法律状态公告日
法律状态信息
法律状态
2022-03-11
未缴年费专利权终止 IPC(主分类):G06K 9/66 专利号:ZL2011100755031 申请日:20110329 授权公告日:20121107
专利权的终止
2012-11-07
授权
授权
2011-09-07
实质审查的生效 IPC(主分类):G06K9/66 申请日:20110329
实质审查的生效
2011-07-27
公开
公开
技术领域
本发明涉及一种基于支持向量机的口唇颜色自动识别的方法,属于模式识别和图像处理领域。
背景技术
望口唇诊病是中医望诊的重要内容之一。中医认为:脾开窍在口,其华在唇,足阳明胃经之脉环口唇,故望口唇可诊脾胃的病变。口唇的色泽变化与五脏气血盛衰有关,可诊察脏腑病变。正常人的口唇颜色红润,为胃气充足,气血调匀的表现。一旦身体有问题,口唇会出现改变。临床上一般将口唇颜色分为:暗红、淡红、红、紫和淡白这五类。口唇颜色暗红,为气滞血瘀。口唇颜色淡白或淡红,为血虚或失血。口唇颜色紫,属气滞血瘀重症,常见于心脉瘀阻证或肺气郁滞证。传统的口唇颜色识别方法主要依靠医生目视观察进行判断分析,其诊断结果既受医生知识水平、诊断经验的限制,又受当时光线、温度这些外部环境的影响,存在主观依赖性强、可重复性差的缺陷,因此,传统的口唇颜色识别存在客观评价依据少,口唇颜色识别准确性差不利因素,亟需一种口唇颜色自动识别的方法。
目前,利用计算机自动识别口唇颜色,需要先从人脸照片中精确地分割出口唇区域,然后才能进行口唇颜色识别,例如,Robust Lip Segmentation Method Based on Level Set Model [C]. 11th Pacific Rim Conference on Multimedia, September 2010, pages:731-739, 该文提出了一种基于水平集的自动口唇分割方法,该方法能从人脸照片中精确地分割出口唇。但是,该自动口唇分割方法没有对分割出来的口唇做进一步地颜色识别操作。还不能应用于中医望诊中的口唇颜色诊断。
发明内容
本发明的目的在于针对现有技术的不足,提出一种基于支持向量机的口唇颜色自动识别的方法,该方法采用支持向量机作为分类器,以颜色直方图为特征向量,利用计算机模拟中医专家对口唇颜色进行自动的识别,进而克服传统口唇颜色识别主观性强、可重复性差的缺点。
为了达到上述目的,本发明的构思是:基于支持向量机的口唇颜色自动识别的方法,(1)建立口唇颜色训练样本集:首先,建立口唇图像库;然后,利用直方图区间细划分方法提取口唇图像的直方图特征向量,形成口唇颜色训练样本集;(2)利用支持向量机对口唇颜色训练样本集进行训练,构建口唇颜色分类器;(3)利用口唇颜色分类器自动识别新口唇图像的口唇颜色。
根据上述构思,本发明采用下述技术方案。
本发明的基于支持向量机的口唇颜色自动识别的方法,该方法包括如下步骤:
(1)、建立口唇颜色训练样本集;
(2)、构建口唇颜色分类器;
(3)、口唇颜色自动识别。
上述步骤(1)所述的建立口唇颜色训练样本集,其具体步骤如下:
(11)、建立口唇图像库: 利用口唇分割算法对人脸照片进行口唇分割,得到口唇图像,保存在口唇图像库中。识别所有口唇图像的口唇颜色,将口唇颜色分为:暗红、淡红、红、紫和淡白五类颜色;
(12)、采用直方图区间细化分方法提取口唇图像的直方图特征向量构成口唇颜色训练样本集,其具体步骤如下:
(121)、在HSI空间中寻找口唇颜色主区间,其具体步骤如下:
(1211)、将RGB空间转换成HSI空间,得到口唇图像中每个像素的H、S、I值,H、S、I的取值范围为 [0,1]区间;
(1212)、将上述 [0,1]区间等分成5个小区间,H、S、I三通道的直方图分别以5个区间作为直方图区间;
(1213)、根据上述5个直方图区间,对每一通道,提取口唇图像的直方图特征向量;
(1214)、合并上述三个通道的直方图特征向量形成一个向量,作为口唇图像的初始直方图特征向量;
(1215)、根据步骤(1211)~ 步骤(1214)计算口唇图像库中所有口唇图像的初始直方图特征向量;
(1216)、根据所有初始直方图特征向量求均值直方图特征向量;
(1217)、将均值直方图特征向量中分量值超过0.3的分量所对应的区间,作为口唇颜色的主区间,剩余的区间为副区间;
(122)、将上述每个主区间分别等分成5个小区间;
(123)、将步骤(122)得到的所有小区间与副区间合并成口唇图像的新直方图区间;
(124)、根据上述新直方图区间,提取所有口唇图像的新直方图特征向量,所有口唇图像的新直方图特征向量构成口唇颜色训练样本集。
上述步骤(2)所述的构建口唇颜色分类器,其具体步骤如下:
(21)、将步骤(1)中所述的五类口唇颜色进行两两组合,组合成10组组合:暗红类和淡红类、暗红类和红类、暗红类和紫类、暗红类和淡白类、淡红类和红类、淡红类和紫类、淡红类和淡白类、红类和紫类、红类和淡白类、紫类和淡白类;
(22)、根据上述10组组合口唇颜色训练样本集中构建10个小样本集,每个小样本集由每种组合对应的训练样本组成;
(23)、利用10个支持向量机对上述10个小样本集分别进行训练,得到10个训练模型,由10个训练模型构成口唇颜色分类器。
上述步骤(3)所述的口唇颜色自动识别,其具体步骤如下:
(31)、利用口唇分割算法对人脸照片进行口唇分割,得到待识别口唇图像;
(32)、提取待识别口唇图像的直方图特征向量,其直方图区间为上述步骤(123)所述的新直方图区间;
(33)、将上述得到的直方图特征向量分别输入到步骤(2)中所述的得到的10个训练模型,该10个训练模型分别得到一个口唇颜色识别结果;
(34)、采用投票机制统计上述10个口唇颜色识别结果,10个结果中哪一颜色类占得多,则将该待识别口唇图像识别为该类口唇图像。
本发明的基于支持向量机的口唇颜色自动识别的方法与传统中医目测观察口唇颜色的方法相比具有的优点在于:该方法得到的直方图特征向量能捕捉到不同口唇颜色间的细微差别信息,为口唇颜色识别提供重要的数字特征;每幅口唇图像由直方图特征向量表示,口唇颜色特征信息数字化;模拟中医对口唇颜色进行识别,克服传统方法主观性强、可重复性差的缺点;支持向量机通过学习对口唇颜色进行识别,该方法是对中医口唇颜色识别经验的总结和继承。
附图说明
图1为本发明的基于支持向量机的口唇颜色自动识别的方法的总流程框图;
图2 为图1中步骤(1)所述的提取口唇图像直方图特征向量的流程图;
图3为图1中步骤(2)所述的构建口唇颜色分类器的流程图;
图4为本发明的基于支持向量机的口唇颜色自动识别的方法识别的一幅口唇图像;
图5为图1中步骤(3)所述的口唇颜色自动识别的流程图。
具体实施方式
以下结合附图1对本发明的实施例作进一步的详细说明。
本实施例以本发明的技术方案为前提进行实施:
如图1所示,本发明的基于支持向量机的口唇颜色自动识别的方法,其具体步骤如下:
(1)、建立口唇颜色训练样本集:
(11)、建立口唇图像库: 利用口唇分割算法对290幅人脸照片进行口唇分割,得到290幅口唇图像,保存在口唇图像库中,识别所有幅口唇图像的口唇颜色并记录识别结果,实施例中将口唇颜色分为:暗红、淡红、红、紫和淡白五类颜色;
(12)、采用直方图区间细化分方法提取口唇图像的直方图特征向量,构成口唇颜色训练样本集,如图2所示,其具体步骤如下:
(121)、在HSI空间中寻找口唇颜色主区间:
(1211)、将RGB空间转换成HSI空间,得到口唇图像中每个像素的H、S、I值,H、S、I的取值范围为[0,1] 区间,RGB空间转换成HSI空间的转换计算公式如下:
(1)
其中,R为像素的R值,
(2)
其中, G为像素的G值,
(3)
其中,B为像素的B值,
(4)
(5)
(6)
(7)
(1212)、将上述 [0,1]区间等分成5个小区间,H、S、I三通道的直方图区间分别为:;
(1213)、根据上述5个直方图区间,对每一通道,提取口唇图像的直方图特征向量;
(1214)、合并上述三个通道的直方图特征向量形成一个向量,作为口唇图像的初始直方图特征向量;
(1215)根据步骤(1211)~步骤(1214)计算口唇图像库中所有口唇图像的初始直方图特征向量;
(1216)、根据所有初始直方图特征向量求均值直方图特征向量;
(1217)、将均值直方图特征向量中分量值超过0.3的分量所对应的区间,作为口唇颜色的主区间,剩余的区间为副区间,主区间为:H通道上的主区间为、,S通道的主区间为、,I通道的主区间为、;
(122)、将上述步骤(1217)中的6个主区间分别等分为5个小区间,即,H通道上的区间、被细划分成: 和 ;S通道上的区间、被分别细划分成:和 ;I通道上的区间、被分别细划分成: 和 ;
(123)、将步骤(122)得到的所有小区间与副区间组合成口唇图像的新直方图区间,即,H通道上新直方图区间为:
;
S通道上的新直方图区间为:
;I
通道上的新直方图区间为:
,
此时,H、S、I通道上各有13个区间,总共39个区间,作为口唇图像的新直方图区间;
(124)、根据上述39个新直方图区间,提取口唇图像的新直方图特征向量,所有口唇图像的新直方图特征向量构成了口唇颜色训练样本集;
(2)、构建口唇颜色分类器,如图3所示,其具体步骤如下:
(21)、将步骤(1)中所述的五类口唇颜色进行两两组合,组合成10组组合:暗红类和淡红类、暗红类和红类、暗红类和紫类、暗红类和淡白类、淡红类和红类、淡红类和紫类、淡红类和淡白类、红类和紫类、红类和淡白类、紫类和淡白类;
(22)、根据上述10组组合在口唇颜色训练样本集中构建10个小样本集,每个小样本集由每种组合对应的两类训练样本组成;
(23)、利用10个支持向量机对上述10个小样本集分别进行训练,得到10个训练模型,由10个训练模型构成口唇颜色分类器,其具体如下:
将小样本集中的训练样本输入支持向量机中进行训练得到训练模型,训练模型的计算公式如下:
(8)
subject to
其中, W表示为系数矩阵,C为惩罚参数,为松弛项,是第i个训练样本中的类标记,为训练样本的总个数,;是映射函数,表是第i个训练样本的特征向量,
(9)
subject to
其中为训练样本的个数,为拉格朗日系数向量,为维的单位行向量,是的半正定矩阵; , 为第i个训练样本的特征向量,对应地为第i个训练样本的类标记;是核函数,该核函数为径向基函数:
(10)
其中, 为宽度参数,、分别为第i个和第j个样本的特征向量,
由上述计算所得到的10个训练模型构成了口唇颜色分类器;
(3)、口唇颜色自动识别,如图5所示,其具体步骤如下:
(31)、利用口唇分割算法对人脸照片进行口唇分割,得到待识别口唇图像
(32)、提取待识别口唇图像的直方图特征向量,其直方图区间为上述步骤(123)所述的得到的新直方图区间;
(33)、将得到的直方图特征分别输入到步骤(2)所述的10个训练模型中识别,得到10个口唇颜色识别结果,其训练模型中的识别式为:
(11)
其中, 是第i个训练样本中的类标记,为拉格朗日系数;为径向基核函数,其中,为第i个训练样本的特征向量,x为待识别口唇图像的特征向量,
例如:
当训练样本集只包含暗红类和淡红类样本时,识别结果为:暗红;
当训练样本集只包含暗红类和红类样本时,识别结果为:暗红;
当训练样本集只包含暗红类和紫类类样本时,识别结果为:暗红;
当训练样本集只包含暗红类和淡白类样本时,识别结果为:暗红;
当训练样本集只包含淡红类和红类样本时,识别结果为:淡红;
当训练样本集只包含淡红类和紫类样本时,识别结果为:淡红;
当训练样本集只包含淡红类和淡白类样本时,识别结果为:淡红;
当训练样本集只包含红类和紫类样本时,识别结果为:紫;
当训练样本集只包含红类和淡白类样本时,识别结果为:红;
当训练样本集只包含紫类和淡白类样本时,识别结果为:紫;
(34)、按照投票机制统计上述10个口唇颜色识别结果,得到暗红类的票数最高,因此将该口唇图像识别为暗红类颜色口唇图像,如图4所示。
机译: 基于标记单应变换的支持向量机视频处理自动校准的支持向量机方法
机译: 光学识别代码,其标记方法,其读出方法,标有光学识别代码的文章,颜色识别方法,程序,按颜色排列的自动识别代码及其附带的文章
机译: 基于支持向量贡献的基于模式支持向量机的语音和音乐分类器选择方法的简化方法