一種基于人臉顯著性的圖像壓縮方法技術

本發明專利技術公開了一種基于學習混合高斯模型和不同人臉大小的權重的顯著性檢測方法，包括步驟一、建立數據庫。步驟二、根據所建立的數據庫以及對數據的分析，建立并訓練顯著度檢測模型。步驟三、基于本發明專利技術提出的顯著性檢測方法設計一種圖像壓縮方法。本發明專利技術建立了一個龐大的視覺顯著性數據庫，為后續研究提供幫助。本發明專利技術可以根據顯著性改變比特率，有效地減小壓縮圖像的比特率，同時提高壓縮圖像的質量。

An image compression method based on human face saliency

The invention discloses a saliency detection method based on a learning hybrid Gauss model and different face size weights, comprising the steps of establishing a database. Step two. Establish and train the saliency detection model based on the established database and the analysis of the data. Step three, an image compression method is designed based on the significance detection method proposed by the invention. The invention establishes a large visual saliency database to provide assistance for subsequent studies. The invention can effectively reduce the bit rate of the compressed image and improve the quality of the compressed image according to the significant change of bit rate.

【技術實現步驟摘要】
一種基于人臉顯著性的圖像壓縮方法
本專利技術屬于數字圖像處理領域，具體設計一種通過學習來預測人臉圖像顯著性的方法，并基于檢測到的人臉顯著性，提出了一種圖像壓縮方法。
技術介紹
基于對人類視覺系統的研究，人們發現當人看一個場景時，關注點往往會集中于一小塊區域，我們稱之為ROI(感興趣區域)，而更少的關注于其他的區域，我們稱之為邊緣區域，正因如此研究視覺顯著性可以幫助理解人是如何感知這個世界的。顯著性的檢測是一種通過計算圖像和視頻的特征，有效預測人類視覺會被不同場景中的那些區域所吸引的方法。同時，顯著性檢測的結果也可以運用到物體檢測、模式識別、圖像質量評估、圖像的壓縮技術等多個領域。現有的顯著性檢測方法可以大致分為兩類：bottom-up(自底向上)和top-down(自頂向下)。一種典型的bottom-up的方法是來自Itti的模型，他包含了顏色、對比度、方向等多個核心特征。事實上，top-down的視覺特征在決定一個場景的顯著度上扮演著更主要的角色，而且對于這種方法的研究顯示臉部是吸引注意力的重要特征。基于這個發現，又有很多種顯著性檢測方法在近幾年被提出。最近，一種對有多個人臉場景的顯著性檢測的方法被提出，多核學習應用于這種方法，它有助于學習多臉場景中顯著區域與非顯著區域的不同。盡管現有的方法已經在顯著性檢測中，考慮到了多臉，也取得一定的成功，但關注點在人臉上是如何的分布，人們并不十分清楚，目前已有的研究假設的簡單同向高斯模型對于顯著性的預測有著一定的局限。對于一些人臉較小的圖片，非同向的高斯模型往往更加準確。然而，對于人臉較大的圖，單一的高斯模型又并不是很有效。因此，對于顯著性分布來說，一個從關注點分布所學習得到的一個混合高斯模型就更為必要。具體來說，一個非同向高斯分布應該應用于小臉圖像中，而多個非同向高斯分布的組合可以用于大臉圖像中。
技術實現思路
本專利技術針對目前并不完善的顯著性檢測方法以及顯著性分布不準確的問題，提出了一種基于學習混合高斯模型和不同人臉大小的權重的顯著性檢測方法，提出了一個顯著性檢測的圖像壓縮方法。具體步驟如下：步驟一、建立數據庫。步驟101、通過眼球追蹤實驗，記錄觀測者在自由觀看模式下對人臉圖片的關注點，建立對人臉圖像的視覺關注點分布的數據庫。步驟102、通過分析在人臉以及臉部特征的視覺關注度，建立關注度與人臉、臉部特征之間的關系；步驟(1)、運用已有算法自動檢測我們數據庫中人臉圖像的人臉及臉部特征(五官)。步驟(2)、通過分析若干張圖片，建立關注度與人臉之間的關系。步驟(3)、通過分析若干張圖片，建立關注度與臉部特征之間的關系。步驟二、根據所建立的數據庫以及對數據的分析，建立并訓練顯著度檢測模型。步驟201、通過對人臉區域關注點的預處理，為下面對混合高斯模型的學習做準備步驟(1)、為解決每張圖片中人臉位置的不同所帶來的差異，建立以人臉右臉第一個特征點為原點的固定的坐標系，通過坐標變換，對每張圖像中的關注點進行校正。步驟(2)、為了解決人臉大小不同的問題，基于人臉的寬度來對關注點進行歸一化。通過校正和歸一化，就可以將所有圖像的關注點的位置集中在同一個坐標系中。步驟202、用預處理后的關注點數據，基于訓練圖片，訓練并學習混合高斯模型。步驟(1)、定義混合高斯模型，即多個高斯分量的混合疊加步驟(2)、通過最大期望算法，學習得到臉部特征通道關注點與人臉通道(兩個top-down通道)的混合高斯模型顯著性分布。步驟203、利用得到的混合高斯模型，對圖像的各個特征通道的顯著性進行預測步驟(1)、通過混合高斯模型，利用訓練圖片學習得到的高斯參數，生成兩個top-down顯著圖，人臉和臉部特征。步驟(2)、通過Itti的模型，得到顏色、對比度、方向三個bottom-up通道的顯著性圖譜步驟(3)、定義五通道的顯著性預測模型，即人臉、臉部特征、顏色、對比度、方向。步驟204、通過得到的五個顯著性圖譜，并學習訓練圖片的關注點數據，得到每個通道的顯著圖選擇最佳權重，以取得最佳的結果。步驟(1)、通過求解方程argminw||Vw-mh||2，學習得到每個通道的權重系數，方程中V是一個矩陣，這個矩陣的每一列是一個通道的顯著圖，mh為向量化的每幅圖像的關注點圖。步驟(2)、利用學習得到的最佳權重ωC,ωI,ωO,ωF,ωG，采用多項式擬合方法，建立人臉尺度大小(即人臉占整張圖片的像素比例)和最佳權重的關系。步驟205、利用之前得到的五個通道的顯著性圖譜以及關于最佳權重函數，計算得到最終的顯著性圖譜。步驟三、基于本專利技術提出的顯著性檢測方法設計一種圖像壓縮方法。步驟301、利用本專利技術所得到的圖片顯著性對JPGE圖像壓縮方法進行改進。步驟302、對本專利技術所提出的圖片壓縮方法的結果進行檢驗與評估。本專利技術的優點在于：(1)一種基于人臉顯著性的圖片壓縮方法，建立了一個龐大的視覺顯著性數據庫，為后續研究提供幫助。(2)一種基于人臉顯著性的圖片壓縮方法，提出了一種檢測人臉圖像顯著性的模型。(3)一種基于人臉顯著性的圖片壓縮方法，可以根據顯著性改變比特率，有效地減小壓縮圖像的比特率，同時提高壓縮圖像的質量。附圖說明圖1為基于顯著性的圖片壓縮的方法流程圖；圖2為本專利技術建立數據庫的方法流程圖；圖3為本專利技術提出的人臉圖像顯著性檢測的方法流程圖；圖4為關注點坐標的校正與歸一化示意圖；圖5為不同分量個數學習得到的GMM分布；圖6為本專利技術顯著性檢測方法模型；圖7為由實驗結果繪制出的ROC曲線；圖8為由本專利技術提出的顯著性檢測方法所得的顯著性圖譜；圖9為本專利技術的基于顯著性的圖像壓縮的方法流程圖；圖10為本專利技術的圖像壓縮方法的結果圖示。具體實施方式下面將結合附圖和實施例對本專利技術作進一步的詳細說明。一種基于人臉顯著性的圖片壓縮方法，包括視覺顯著性數據庫的建立與分析、建立顯著性檢測模型、通過實驗對本專利技術的有效性進行檢驗、基于所檢測到的人臉顯著性，建立本專利技術的圖片壓縮方法。首先，通過眼球追蹤實驗，建立一個對人臉圖像的視覺關注點分布的數據庫，并自動檢測圖像中的人臉以及臉部特征。然后，由實驗所得到的關注點的數據，通過對這些數據的分析得到人臉與關注點分布的關系，以及臉部特這與關注點分布的關系。接著，根據對數據的分析，建立顯著性檢測模型，由5個通道構成：人臉、臉部特征、顏色、對比度、方向。其中人臉與臉部特征，通過最大期望算法學習混合高斯分布得到，而其余三個由Itti的模型得到。每個通達的權重，則通過訓練數據庫中的關注點分布得到。同時，用本專利技術建立的數據庫和其它公開數據庫，對顯著性檢測的結果進行評估與分析。最后，利用得到的圖像顯著性，對傳統的JPGE編碼之前加入預處理步驟，使得不同顯著性區域有不同的比特率，達到保持圖像質量不下降的同時減小比特率。具體步驟如下，如圖1所示：步驟一、建立本專利技術所要用的數據庫，并對數據進行必要的分析具體步驟如下，如圖2所示：步驟101、通過眼球追蹤實驗，記錄觀測者在自由觀看模式下對人臉圖片的關注點，建立對人臉圖像的視覺關注點分布的數據庫。數據庫中的510張圖片按以下原則隨機挑選出來：(1)每張圖片的大小為1920×1080(2)所有圖片只包含一個人的正臉(3)510張圖片中的人臉尺度(人臉區域所占像素占圖片總像素的比例本文檔來自技高網...

【技術保護點】
一種基于人臉顯著性的圖像壓縮方法，包括以下幾個步驟：步驟一、建立數據庫，具體步驟如下：步驟101、通過眼球追蹤實驗，記錄觀測者在自由觀看模式下對人臉圖片的關注點，建立對人臉圖像的視覺關注點分布的數據庫；步驟102、通過分析在人臉以及臉部特征的視覺關注度，建立關注度與人臉、臉部特征之間的關系；步驟二、建立并訓練顯著度檢測模型，具體步驟如下：步驟201、對人臉區域關注點進行預處理；步驟202、用預處理后的關注點數據，基于訓練圖片，訓練并學習混合高斯模型；步驟203、利用得到的混合高斯模型，基于測試圖片，分別預測圖像的各個特征通道的顯著性；步驟204、得到五個通道不同的顯著性圖譜后，通過學習關注點數據，得到每個通道的顯著性的最佳權重ω

【技術特征摘要】
1.一種基于人臉顯著性的圖像壓縮方法，包括以下幾個步驟：步驟一、建立數據庫，具體步驟如下：步驟101、通過眼球追蹤實驗，記錄觀測者在自由觀看模式下對人臉圖片的關注點，建立對人臉圖像的視覺關注點分布的數據庫；步驟102、通過分析在人臉以及臉部特征的視覺關注度，建立關注度與人臉、臉部特征之間的關系；步驟二、建立并訓練顯著度檢測模型，具體步驟如下：步驟201、對人臉區域關注點進行預處理；步驟202、用預處理后的關注點數據，基于訓練圖片，訓練并學習混合高斯模型；步驟203、利用得到的混合高斯模型，基于測試圖片，分別預測圖像的各個特征通道的顯著性；步驟204、得到五個通道不同的顯著性圖譜后，通過學習關注點數據，得到每個通道的顯著性的最佳權重ωC,ωI,ωO,ωF,ωG；步驟205、利用步驟202至步驟204得到的每個通道的顯著性圖譜以及關于最佳權重系數的函數，計算得到最終的顯著性圖譜；步驟三、進行圖像壓縮；在編碼之前，采用步驟一、步驟二對輸入圖像進行預處理，得到輸入圖像的顯著性圖譜，然后輸入圖像通過低通濾波器，低通濾波器的截止頻率通過顯著性圖譜決定，低通濾波器為：其中，(i,j)為輸入圖片進行離散余弦變換后對應的坐標，Tn是設置的截止頻率，dn是該坐標原來的頻率；輸入圖片分割成8×8像素的相互不重合的塊，即每個小圖塊的預處理表示為：最后將低通濾波器處理后的圖片，經過國際圖像壓縮標準編碼，進行JPEG壓縮。2.根據權利要求1所述的一種基于人臉顯著性的圖像壓縮方法，所述的步驟二中201具體包括以下步驟：步驟(1)、建立固定坐標系，通過坐標變換，對每張圖像中的關注點進行校正；設右臉的第一個特征點為坐標原點，將每個關注點的(x,y)，按式(1)進行坐標變換，實現對關注點的校正；其中：(x，y)是關注點的坐標，(x*，y*)是校正后的坐標；步驟(2)、利用式(2)，對關注點進行歸一化處理；其中：l為兩點之間的歐式距離，即兩點之間的橫向距離，(x′，y′)是歸一化處理后的坐標。3.根據權利要求1所述的一種基于人臉顯著性的圖像壓縮方法，所述的步驟二中202具體包括以下步驟：步驟(1)、建立GMM模型；假設經過校正和歸一化的關注點的坐標為x＝(x′,y′)，建立GMM模型：

【專利技術屬性】
技術研發人員：徐邁，任蕓，付旸，王祖林，
申請(專利權)人：北京航空航天大學，
類型：發明
國別省市：北京,11