人脸图像中眼镜检测与边框去除方法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (15): 178-182.

人脸图像中眼镜检测与边框去除方法

陈文青1，王佰玲2

1.绍兴职业技术学院信息工程学院，浙江绍兴 312000
2.哈尔滨工业大学计算机科学与技术学院，哈尔滨 150090

出版日期:2016-08-01 发布日期:2016-08-12

Methods of eyeglasses detection and frame removal for face image

CHEN Wenqing1, WANG Bailing2

1.College of Information Engineering, Shaoxing Vocational & Technical College, Shaoxing, Zhejiang 312000, China
2.School of Computer Science and Technology, Harbin Institute of Technology, Harbin 150090, China

Online:2016-08-01 Published:2016-08-12

摘要/Abstract

摘要： 眼镜边框是影响精确提取人脸图像特征的因素之一，为此提出了一种眼镜检测和边框去除的方法。该方法由眼镜检测、眼镜边框定位和被遮挡图像修复三部分构成。提取眼睛估计区域的边缘特征并基于神经网络的方法检测眼镜；利用二值化和数学形态学的方法定位眼镜边框;通过插值的方法修复被眼镜边框遮挡的图像。实验结果表明，该方法与传统基于PCA的方法相比，眼镜去除后的人脸图像更加自然。同时，实验结果也表明该方法有助于人脸识别性能的提升。

关键词: 眼镜检测, 眼镜边框去除, 人脸识别, 肤色模型

Abstract: The eyeglasses frame is one important factor affecting the accuracy of face features extraction, so a method of detecting and removing the eyeglasses frame is proposed. The method is composed of glasses detection, frame location and restoral of the occluded images. First, the edge features of eyes region are extracted and the glasses are detected based on neural network. Then, the eyeglasses frame is located based on binarization and morphology. Finally, the image is restored by interpolation method. Experimental results show that compared with the method based on PCA（Principle Component Analysis）, the removal eyeglasses face images processed by the proposed method are more natural and can achieve better face recognition performance.

Key words: eyeglasses detection, eyeglasses frame removal, face recognition, skin model

陈文青1，王佰玲2. 人脸图像中眼镜检测与边框去除方法[J]. 计算机工程与应用, 2016, 52(15): 178-182.

CHEN Wenqing1, WANG Bailing2. Methods of eyeglasses detection and frame removal for face image[J]. Computer Engineering and Applications, 2016, 52(15): 178-182.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[3]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[4]	石正宇，陈仁文，黄斌. 基于自归一化神经网络的低分辨率人脸识别[J]. 计算机工程与应用, 2021, 57(3): 137-143.
[5]	李俊瑶，黎智辉，谢兰迟，侯欣雨，叶东. 基于老化模型的跨年龄人脸识别研究进展[J]. 计算机工程与应用, 2021, 57(24): 27-38.
[6]	刘金金，李清宝，李晓楠. 基于对抗学习和知识蒸馏的神经网络压缩算法[J]. 计算机工程与应用, 2021, 57(21): 180-187.
[7]	徐遐龄，刘涛，田国辉，于文娟，肖大军，梁陕鹏. 有遮挡环境下的人脸识别方法综述[J]. 计算机工程与应用, 2021, 57(17): 46-60.
[8]	徐然然，吴小俊，尹贺峰. 鉴别性非负表示分类及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(13): 147-153.
[9]	王钰，刘凡，王菲. 基于自编码器和稀疏表示的单样本人脸识别[J]. 计算机工程与应用, 2021, 57(1): 168-172.
[10]	董艳花，张树美，赵俊莉. 有遮挡人脸识别方法综述[J]. 计算机工程与应用, 2020, 56(9): 1-12.
[11]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[12]	袁小平，崔棋纹，程干，张侠，张毅，王溯源. 改进型Gabor自商图算法及其在人脸识别中的应用[J]. 计算机工程与应用, 2020, 56(5): 206-213.
[13]	张飞翔，余学儒，何卫锋，李琛. 结合改进的损失函数与多重范数的人脸识别[J]. 计算机工程与应用, 2020, 56(24): 144-150.
[14]	陈哲，吴小俊. 基于结构化低秩恢复的鲁棒人脸识别算法[J]. 计算机工程与应用, 2019, 55(6): 126-132.
[15]	白创，陈翔. 新型LeNet-FC卷积神经网络模型算法的研究[J]. 计算机工程与应用, 2019, 55(5): 105-111.