征在于，所述根据所述预设人脸元素的多个特征点计算所述预设人脸元素的特征值，包括：
根据所述预设人脸元素的多个特征点分别计算所述鼻子特征区域面积和所述人脸边缘的特征区域面积；
计算所述鼻子特征区域面积与所述人脸边缘的特征区域面积的比值，得到第三特征值；
所述预设人脸元素对应的正/负样本图像的正/负样本特征值包括：大鼻子图像对应的第三正样本特征值和小鼻子图像对应的第三负样本特征值；
所述鼻子特征值的计算式子为：(所述第三特征值-所述第三负样本特征值)/(所述第三正样本特征值-所述第三负样本特征值)。
5.如权利要求1所述的方法，其特征在于，所述根据所述预设人脸元素的多个特征点计算所述预设人脸元素的特征值，包括：
根据所述预设人脸元素的多个特征点分别计算所述左眼睛的特征区域面积和所述右眼睛的特征区域面积；
比较所述左眼睛的特征区域面积和所述右眼睛的特征区域面积，将特征区域面积大的左眼睛/右眼睛确定为目标眼睛；
根据所述预设人脸元素的多个特征点获取所述目标眼睛的灰度值和所述目标眼睛对应的瞳孔的灰度值，并计算所述瞳孔的灰度值与所述目标眼睛的灰度值的比值，得到第四特征值；
所述预设人脸元素对应的正/负样本图像的正/负样本特征值包括：大瞳孔图像对应的第四正样本特征值和小瞳孔图像对应的第四负样本特征值；
所述瞳孔特征值的计算式子为：(所述第四特征值-所述第四负样本特征值)/(所述第四正样本特征值-所述第四负样本特征值)。
6.如权利要求1所述的方法，其特征在于，所述根据所述预设人脸元素的多个特征点计算所述预设人脸元素的特征值，包括：
根据所述预设人脸元素的多个特征点获取边缘特征区域；
获取所述边缘特征区域的平均灰度值，得到第六特征值；
所述预设人脸元素对应的正/负样本图像的正/负样本特征值包括：皮肤光滑图像对应的第六正样本特征值和皮肤粗糙图像对应的第六负样本特征值；
所述皮肤光滑特征值的计算式子为：(所述第六特征值-所述第六负样本特征值)/(所述第六正样本特征值-所述第六负样本特征值)。
7.如权利要求1所述的方法，其特征在于，所述根据所述预设人脸元素的多个特征点计算所述预设人脸元素的特征值，包括：
根据所述预设人脸元素的多个特征点计算所述左眼睛与所述右眼睛的中心距离，得到两眼中心距离值；
根据所述预设人脸元素的多个特征点计算所述嘴巴的左嘴角与右嘴角的中心距离，得到嘴角中心宽度值；
计算所述嘴角中心宽度值与所述两眼中心距离值的比值，得到第七特征值；
所述预设人脸元素对应的正/负样本图像的正/负样本特征值包括：小嘴巴图像对应的第七正样本特征值和大嘴巴图像对应的第七负样本特征值；
所述嘴巴特征值的计算式子为：(所述第七特征值-所述第七负样本特征值)/(所述第七正样本特征值-所述第七负样本特征值)。
8.如权利要求2～7任一所述的方法，其特征在于，所述获取人脸图像中预设人脸元素的多个特征点之后，包括：
根据预设的人物性别判断模板分析并确定所述人脸图像的性别。
9.一种人脸图像的目标特征值的计算装置，其特征在于，所述装置包括：
人脸元素处理模块，用于通过终端进行拍摄，得到人脸图像；通过预设的人脸匹配模板对所述人脸图像中预设人脸元素进行处理得到多个特征点，并根据所述预设人脸元素的多个特征点计算所述预设人脸元素的特征值，包括：根据所述预设人脸元素的多个特征点获取皮肤特征区域；获取所述皮肤特征区域的平均灰度值，得到第五特征值；所述预设人脸元素对应的正/负样本图像的正/负样本特征值包括：皮肤白图像对应的第五正样本特征值和皮肤黑图像对应的第五负样本特征值；所述皮肤白皙特征值的计算式子为：(所述第五特征值-所述第五负样本特征值)/(所述第五正样本特征值-所述第五负样本特征值)；所述预设人脸元素的特征值包括所述第五特征值；所述预设人脸元素包括：左眼睛、右眼睛、左眉毛、右眉毛、鼻子、嘴巴和人脸边缘；
特征值处理模块，用于通过所述人脸匹配模板对与所述预设人脸元素对应的正/负样本图像进行处理得到多个特征点，根据正/负样本图像的多个特征点，确定正/负样本特征值，并计算所述预设人脸元素的特征值与所述正/负样本特征值的偏差值，得到目标特征值；所述目标特征值包括：眼睛特征值、瞳孔特征值、眉毛特征值、鼻子特征值、嘴巴特征值、皮肤白皙特征值或皮肤光滑特征值；
所述目标特征值的计算式子为：(所述预设人脸元素的特征值-所述负样本特征值)/(所述正样本特征值-所述负样本特征值)；
图像结果处理模块，用于根据预设的加权策略对所述目标特征值进行加权，确定人脸图像处理结果，并在显示屏幕显示所述人脸图像处理结果；
样本图像处理模块，用于对预设的图像库中的样本图像进行特征提取，并根据所述预设人脸元素进行分类，得到所述预设人脸元素对应的正/负样本图像。
10.如权利要求9所述的装置，其特征在于，所述人脸元素处理模块包括：
第一面积计算单元，用于根据所述预设人脸元素的多个特征点分别计算所述左眼睛的特征区域面积、所述右眼睛的特征区域面积和所述人脸边缘的特征区域面积；
目标眼睛确定单元，用于比较所述左眼睛的特征区域面积和所述右眼睛的特征区域面积，将特征区域面积大的左眼睛/右眼睛确定为目标眼睛；
第一特征值计算单元，用于计算所述目标眼睛对应的特征区域面积与所述人脸边缘的特征区域面积的比值，得到第一特征值；
所述预设人脸元素对应的正/负样本图像的正/负样本特征值包括：大眼睛图像对应的第一正样本特征值和小眼睛图像对应的第一负样本特征值；
所述眼睛特征值的计算式子为：(所述第一特征值-所述第一负样本特征值)/(所述第一正样本特征值-所述第一负样本特征值)。
11.如权利要求9所述的装置，其特征在于，所述人脸元素处理模块包括：
第二面积计算单元，用于根据所述预设人脸元素的多个特征点分别计算所述左眉毛的特征区域面积、所述右眉毛的特征区域面积和所述人脸边缘的特征区域面积；
目标眉毛确定单元，用于比较所述左眉毛的特征区域面积和所述右眉毛的特征区域面积，将特征区域面积大的左眉毛/右眉毛确定为目标眉毛；
第二特征值计算单元，用于计算所述目标眉毛对应的特征区域面积与所述人脸边缘的特征区域面积的比值，得到第二特征值；
所述预设人脸元素对应的正/负样本图像的正/负样本特征值包括：粗眉毛图像对应的第二正样本特征值和细眉毛图像对应的第二负样本特征值；
所述眉毛特征值的计算式子为：(所述第二特征值-所述第二负样本特征值)/(所述第二正样本特征值-所述第二负样本特征值)。
12.如权利要求9所述的装置，其特征在于，所述人脸元素处理模块包括：
第三面积计算单元，用于根据所述预设人脸元素的多个特征点分别计算所述鼻子特征区域面积和所述人脸边缘的特征区域面积；
第三特征值计算单元，用于计算所述鼻子特征区域面积与所述人脸边缘的特征区域面积的比值，得到第三特征值；
所述预设人脸元素对应的正/负样本图像的正/负样本特征值包括：大鼻子图像对应的第三正样本特征值和小鼻子图像对应的第三负样本特征值；
所述鼻子特征值的计算式子为：(所述第三特征值-所述第三负样本特征值)/(所述第三正样本特征值-所述第三负样本特征值)。
13.如权利要求9所述的装置，其特征在于，所述人脸元素处理模块包括：
第一面积计算单元，用于根据所述预设人脸元素的多个特征点分别计算所述左眼睛的特征区域面积和所述右眼睛的特征区域面积；
目标眼睛确定单元，用于比较所述左眼睛的特征区域面积和所述右眼睛的特征区域面积，将特征区域面积大的左眼睛/右眼睛确定为目标眼睛；
第四特征值计算单元，用于根据所述预设人脸元素的多个特征点获取所述目标眼睛的灰度值和所述目标眼睛对应的瞳孔的灰度值，并计算所述瞳孔的灰度值与所述目标眼睛的灰度值的比值，得到第四特征值；
所述预设人脸元素对应的正/负样本图像的正/负样本特征值包括：大瞳孔图像对应的第四正样本特征值和小瞳孔图像对应的第四负样本特征值；
所述瞳孔特征值的计算式子为：(所述第四特征值-所述第四负样本特征值)/(所述第四正样本特征值-所述第四负样本特征值)。
14.如权利要求9所述的装置，其特征在于，所述人脸元素处理模块包括：
第二获取单元，用于根据所述预设人脸元素的多个特征点获取边缘特征区域；
第六特征值计算单元，用于获取所述边缘特征区域的平均灰度值，得到第六特征值；
所述预设人脸元素对应的正/负样本图像的正/负样本特征值包括：皮肤光滑图像对应的第六正样本特征值和皮肤粗糙图像对应的第六负样本特征值；
所述皮肤光滑特征值的计算式子为：(所述第六特征值-所述第六负样本特征值)/(所述第六正样本特征值-所述第六负样本特征值)。
15.如权利要求9所述的装置，其特征在于，所述人脸元素处理模块包括：
眼距离计算单元，用于根据所述预设人脸元素的多个特征点计算所述左眼睛与所述右眼睛的中心距离，得到两眼中心距离值；
嘴角宽度计算单元，用于根据所述预设人脸元素的多个特征点计算所述嘴巴的左嘴角与右嘴角的中心距离，得到嘴角中心宽度值；
第七特征值计算单元，用于计算所述嘴角中心宽度值与所述两眼中心距离值的比值，得到第七特征值；
所述预设人脸元素对应的正/负样本图像的正/负样本特征值包括：小嘴巴图像对应的第七正样本特征值和大嘴巴图像对应的第七负样本特征值；
所述嘴巴特征值的计算式子为：(所述第七特征值-所述第七负样本特征值)/(所述第七正样本特征值-所述第七负样本特征值)。
16.如权利要求9～15任一所述的装置，其特征在于，所述装置还包括：
性别确定模块，用于根据预设的人物性别判断模板分析并确定所述人脸图像的性别；
所述预设的加权策略包括：根据所述人脸图像的性别从所述目标特征值中的眼睛特征值、瞳孔特征值、眉毛特征值、鼻子特征值、嘴巴特征值、皮肤白皙特征值、皮肤光滑特征值中确定加权项。
CN201310636576.2A 2013-11-27 2013-11-27 一种人脸图像的处理方法及装置 Active CN104680121B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201310636576.2A CN104680121B (zh) 2013-11-27 2013-11-27 一种人脸图像的处理方法及装置
PCT/CN2014/089885 WO2015078261A1 (en) 2013-11-27 2014-10-30 Methods and systems for processing facial images
HK15107064.9A HK1206463A1 (zh) 2013-11-27 2015-07-24 種人臉圖像的處理方法及裝置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310636576.2A CN104680121B (zh) 2013-11-27 2013-11-27 一种人脸图像的处理方法及装置

Publications (2)

Publication Number Publication Date
CN104680121A CN104680121A (zh) 2015-06-03
CN104680121B true CN104680121B (zh) 2022-06-03

Family

ID=53198334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310636576.2A Active CN104680121B (zh) 2013-11-27 2013-11-27 一种人脸图像的处理方法及装置

Country Status (3)

Country Link
CN (1) CN104680121B (zh)
HK (1) HK1206463A1 (zh)
WO (1) WO2015078261A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205490B (zh) * 2015-09-23 2019-09-24 联想(北京)有限公司 一种信息处理方法及电子设备
CN105450664B (zh) * 2015-12-29 2019-04-12 腾讯科技（深圳）有限公司 一种信息处理方法及终端
CN107122327B (zh) * 2016-02-25 2021-06-29 阿里巴巴集团控股有限公司 一种利用训练数据训练模型的方法和训练***
CN106503686A (zh) * 2016-10-28 2017-03-15 广州炒米信息科技有限公司 检索人脸图像的方法和***
CN108229279B (zh) 2017-04-14 2020-06-02 深圳市商汤科技有限公司 人脸图像处理方法、装置和电子设备
CN108229278B (zh) 2017-04-14 2020-11-17 深圳市商汤科技有限公司 人脸图像处理方法、装置和电子设备
CN110490177A (zh) * 2017-06-02 2019-11-22 腾讯科技（深圳）有限公司 一种人脸检测器训练方法及装置
CN107329402A (zh) * 2017-07-03 2017-11-07 湖南工业大学 一种组合积分环节与预测pi控制算法结合的控制方法
CN109299632A (zh) * 2017-07-25 2019-02-01 上海中科顶信医学影像科技有限公司 皮肤检测方法、***、设备及存储介质
CN108288023B (zh) * 2017-12-20 2020-10-16 深圳和而泰数据资源与云技术有限公司 人脸识别的方法和装置
CN108346130B (zh) * 2018-03-20 2021-07-23 北京奇虎科技有限公司 图像处理方法、装置及电子设备
CN108629303A (zh) * 2018-04-24 2018-10-09 杭州数为科技有限公司 一种脸型缺陷识别方法及***
CN109063597A (zh) * 2018-07-13 2018-12-21 北京科莱普云技术有限公司 人脸检测方法、装置、计算机设备和存储介质
CN110929073A (zh) * 2018-08-30 2020-03-27 上海掌门科技有限公司 用于推送信息、采集数据的方法和设备
CN110968723B (zh) * 2018-09-29 2023-05-12 深圳云天励飞技术有限公司 一种图像特征值的搜索方法、装置及电子设备
CN109978836B (zh) * 2019-03-06 2021-01-19 华南理工大学 基于元学习的用户个性化图像美感评价方法、***、介质和设备
CN110717373B (zh) * 2019-08-19 2023-01-03 咪咕文化科技有限公司 图像模拟方法、电子设备和计算机可读存储介质
CN111768336B (zh) * 2020-07-09 2022-11-01 腾讯科技（深圳）有限公司 人脸图像处理方法、装置、计算机设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1472694A (zh) * 2002-10-25 2004-02-04 全球反恐斗争脸形识别码及其计算机储存与搜索
CN101305913A (zh) * 2008-07-11 2008-11-19 华南理工大学 一种基于视频的人脸美丽评价方法
JP2012008617A (ja) * 2010-06-22 2012-01-12 Kao Corp 顔画像評価方法、顔評価方法および画像処理装置
CN102496002A (zh) * 2011-11-22 2012-06-13 上海大学 基于图像的人脸美貌度评价方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7720284B2 (en) * 2006-09-08 2010-05-18 Omron Corporation Method for outlining and aligning a face in face processing of an image
US7822696B2 (en) * 2007-07-13 2010-10-26 Microsoft Corporation Histogram-based classifiers having variable bin sizes
CN101833672B (zh) * 2010-04-02 2012-02-29 清华大学 基于约束采样与形状特征的稀疏表示人脸识别方法
KR20130000828A (ko) * 2011-06-24 2013-01-03 엘지이노텍 주식회사 얼굴 피쳐 검출 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1472694A (zh) * 2002-10-25 2004-02-04 全球反恐斗争脸形识别码及其计算机储存与搜索
CN101305913A (zh) * 2008-07-11 2008-11-19 华南理工大学 一种基于视频的人脸美丽评价方法
JP2012008617A (ja) * 2010-06-22 2012-01-12 Kao Corp 顔画像評価方法、顔評価方法および画像処理装置
CN102496002A (zh) * 2011-11-22 2012-06-13 上海大学 基于图像的人脸美貌度评价方法

Also Published As

Publication number Publication date
CN104680121A (zh) 2015-06-03
HK1206463A1 (zh) 2016-01-08
WO2015078261A1 (en) 2015-06-04

Similar Documents

Publication Publication Date Title
CN104680121B (zh) 一种人脸图像的处理方法及装置
WO2019128508A1 (zh) 图像处理方法、装置、存储介质及电子设备
Zhao et al. Facial expression recognition from near-infrared videos
US7848548B1 (en) Method and system for robust demographic classification using pose independent model from sequence of face images
US9317785B1 (en) Method and system for determining ethnicity category of facial images based on multi-level primary and auxiliary classifiers
Jana et al. Age estimation from face image using wrinkle features
Li et al. Efficient 3D face recognition handling facial expression and hair occlusion
CN108197534A (zh) 一种人头部姿态检测方法、电子设备及存储介质
US20100111375A1 (en) Method for Determining Atributes of Faces in Images
KR101558547B1 (ko) 얼굴 포즈 변화에 강한 연령 인식방법 및 시스템
CN109725721B (zh) 用于裸眼3d显示***的人眼定位方法及***
Ouanan et al. Facial landmark localization: Past, present and future
CN111586424B (zh) 一种实现化妆品多维动态展示的视频直播方法及装置
CN109509142A (zh) 一种人脸变老图像处理方法、***、可读存储介质及设备
CN104008364A (zh) 人脸识别方法
Galdámez et al. Ear recognition using a hybrid approach based on neural networks
Venkatesh et al. A novel approach to classification of facial expressions from 3D-mesh datasets using modified PCA
CN109087240B (zh) 图像处理方法、图像处理装置及存储介质
Lin et al. A gender classification scheme based on multi-region feature extraction and information fusion for unconstrained images
Vezzetti et al. Application of geometry to rgb images for facial landmark localisation-a preliminary approach
CN116386118A (zh) 一种基于人像识别的粤剧匹配化妆***及其方法
Bourbakis et al. Skin-based face detection-extraction and recognition of facial expressions
KR20160042646A (ko) 얼굴 인식 방법
Ubaid et al. Human age prediction and classification using facial image
Ghosh et al. A method for face recognition from facial expression

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1206463

Country of ref document: HK

C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant