技术领域
[0001] 本
发明涉及
模式识别技术领域，特别是涉及一种眼镜检测方法和装置。
背景技术
[0002] 眼镜是最常见的佩饰物，检测出人脸图像中是否佩戴眼镜，并能计算出眼镜的
位置和形状，对提高
人脸识别算法性能、人脸合成、人脸卡通和人脸识别具有重要的实用价值。例如，在人脸识别时，如果在佩戴眼镜的人脸中检测出眼镜的位置，即可以通过去除眼镜获得没有眼镜的裸脸。
[0003] 由于受眼镜形状的多样性及图像
质量等因素的影响，眼镜检测存在许多难点。例如，早期的眼镜检测主要采用
图像处理和模板匹配的方法，根据
像素灰度值的不连续变化来检测眼镜的下边框和眼镜鼻梁，然后通过两眼之间区域的边缘信息来检测眼镜；后期的眼镜检测主要使用三维霍夫(Hough)变换方法检测眼镜。但是，由于不同光线的影响，成像后通过图像处理和Hough方法得到的图像过度依赖于图像边缘，故存在噪声，且噪声干扰会导致经常无法获得特征点或准确的特征点，因此检测的准确率比较低。
[0004] 为提高检测的准确率，某些已有方法尝试采用小波特征来进行眼镜检测，但
小波变换是时间
频率的局部化分析，它通过伸缩平移运算对
信号逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分；根据“失之毫厘，谬以千里”，如果初始的人脸位置不准确，将影响各个尺度和方向上的信息的准确性，因此，小波特征对初始人脸位置的要求很高。
[0005] 总之，需要本领域技术人员迫切解决的一个技术问题就是：如何能够在对初始人脸位置没有过高要求的前提下，提高眼镜检测的
精度。
发明内容
[0006] 本发明所要解决的技术问题是提供一种眼镜检测方法和装置，对初始人脸位置没有过高要求，且能够提高眼镜检测的精度。
[0007] 为了解决上述问题，本发明公开了一种眼镜检测方法，包括：
[0008] 从待检测人脸图像中获取眼镜区域图像；
[0009] 根据单眼区域分类器对所述眼镜区域图像进行第一判别，并依据第一判别结果进行检测，所述检测的过程包括：
[0010] 如果该第一判别结果的绝对值大于预设置信
阈值，则依据该第一判别结果输出是否佩戴眼镜的检测结果；
[0011] 如果该第一判别结果的绝对值小于等于所述预设置信阈值，则根据双眼区域分类器对所述眼镜区域图像进行第二判别，并依据第二判别结果输出是否佩戴眼镜的检测结果。
[0012] 优选的，所述单眼区域分类器为通过以下步骤获得的分类器：
[0013] 获取单眼区域图像样本；
[0014] 提取所述单眼区域图像样本的LBP特征；
[0015] 依据所述LBP特征构造单眼区域分类器；
[0016] 所述根据单眼区域分类器对所述眼镜区域图像进行第一判别的步骤，包括：
[0017] 提取所述眼镜区域图像的LBP特征；
[0018] 将所述LBP特征输入到所述单眼区域分类器中，输出第一判别结果。
[0019] 优选的，所述依据LBP特征构造单眼区域分类器的步骤，包括：
[0020] 构造LBP特征训练集{(xi，yi)}，其中，i＝1，...，n，xi为某一单眼区域图像样本的LBP特征，yi为该单眼区域图像样本所属的样本类别，在其属于佩戴眼镜类别时yi＝1，在其属于不佩戴眼镜类别时yi＝-1，n为单眼区域图像样本的数量；
[0021] 针对所述LBP特征训练集，训练获得作为单眼区域分类器的
支持向量机模型*其中，sgn为符号函数，b 为分类阈值， 为训练得到的
最优分类参数；
[0022] 所述依据第一判别结果进行检测的过程包括：
[0023] 在该第一判别结果的绝对值大于1+δ，δ＞0时，如果该第一判别结果为正数，则输出佩戴眼镜的检测结果，如果该第一判别结果为负数，则输出未佩戴眼镜的检测结果；
[0024] 在该第一判别结果的绝对值小于等于1+δ，δ＞0时，则根据双眼区域分类器对所述眼镜区域图像进行第二判别，并依据第二判别结果输出是否佩戴眼镜的检测结果。
[0025] 优选的，所述双眼区域分类器为通过以下步骤获得的分类器：
[0026] 获取双眼区域图像样本；
[0027] 提取所述双眼区域图像样本的LBP特征；
[0028] 依据所述LBP特征构造双眼区域分类器；
[0029] 所述根据双眼区域分类器对所述眼镜区域图像进行第二判别的步骤，包括：
[0030] 提取所述眼镜区域图像的LBP特征；
[0031] 将所述LBP特征输入到所述双眼区域分类器中，输出第二判别结果。
[0032] 优选的，所述依据LBP特征构造双眼区域分类器的步骤，包括：
[0033] 构造LBP特征训练集{(x′i，y′i)}，其中，i＝1，...，m，x′i为某一双眼区域图像样本的LBP特征，y′i为该双眼区域图像样本所属的样本类别，在其属于佩戴眼镜类别时y′i＝1，在其属于不佩戴眼镜类别时y′i＝-1，m为双眼区域图像样本的数量；
[0034] 针对所述LBP特征训练集，训练获得作为双眼区域分类器的支持向量机模型其中，sgn为符号函数，b为分类阈值，αi为训练得到的最优分类参数；
[0035] 所述依据第二判别结果输出是否佩戴眼镜的检测结果的步骤为，如果该第二判别结果为正数，则输出佩戴眼镜的检测结果，如果该第二判别结果为负数，则输出未佩戴眼镜的检测结果。
[0036] 优选的，所述从待检测人脸图像中获取眼镜区域图像的步骤，包括：
[0037] 对所述待检测人脸图像进行眼睛
定位，得到眼睛位置；
[0038] 根据所述眼睛位置，对所述待检测人脸图像进行归一化操作；
[0039] 从归一化后的待检测人脸图像中割取预设大小的裸眼图像，作为眼镜区域图像。
[0040] 优选的，所述LBP特征包括：LBP特征、一致性LBP特征或者半LBP特征。
[0041] 优选的，所述方法还包括：
[0042] 在所述眼睛定位失败时，根据特殊眼镜分类器对待检测人脸图像进行检测，输出是否佩戴特殊眼镜的检测结果。
[0043] 优选的，所述特殊眼镜分类器为通过以下步骤获得的分类器：
[0044] 获取特殊眼镜人脸图像样本；
[0045] 提取所述特殊眼镜人脸图像样本的LBP特征；
[0046] 依据所述LBP特征构造特殊眼镜分类器；
[0047] 所述根据特殊眼镜分类器对待检测人脸图像进行检测的步骤，包括：
[0048] 提取所述待检测人脸图像的LBP特征；
[0049] 从所述特殊眼镜分类器中获取距离所述LBP特征最近的K个特殊眼镜人脸图像样本，其中，K为自然数；
[0050] 依据所述K个特殊眼镜人脸图像样本的类别，确定并输出所述LBP特征所属的类别。
[0051] 优选的，通过如下公式计算所述LBP特征S1到某一特殊眼镜人脸图像样本S2的距离：
[0052] 其中，n1，n2分别为S1和S2具有的LBP特征的数目，n12为S1∩S2的LBP特征S1与S2的交集的数目，∩代表交集。
[0053] 另一方面，本发明
实施例还公开了一种眼镜检测装置，包括：
[0054] 获取模
块，用于从待检测人脸图像中获取眼镜区域图像；
[0055] 第一判别模块，用于根据单眼区域分类器对所述眼镜区域图像进行第一判别；及[0056] 检测模块，用于依据第一判别结果进行检测；
[0057] 其中，所述检测模块包括：
[0058] 第一输出子模块，用于在该第一判别结果的绝对值大于预设置信阈值时，依据该第一判别结果输出是否佩戴眼镜的检测结果；
[0059] 第二判别子模块，用于在该第一判别结果的绝对值小于等于所述预设置信阈值时，则根据双眼区域分类器对所述眼镜区域图像进行第二判别；及
[0060] 第二输出子模块，用于依据第二判别结果输出是否佩戴眼镜的检测结果。
[0061] 优选的，还包括单眼区域分类器构造模块，包括：
[0062] 单眼样本获取子模块，用于获取单眼区域图像样本；
[0063] 单眼提取子模块，用于提取所述单眼区域图像样本的LBP特征；及[0064] 单眼构造子模块，用于依据所述LBP特征构造单眼区域分类器；
[0065] 所述第一判别模块包括：
[0066] 第一特征提取子模块，用于提取所述眼镜区域图像的LBP特征；及[0067] 第一判别输出子模块，用于将所述LBP特征输入到所述单眼区域分类器中，输出第一判别结果。
[0068] 优选的，所述单眼构造子模块包括：
[0069] 单眼训练集构造单元，用于构造LBP特征训练集{(xi，yi)}，其中，i＝1，...，n，xi为某一单眼区域图像样本的LBP特征，yi为该单眼区域图像样本所属的样本类别，在其属于佩戴眼镜类别时yi＝1，在其属于不佩戴眼镜类别时yi＝-1，n为单眼区域图像样本的数量；及
[0070] 单眼训练单元，用于针对所述LBP特征训练集，训练获得作为单眼区域分类器的*支持向量机模型 其中，sgn为符号函数，b 为分类阈值，
为训练得到的最优分类参数；
[0071] 所述第一输出子模块，具体用于在该第一判别结果的绝对值大于1+δ，δ＞0时，如果该第一判别结果为正数，则输出佩戴眼镜的检测结果，如果该第一判别结果为负数，则输出未佩戴眼镜的检测结果；
[0072] 所述第二判别子模块，具体用于在该第一判别结果的绝对值小于等于1+δ，δ＞0时，则根据双眼区域分类器对所述眼镜区域图像进行第二判别。
[0073] 优选的，所述装置还包括双眼区域分类器构造模块，包括：
[0074] 双眼样本获取子模块，用于获取双眼区域图像样本；
[0075] 双眼提取子模块，用于提取所述双眼区域图像样本的LBP特征；
[0076] 双眼构造子模块，用于依据所述LBP特征构造双眼区域分类器；
[0077] 所述第二判别子模块包括：
[0078] 第二特征提取单元，用于提取所述眼镜区域图像的LBP特征；
[0079] 第二判别输出单元，用于将所述LBP特征输入到所述双眼区域分类器中，输出第二判别结果。
[0080] 优选的，所述双眼构造子模块包括：
[0081] 双眼训练集构造单元，用于构造LBP特征训练集{(x′i，y′i)}，其中，i＝1，...，m，x′i为某一双眼区域图像样本的LBP特征，y′i为该双眼区域图像样本所属的样本类别，在其属于佩戴眼镜类别时y′i＝1，在其属于不佩戴眼镜类别时y′i＝-1，m为双眼区域图像样本的数量；及
[0082] 双眼训练单元，用于针对所述LBP特征训练集，训练获得作为双眼区域分类器的支持向量机模型 其中，sgn为符号函数，b为分类阈值，αi为训练得到的最优分类参数；
[0083] 所述第二输出子模块，具体用于在该第二判别结果为正数时，输出佩戴眼镜的检测结果，在该第二判别结果为负数时，输出未佩戴眼镜的检测结果。
[0084] 优选的，所述获取模块包括：
[0085] 眼镜定位子模块，用于对所述待检测人脸图像进行眼睛定位，得到眼睛位置；
[0086] 归一化子模块，用于根据所述眼睛位置，对所述待检测人脸图像进行归一化操作；及
[0087] 割取子模块，用于从归一化后的待检测人脸图像中割取预设大小的裸眼图像，作为眼镜区域图像。
[0088] 优选的，所述LBP特征包括：LBP特征、一致性LBP特征或者半LBP特征。
[0089] 优选的，所述装置还包括：
[0090] 特殊眼镜检测模块，用于在所述眼睛定位失败时，根据特殊眼镜分类器对待检测人脸图像进行检测，输出是否佩戴特殊眼镜的检测结果。
[0091] 优选的，所述装置还包括特殊眼镜分类器构造模块，包括：
[0092] 特殊眼镜样本获取子模块，用于获取特殊眼镜人脸图像样本；
[0093] 特殊提取子模块，用于提取所述特殊眼镜人脸图像样本的LBP特征；及[0094] 特殊构造子模块，用于依据所述LBP特征构造特殊眼镜分类器；
[0095] 所述特殊眼镜检测模块包括：
[0096] 第三特征提取子模块，用于提取所述待检测人脸图像的LBP特征；
[0097] K紧邻获取子模块，用于从所述特殊眼镜分类器中获取距离所述LBP特征最近的K个特殊眼镜人脸图像样本，其中，K为自然数；及
[0098] 确定输出子模块，用于依据所述K个特殊眼镜人脸图像样本的类别，确定并输出所述LBP特征所属的类别。
[0099] 优选的，所述装置还包括：距离计算模块，用于通过如下公式计算所述LBP特征S1到某一特殊眼镜人脸图像样本S2的距离：
[0100] 其中，n1，n2分别为S1和S2具有的LBP特征的数目，n12为S1∩S2的LBP特征交集的数目，∩代表交集。
[0101] 与
现有技术相比，本发明具有以下优点：
[0102] 本发明采用两级分类器对待检测人脸图像中的眼镜区域图像进行检测。一方面，由于眼睛区域图像的检测无需眼镜边框和形状的精确定位，使得所述检测不会过度依赖于图像边缘，因此本发明不容易受到噪声的干扰，从而能够避免噪声干扰带来的检测精度的降低；另一方面，在单眼区域分类器的
置信度低时使用双眼区域分类器进行检测，这样能够避免置信度低带来的错检或误检，减小检测结果与真实性的误差，从而能够提高眼镜检测的精度和准确度。同时，相对于现有技术的处理需要标定眼镜边框的具体位置，由于本发明是针对整个眼镜区域进行处理，故对初始人脸位置没有过高要求。
[0103] 另外，在眼镜定位失败导致无法获取眼镜区域图像时，本发明总结失败原因，认为所述失败由太阳镜等其它镜框为深色且比较宽的眼镜引起，并设计专
门的特殊眼镜分类器对待检测人脸图像进行检测，以提高眼镜检测的精细度。
附图说明
[0104] 图1是本发明一种单眼区域分类器训练方法实施例的
流程图；
[0105] 图2是本发明一种根据
采样点半径的大小r和个数p采样LBP特征的示例；
[0106] 图3是本发明一种获取8邻域(8，1)LBP算子的示例；
[0107] 图4是本发明一种原始图像及其LBP特征图和Semi-LBP特征图的示例；
[0108] 图5是在使用LBP前对人脸图像进行分块的示意图；
[0109] 图6是本发明一种获取(4，1)LBP算子的示例；
[0110] 图7是本发明一种双眼区域分类器训练方法实施例的流程图；
[0111] 图8是本发明一种眼镜检测方法实施例1的流程图；
[0112] 图9是本发明一种眼睛定位的示意图；
[0113] 图10是本发明一种眼镜检测方法实施例2的流程图；
[0114] 图11是本发明一种眼镜检测装置的结构图。
具体实施方式
[0115] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0116] 本发明实施例的核心构思之一在于，依据级联统计学习的思想，采用两级分类器对待检测人脸图像中眼镜区域图像进行检测。一方面，眼睛区域图像的检测无需眼镜边框和形状的精确定位，使得所述检测不会过度依赖于图像边缘，因此本发明不容易受到噪声的干扰，从而能够避免噪声干扰导致的检测精度的降低；另一方面，在第一级分类器的置信度低时有效联结第二级分类器，这就能够提高检测的置信度，而置信度越高则代表检测结果与真实性的误差越小，也即代表检测精度和准确度越高，因此，本发明能够提高眼镜检测的精度和准确度。
[0117] 参照图1，示出了本发明一种单眼区域分类器训练方法实施例的流程图，具体可以包括：
[0118] 步骤101、获取单眼区域图像样本；
[0119] 在实际中，可以采用统计模式识别方法，将采集并分割获得的
正面人脸图像中的佩戴眼镜的单眼区域图像作为正样本，以及，将未佩戴眼镜的单眼区域图像作为反样本，这里的单眼可为左眼也可为右眼，本发明对此不加以限制。
[0120] 另外，在很多情况下，采集并分割获得的单眼区域图像样本在大小、位置和灰度等方面存在不同之处，故为保证获得较好的检测效果，在本发明的一种优选实施例中，需要对所有单眼区域图像样本的尺寸、位置和灰度进行预处理，使不同的人脸样本图像的尺寸、灰度保持一致。
[0121] 经过这些预处理后，多个佩戴眼镜的单眼区域图像样本以及多个未佩戴眼镜的单眼区域图像样本在某些特征上才会具有一定的相似性，而佩戴眼镜的单眼区域图像样本和未佩戴眼镜的单眼区域图像样本之间才会具有一定的差异，此时才可以采用统计模式识别算法进行单眼区域分类器的训练与识别。
[0122] 步骤102、提取所述单眼区域图像样本的LBP特征；
[0123] 局部二值模式(LBP，Local Binary Pattern)特征是一种有效的纹理描述特征，具有旋转不变性和灰度不变性等显著优点，广泛用于纹理分类、纹理分割等。
[0124] LBP特征通过对某个像素的
亮度值和邻域像素的亮度值进行比较，得到大小关系，并对大小关系进行二进制编码，获得图像区域的纹理特征。参照图2，LBP特征根据采样点半径的大小r和个数p又可记为 图3则示出了一种获取8邻域(8，1)LBP算子的示例，其中， (对应于图2(a))的计算公式为：
[0125]
[0126] 其中pi(i＝0，1，…，7)为中心pc的8个邻域，这里的pi和pc均以图像的灰度值表示，sign为符号函数，即
[0127]
[0128] LBP特征包含了图像的局部形状和纹理信息，对人脸通过LBP算子可以计算出人脸灰度图对应的LBP特征图。例如图4(b)示出了图4(a)所示原始图像的LBP特征图，该LBP特征图中一个像素点的LBP特征的大小，描述了位于该点处的点、线、拐
角等形状。
[0129] 在本发明的一种优选实施例中，可利用一定区域内的LBP特征的直方图来描述该区域的纹理特性。例如，在进行人脸的表示、检测和识别时，各器官的几何形状、空间位置以及面部的纹理信息都非常重要，因此，参照图5，在使用LBP描述人脸时可以首先对人脸图像进行分块，例如图4中的7×7、5×5和3×3等分块方式，然后在每个子块中统计局部的LBP直方图，最终，将人脸图像表示成由各子块的直方图组成的序列。LBP直方图特征相对LBP特征本身，对于特征点定位等人脸样本图像预处理步骤所造成的误差更加鲁棒；再者，每个子区域中的LBP直方图特征可以通过积分图像很快地求得，从而大大提高了分类器的训练速度。
[0130] 然而，普通LBP算子还是具有显著的局限性：其一，它只具有较小的空间支持区域，导致其对纹理特征的描述有限，例如，在一个3x3的局部领域内计算的特征不能获得较大尺度的结构特征，而这些大尺度特征有可能是一些重要的关键特征；其二，邻近区域的LBP码并不是相互独立的，而是与其相邻点相关的，因此它对噪声敏感；其三，其对图像局部区域变化，如光照方向的变化不具备鲁棒性，需要有较大空间支持区域的算子对于图像特征的提取非常必要。
[0131] 针对普通LBP算子的局限性，在本发明的一种优选实施例中，还可以采用一致性LBP(Uniform LBP)的方法。具体而言，当一个LBP算子的二进制特征值被视为首尾链接的环形时，至多存在两位由0到1或是1到0的转换，则该LBP算子被称为一致性模式，如00011110。实验表明，使用尺度为(8，1)，的LBP算子时，一致性模式的数量为59，占LBP算子总数的23％，却可以表达出其中87.2％的纹理。可见这种一致性模式可以有效地描述出图像的大部分纹理特征，并明显减少特征的数量。所以，一致性LBP特征相对普通LBP特征，可以较少的特征保持大部分的信息，使得特征表示更加有效率。而且，从技术上讲，由于降低了特征数目，在进行直方图表示时，使得较小的图像区域也能够提取LBP直方图特征。
[0132] 针对普通LBP算子的局限性，在本发明的另一种优选实施例中，还可以采用半LBP(Semi-LBP)的方法。也即，对于LBP基本算子的尺度，除了图2(a)对应的(8，1)、图2(b)对应的(16，1)等尺度外，还可以包括图2(c)所示的(4，1)。
[0133] 参照图6所示的本发明一种获取(4，1)LBP算子的示例，以及，图4(b)所示的图4(a)所示原始图像的Semi-LBP特征图；可以看出，相对于(8，1)，(4，1)只需选择半数的像素进行编码。这样，对于Semi-LBP，取值范围的上限为4x4＝16，选择2个向量为一组统计区域直方图的二进制，只需要8个值就可以表示块特征。由于对一张图像，提取LBP直方图特征，通常需要对图像进行较细的划分，Semi-LBP提取的特征相对于普通LBP算子，能够在有效描述图像的大部分纹理特征的同时，减少向量的长度。
[0134] 以上对普通LBP特征、一致性LBP特征和Semi-LBP特征等几种LBP特征进行了详细介绍，可以理解，本领域技术人员可以根据需要使用其中任一种LBP特征，以及，可利用直方图来描述所述LBP特征。本发明对此不加以限制。
[0135] 步骤103、依据所述LBP特征构造单眼区域分类器。
[0136] 本步骤是在所述LBP特征
基础上训练得到单眼区域分类器。所述单眼区域分类器可用于对眼镜区域图像进行检测，判断其是否佩戴眼镜。
[0137] 在本发明实施例中，通过将依据佩戴眼镜的单眼区域图像样本得到的LBP特征作为训练的正样本特征，将依据未佩戴眼镜的单眼区域图像样本得到的LBP特征作为训练的反样本特征，构造一个具有判别能
力的单眼区域分类器。
[0138] 在众多
机器学习方法中，支持向量机是一种使得分类结构化误差最小的分类器构造方法，是一种具有更好推广性的分类器构造方法。因而，本发明优选采用支持向量机(SVM，support vector machine)作为两类分类器来构造子区域的训练模型，所述构造子区域训练模型的步骤具体可以包括以下子步骤：
[0139] 子步骤A1、构造LBP特征训练集{(xi，yi)}，其中，i＝1，...，n，xi为某一单眼区域图像样本的LBP特征，yi为该单眼区域图像样本所属的样本类别，在其属于佩戴眼镜类别时yi＝1，在其属于不佩戴眼镜类别时yi＝-1，n为单眼区域图像样本的数量；
[0140] 子步骤A2、针对所述LBP特征训练集，训练获得作为单眼区域分类器的支持向量*机模型 其中，sgn为符号函数，b 为分类阈值， 为训练
得到的最优分类参数；
[0141] 可以理解，上述采用SVM方法构造分类器的方式只是作为示例，本领域技术人员可以根据具体情形采用其它统计学习方法，例如，AdaBoost方法等，本发明对具体的统计学习方法不加以限制。
[0142] 参照图7，示出了本发明一种双眼区域分类器训练方法实施例的流程图，具体可以包括：
[0143] 步骤701、获取双眼区域图像样本；
[0144] 步骤702、提取所述双眼区域图像样本的LBP特征；
[0145] 步骤703、依据所述LBP特征构造双眼区域分类器。
[0146] 本步骤是在所述LBP特征基础上训练得到双眼区域分类器。所述双眼区域分类器可用于对眼镜区域图像进行检测，判断其是否佩戴眼镜。
[0147] 在本发明实施例中，通过将依据佩戴眼镜的双眼区域图像样本得到的LBP特征作为训练的正样本特征，将依据未佩戴眼镜的双眼区域图像样本得到的LBP特征作为训练的反样本特征，构造一个具有判别能力的双眼区域分类器。
[0148] 本发明优选采用SVM作为两类分类器来构造子区域的训练模型，所述构造子区域训练模型的步骤具体可以包括以下子步骤：
[0149] 子步骤B1、构造LBP特征训练集{(x′i，y′i)}，其中，i＝1，...，m，x′i为某一双眼区域图像样本的LBP特征，y′i为该双眼区域图像样本所属的样本类别，在其属于佩戴眼镜类别时y′i＝1，在其属于不佩戴眼镜类别时y′i＝-1，m为双眼区域图像样本的数量；
[0150] 子步骤B2、针对所述LBP特征训练集，训练获得作为双眼区域分类器的支持向量机模型 其中，sgn为符号函数，b为分类阈值，αi为训练得到的最优分类参数；
[0151] 当然，上述采用SVM方法构造分类器的方式只是作为示例，本领域技术人员可以根据具体情形采用其它统计学习方法，例如，AdaBoost方法等，本发明对具体的统计学习方法不加以限制。
[0152] 对于双眼区域分类器训练方法实施例而言，由于其与单眼区域分类器训练方法实施例基本相似，所以描述的比较简单，双眼区域图像样本、提取所述双眼区域图像样本的LBP特征等相关之处参见单眼区域分类器训练方法实施例的部分说明即可，在此不做赘述。
[0153] 参照图8，示出了本发明一种眼镜检测方法实施例1的流程图，具体可以包括：
[0154] 步骤801、从待检测人脸图像中获取眼镜区域图像；
[0155] 本发明实施例可以应用于人脸合成、人脸卡通、人脸识别和人脸特征发现等场合，用于确定待检测人脸图像的人脸是否佩戴眼镜，以根据检测采取进一步的措施；例如，如果检测发现该人脸佩戴眼镜，则可以通过去除眼镜获得没有眼镜的裸脸。
[0156] 在本发明的一种优选实施例中，可以通过如下步骤获取眼镜区域图像：
[0157] 子步骤C1、对所述待检测人脸图像进行眼睛定位，得到眼睛位置；
[0158] 在具体实现中，可以采用统计模式识别方法，将采集并分割获得的正面人脸图像中的双眼区域图像和非双眼区域图像作为训练样本，训练得到双眼区域检测器。例如，可采用自适应增强(AdaBoost，adaptive boosting)算法对10000张24×16的双眼区域图像和非双眼区域图像进行训练，得到双眼区域检测器。
[0159] 在进行眼睛定位时，可以采用所述双眼区域检测器在人脸图像内搜索双眼区域位置，确定双眼区域位置后，在所述双眼区域位置内定位左眼位置和右眼位置。参考图9示出了一种眼睛定位的示意图，其中9a为双眼区域检测器搜索到的眼睛矩形区域位置，9b所示的矩形中心即为眼睛位置。
[0160] 子步骤C2、根据所述眼睛位置，对所述待检测人脸图像进行归一化操作；
[0161] 在具体实现中，所述归一化操作可以包括尺寸归一化和灰度归一化操作。其中，尺寸归一化的操作可以为：将样本图像旋转，使每个人脸的双眼之间的连线为
水平方向，然后按照双眼中心距离固定的原则，比例缩放旋转后的图像，根据双眼距离固定、双眼中心连线中点到人脸图像上矩形框距离固定的原则裁剪图像，即得到了尺寸归一化后的图像。
[0162] 灰度归一化的操作可以采取对尺寸归一化后的图像进行灰度拉伸，以改善图像的
对比度；或者，采用直方图均衡化等直方图修正技术使图像具有相近的统计意义上的均值和方差，以部分消除光照的影响，本发明对具体的操作方式不加以限制。
[0163] 子步骤C3、从归一化后的待检测人脸图像中割取预设大小的裸眼图像，作为眼镜区域图像。
[0164] 在实际中，所述割取通常是根据瞳孔中心，分割出两个矩形区域。这里的预设大小应与训练分类器时的样本的单眼区域图像样本和双眼区域图像样本的尺寸一致，例如，同为24×16的裸眼图像。
[0165] 步骤802、根据单眼区域分类器对所述眼镜区域图像进行第一判别；
[0166] 在实际中，可以首先提取所述眼镜区域图像的LBP特征，然后将所述LBP特征输入到所述单眼区域分类器中，输出第一判别结果。
[0167] 步骤803、依据第一判别结果进行检测，所述检测的过程可以包括：
[0168] 步骤831、如果该第一判别结果的绝对值大于预设置信阈值，则依据该第一判别结果输出是否佩戴眼镜的检测结果；
[0169] 步骤832、如果该第一判别结果的绝对值小于等于所述预设置信阈值，则根据双眼区域分类器对所述眼镜区域图像进行第二判别，并依据第二判别结果输出是否佩戴眼镜的检测结果。
[0170] 例 如，在 单 眼 区 域 分 类 器 采 用 SVM模 型 时，第 一 判 别 结 果 为此时，所述依据第一判别结果进行检测的过程可以包括：
[0171] 在该第一判别结果的绝对值大于1+δ，δ＞0时，如果该第一判别结果为正数，则输出佩戴眼镜的检测结果，如果该第一判别结果为负数，则输出未佩戴眼镜的检测结果；
[0172] 在该第一判别结果的绝对值小于等于1+δ，δ＞0时，则根据双眼区域分类器对所述眼镜区域图像进行第二判别，并依据第二判别结果输出是否佩戴眼镜的检测结果。
[0173] 在该第一判别结果的绝对值小于等于1+δ，δ＞0时，SVM的判别置信度比较低；为了避免置信度低带来的错检或误检，本发明实施例针对此情形进行第二判别。其中，δ一般为很小的正数，其具体取值可由本领域技术人员根据实际需要设置。
[0174] 在实际中，所述第二判别可以首先提取所述眼镜区域图像的LBP特征；然后，将所述LBP特征输入到所述双眼区域分类器中，输出第二判别结果。
[0175] 例 如，在 双 眼 区 域 分 类 器 采 用 SVM模 型 时，第 一 判 别 结 果 为此时，所述依据第二判别结果输出是否佩戴眼镜的检测结果的步骤可以为，如果该第二判别结果为正数，则输出佩戴眼镜的检测结果，如果该第二判别结果为负数，则输出未佩戴眼镜的检测结果。
[0176] 对于检测方法实施例1而言，由于其提取和检测步骤与图1所示的训练方法实施例基本相似，所以描述的比较简单，相关之处参见训练方法实施例的部分说明即可。
[0177] 参照图10，示出了本发明一种眼镜检测方法实施例2的流程图，具体可以包括：
[0178] 步骤1001、对所述待检测人脸图像进行眼睛定位，得到眼睛位置；
[0179] 步骤1002、判断所述眼镜定位是否成功，若是，则执行步骤1003，否则，执行步骤1007；
[0180] 步骤1003、根据所述眼睛位置，对所述待检测人脸图像进行归一化操作；
[0181] 步骤1004、从归一化后的待检测人脸图像中割取预设大小的裸眼图像，作为眼镜区域图像；
[0182] 步骤1005、根据单眼区域分类器对所述眼镜区域图像进行第一判别；
[0183] 步骤1006、依据第一判别结果进行检测，所述检测的过程可以包括：
[0184] 步骤1061、如果该第一判别结果的绝对值大于预设置信阈值，则依据该第一判别结果输出是否佩戴眼镜的检测结果；
[0185] 步骤1062、如果该第一判别结果的绝对值小于等于所述预设置信阈值，则根据双眼区域分类器对所述眼镜区域图像进行第二判别，并依据第二判别结果输出是否佩戴眼镜的检测结果；
[0186] 步骤1007、根据特殊眼镜分类器对待检测人脸图像进行检测，输出是否佩戴特殊眼镜的检测结果。
[0187] 在眼睛定位过程中，太阳镜等其它镜框为深色且比较宽的眼镜会对眼睛瞳孔中心的正确标定产生一定的影响，很有可能引起眼镜定位的失败。针对上述情形，本发明在眼镜定位失败时，设计专门的特殊眼镜分类器对待检测人脸图像进行检测。
[0188] 在实际中，可通过以下步骤获得所述特殊眼镜分类器：
[0189] 步骤D1、获取特殊眼镜人脸图像样本；
[0190] 步骤D2、提取所述特殊眼镜人脸图像样本的LBP特征；
[0191] 步骤D3、依据所述LBP特征构造特殊眼镜分类器；
[0192] 在本发明的一种优选实施例中，可以采用KNN(K最近邻)方法进行眼镜检测。KNN方法的基本思想为，如果一个样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。
[0193] 依据上述思想，所述根据特殊眼镜分类器对待检测人脸图像进行检测的步骤，具体可以包括：
[0194] 子步骤E1、提取所述待检测人脸图像的LBP特征；
[0195] 子步骤E2、从所述特殊眼镜分类器中获取距离所述LBP特征最近的K个特殊眼镜人脸图像样本，其中，K为自然数；
[0196] 子步骤E3、依据所述K个特殊眼镜人脸图像样本的类别，确定并输出所述LBP特征所属的类别。其中，K的取值可由本领域技术人员根据需要设置，其通常取奇数。
[0197] 在具体实现中，可通过如下公式计算特征空间中一个样本到其它样本的距离，也即，所述LBP特征S1到某一特殊眼镜人脸图像样本S2的距离：
[0198] 其中，n1，n2分别为S1和S2具有的LBP特征的数目，n12为S1∩S2的LBP特征的数目，∩代表交集。
[0199] 对于检测方法实施例2而言，由于其与图8所示的检测方法实施例1基本相似，所以描述的比较简单，相关之处参见检测方法实施例1的部分说明即可。
[0200] 需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，
说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0201] 与前述检测方法实施例相应，本发明还公开了一种眼镜检测装置，参照图11，具体可以包括：
[0202] 获取模块1101，用于从待检测人脸图像中获取眼镜区域图像；
[0203] 第一判别模块1102，用于根据单眼区域分类器对所述眼镜区域图像进行第一判别；及
[0204] 检测模块1103，用于依据第一判别结果进行检测；
[0205] 其中，所述检测模块1103具体可以包括：
[0206] 第一输出子模块1131，用于在该第一判别结果的绝对值大于预设置信阈值时，依据该第一判别结果输出是否佩戴眼镜的检测结果；
[0207] 第二判别子模块1132，用于在该第一判别结果的绝对值小于等于所述预设置信阈值时，则根据双眼区域分类器对所述眼镜区域图像进行第二判别；及
[0208] 第二输出子模块1133，用于依据第二判别结果输出是否佩戴眼镜的检测结果。
[0209] 在本发明的一种优选实施例中，所述装置还可以包括单眼区域分类器构造模块，具体可以包括：
[0210] 单眼样本获取子模块，用于获取单眼区域图像样本；
[0211] 单眼提取子模块，用于提取所述单眼区域图像样本的LBP特征；及[0212] 单眼构造子模块，用于依据所述LBP特征构造单眼区域分类器；
[0213] 相应地，所述第一判别模块1102具体可以包括：
[0214] 第一特征提取子模块，用于提取所述眼镜区域图像的LBP特征；及[0215] 第一判别输出子模块，用于将所述LBP特征输入到所述单眼区域分类器中，输出第一判别结果。
[0216] 更为优选的，可以对所述单眼构造子模块作出如下设计：
[0217] 单眼训练集构造单元，用于构造LBP特征训练集{(xi，yi)}，其中，i＝1，...，n，xi为某一单眼区域图像样本的LBP特征，yi为该单眼区域图像样本所属的样本类别，在其属于佩戴眼镜类别时yi＝1，在其属于不佩戴眼镜类别时yi＝-1，n为单眼区域图像样本的数量；及
[0218] 单眼训练单元，用于针对所述LBP特征训练集，训练获得作为单眼[0219] 此时，所述第一输出子模块1131，可具体用于在该第一判别结果的绝对值大于1+δ，δ＞0时，如果该第一判别结果为正数，则输出佩戴眼镜的检测结果，如果该第一判别结果为负数，则输出未佩戴眼镜的检测结果；
[0220] 所述第二判别子模块1132，可具体用于在该第一判别结果的绝对值小于等于1+δ，δ＞0时，则根据双眼区域分类器对所述眼镜区域图像进行第二判别。
[0221] 在本发明的另一种优选实施例中，所述方法还可以包括双眼区域分类器构造模块，具体可以包括：
[0222] 双眼样本获取子模块，用于获取双眼区域图像样本；
[0223] 双眼提取子模块，用于提取所述双眼区域图像样本的LBP特征；
[0224] 双眼构造子模块，用于依据所述LBP特征构造双眼区域分类器；
[0225] 此种情况下，所述第二判别子模块1132具体可以包括：
[0226] 第二特征提取单元，用于提取所述眼镜区域图像的LBP特征；
[0227] 第二判别输出单元，用于将所述LBP特征输入到所述双眼区域分类器中，输出第二判别结果。
[0228] 所述双眼构造子模块的一种优选设计可以包括：
[0229] 双眼训练集构造单元，用于构造LBP特征训练集{(x′i，y′i)}，其中，i＝1，...，m，x′i为某一双眼区域图像样本的LBP特征，y′i为该双眼区域图像样本所属的样本类别，在其属于佩戴眼镜类别时y′i＝1，在其属于不佩戴眼镜类别时y′i＝-1，m为双眼区域图像样本的数量；及
[0230] 双眼训练单元，用于针对所述LBP特征训练集，训练获得作为双眼区域分类器的支持向量机模型 其中，sgn为符号函数，b为分类阈值，αi为训练得到的最优分类参数；
[0231] 此时，所述第二输出子模块1133，可具体用于在该第二判别结果为正数时，输出佩戴眼镜的检测结果，在该第二判别结果为负数时，输出未佩戴眼镜的检测结果。
[0232] 在本发明实施例中，优选的是，所述获取模块1101可以包括：
[0233] 眼镜定位子模块，用于对所述待检测人脸图像进行眼睛定位，得到眼睛位置；
[0234] 归一化子模块，用于根据所述眼睛位置，对所述待检测人脸图像进行归一化操作；及
[0235] 割取子模块，用于从归一化后的待检测人脸图像中割取预设大小的裸眼图像，作为眼镜区域图像。
[0236] 在本发明实施例中，优选的是，所述LBP特征可以包括：LBP特征、一致性LBP特征或者半LBP特征。
[0237] 在本发明的一种优选实施例中，所述装置还可以包括：
[0238] 特殊眼镜检测模块，用于在所述眼睛定位失败时，根据特殊眼镜分类器对待检测人脸图像进行检测，输出是否佩戴特殊眼镜的检测结果。
[0239] 其中，还可以设计特殊眼镜分类器构造模块，其具体结构可以包括：
[0240] 特殊眼镜样本获取子模块，用于获取特殊眼镜人脸图像样本；
[0241] 特殊提取子模块，用于提取所述特殊眼镜人脸图像样本的LBP特征；及[0242] 特殊构造子模块，用于依据所述LBP特征构造特殊眼镜分类器；
[0243] 相应地，可在所述特殊眼镜检测模块设计如下结构：
[0244] 第三特征提取子模块，用于提取所述待检测人脸图像的LBP特征；
[0245] K紧邻获取子模块，用于从所述特殊眼镜分类器中获取距离所述LBP特征最近的K个特殊眼镜人脸图像样本，其中，K为自然数；及
[0246] 确定输出子模块，用于依据所述K个特殊眼镜人脸图像样本的类别，确定并输出所述LBP特征所属的类别。
[0247] 优选的，还可以在装置中设计：距离计算模块，用于通过如下公式计算所述LBP特征S1到某一特殊眼镜人脸图像样本S2的距离：
[0248] 其中，n1，n2分别为S1和S2具有的LBP特征的数目，n12为S1∩S2的LBP特征的数目，∩代表交集
[0249] 对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0250] 本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0251] 以上对本发明所提供的一种眼镜检测方法和装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
