[发明专利]一种人脸逆光图片的合成方法

说明书

本发明提供一种人脸逆光图片的合成方法，包括：S1图像预处理；S2人脸特征点检测：S2.1将正常人脸图像送入人脸检测模型，检测出人脸轮廓点；S2.2将背景图像输入人脸检测模型，检测出背景人脸轮廓点；S3生成封闭人脸轮廓线；S4掩膜构造：S4.1对图像模板M运用泛洪填充算法，生成人脸区域掩膜mask₀；S4.2根据对应轮廓点，求解两张图的单应性矩阵；对mask₀进行单应性变换；得到变换后掩膜mask₁；对人脸图像进行单应性变换；得到变换后人脸图像；S4.3对掩膜mask₁取反操作，生成背景区域掩膜mask₂；S5目标区域提取：S5.1将变换的人脸图像与掩膜mask₁掩膜运算，提取人脸区域得到图像I₁；S5.2将背景图像与掩膜mask₂掩膜运算，提取逆光背景区域得到图像I₂；S6图像拼接：将得到的图像像素加运算，得到拼接图像。

技术领域

本发明涉及图像处理技术领域，特别涉及一种人脸逆光图片的合成方法。

背景技术

现有的人脸识别技术，其本质上是建立一个人脸识别模型，基于该模型提取人脸部的特征向量，通过将新图片(“新人物”)和语料库中的特征向量进行匹配，从而判断“新人物”身份信息。基于深度学习的人脸识别模型，需要大量的人脸数据集来不断训练模型，从而使模型提取的特征向量能更好的表征人脸特征。而且训练人脸识别模型的数据集不仅要求体量大，还需要提供准确的标签，并可以兼容各种应用场景(即非限制场景下的人脸图片)。

限制场景是指某一特定环境(差不多的背景，差不多的光照)，比如一个证件照的数据集就是在基本相同的环境下采集的。而非限制场景则与之相反，是指不限制某一特定场景。因此，为了使模型具有更好的识别泛化能力，训练集中的场景需要多样化。常规的训练集增强方法一般包括：图像(亮度、色度、饱和度)增强，图像翻转、旋转、缩放、裁剪、平移，添加高斯噪声等；这些数据增强方法一方面增加了训练的数据量，提高了模型的泛化能力；另一方面增加了噪声数据，提升了模型的鲁棒性。

目前网络上公开的大型人脸训练集基本没有或包括很少逆光环境下采集的人脸，而且通过常规的数据增强无法产生逆光环境下采集的人脸图像效果，如果单纯依靠人力采集逆光人脸数据集，将耗费大量人力财力。

此外，常用的技术术语包括：

1.泛洪填充算法又称洪水填充算法，其基本原理就是从一个像素点出发，以此向周边的像素点扩充着色，直到图形的边界。它是很多图形绘制软件中常用的填充算法，最熟悉就是windows paint的油漆桶功能。

2.单应性矩阵：在计算机视觉中，平面的单应性被定义为一个平面到另外一个平面的投影映射。假设有两张不同角度拍摄的同一场景的图像，图1中x₁对应世界坐标系中的X，其中x₁＝KR₁X，图2中x₂也对应世界坐标系中的X，其中那么x₂认为是x₁通过一个单应性变换得到，其中就是对应的单应性矩阵。

3.掩膜运算：掩膜是由0和1组成的一个二进制图像；当在某一功能中应用掩模时，1值区域被处理，被屏蔽的0值区域不被包括在计算中。本专利中通过图像掩膜运算提取感兴趣区,用预先制作的感兴趣区掩膜与待处理图像相乘,得到感兴趣区图像,感兴趣区内图像值保持不变,而区外图像值都为0。

发明内容

为了解决上述问题，本方法目的在于：在一张正常光照的人脸图像中提取人脸部分区域像素，在一张人脸逆光图像中提取逆光背景部分区域像素，将两个目标区域的像素合成一张新的人脸逆光图像。

具体地，本发明提供一种人脸逆光图片的合成方法，所述方法包括以下步骤：

S1.图像预处理：