[发明专利]基于ASM算法和Lazy Snapping算法的耳廓检测方法

说明书

本发明公开了一种基于ASM算法和Lazy Snapping算法相结合的耳廓检测方法，该方法利用Haar特征构建耳朵检测器，检测出耳朵所在的矩形区域，只有仅仅对该区域进行图像处理操作，大大加快了运行速度。本发明使用简单低精度的耳朵模型来训练ASM检测器，进而对耳廓上的少数关键特征点进行检测，训练成本较低，ASM算法的检测效果对训练数据集的敏感性较低，可以很容易地进行操作。本发明使用Lazy Snapping算法实现对耳廓地有效分割，并且使用坐标系变换和曲线拟合技术来提高耳廓检测结果的精确度。本发明所提出的耳廓检测技术运算速度快，可靠性高，容易实施，成本较低，可以有效地实现耳廓的检测。

技术领域

本发明涉及机器视觉中的一种耳廓检测技术，尤其是涉及了一种基于ASM算法和Lazy Snapping算法相结合的耳廓检测方法。

背景技术

近年来，随着计算机科学技术的蓬勃发展，机器视觉技术迅速普及于生产生活当中。耳廓检测在图像信息提取，生物特征识别以及三维重建等领域都有着十分重要的应用。基于Haar特征构建分类器来实现物体检测的方法被有效地应用于人脸检测，然而其只能够识别目标物体所在的矩形区域，并不能进行相关几何形状特征的提取。ASM主动形状模型是一种基于统计学的检测方法，可以实现对目标物体上特征点的有效检测，精确度高。采用ASM算法进行耳廓检测，需要对训练数据集中的每一张图片进行所有耳廓特征点的人工标定。数据集较大，特征点较多，这使得训练数据的构建十分困难。其次，最终耳廓检测的效果直接依赖于训练数据的好坏，这对于训练阶段提出了更为严格的要求，这是限制ASM算法应用的一个重要因素。Lazy Snapping算法主要应用于图像中前景和背景的分割，必须在手动标记前景区域和背景区域之后才能进行图像分割操作，不具有自动性。可以将ASM算法和Lazy Snapping算法相结合，采用简化的ASM模型标记耳廓上的关键特征点，以此为基础自动生成前景和背景标记作为Lazy Snapping算法的输入，从而实现耳廓的高效检测。ASM算法可以参考文献“Cootes,T.F.,Taylor,C.J.,Cooper,D.H.and Graham,J.,1995.Activeshape models-their training and application.Computer vision and imageunderstanding,61(1),pp.38-59.”，Lazy Snapping算法可以参考文献“Li,Yin,et al.Lazy snapping.ACM Transactions on Graphics(ToG).Vol.23.No.3.ACM,2004.”。

发明内容

本发明的目的在于针对现有技术的不足，提供了一种基于ASM算法和LazySnapping算法相结合的耳廓检测方法，本发明实现了耳廓的高效检测。

本发明的目的是通过以下技术方案来实现的：一种基于ASM算法和Lazy Snapping算法相结合的耳廓检测方法，包括以下步骤：

(1)使用Haar特征结合Adaboost算法构建耳朵检测器，检测出图片中耳朵所在的矩形区域，整个耳廓位于该区域之内，称之为耳朵矩形。

(2)构建简单的耳廓特征点模型，采用ASM算法检测出图片中上耳根点和下耳根点所在的位置。

(3)计算耳朵矩形距离上耳根点和下耳根点连线最远的顶点。上耳根点和下耳根点连成一条直线，耳廓位于这条直线的一侧，称其为耳朵分割线。分别计算耳朵矩形四个顶点到耳朵分割线的距离，选取距离最远的顶点，称其为耳侧点。

(4)采用耳朵矩形设置图片的感兴趣区域ROI，并且将上耳根点，下耳根点和耳侧点的坐标转换到该感兴趣区域中。此后对图片的所有操作均在该感兴趣区域内进行。