CN106407915A - 一种基于svm的人脸特征识别方法及装置 - Google Patents
一种基于svm的人脸特征识别方法及装置 Download PDFInfo
- Publication number
- CN106407915A CN106407915A CN201610798856.7A CN201610798856A CN106407915A CN 106407915 A CN106407915 A CN 106407915A CN 201610798856 A CN201610798856 A CN 201610798856A CN 106407915 A CN106407915 A CN 106407915A
- Authority
- CN
- China
- Prior art keywords
- face
- characteristic
- parameter
- characteristic parameter
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于支持向量机的人脸特征识别方法,其包括:步骤a,从网络中获取各种包含非正常皮肤的人脸照片;步骤b,图像预处理;步骤c,通过K‑means算法将脸部的非正常皮肤进行分离;步骤d,提取出非正常皮肤特征参数,得到简约特征空间;步骤e,训练得到SVM分类器;步骤f,组成最优特征空间;步骤g,使用人脸识别装置进行识别分类。这样,使用SVM算法将问题转化为二次型寻优问题,得到全局最优值,解决了神经网络算法难以避免的局部极值问题;SVM算法泛化能力高于神经网络;通过分析SVM分类器中每个特征参数对样本分类结果的识别率,筛选其中贡献率为正的特征参数作为SVM分类器的输入项,提高了分类准确率。
Description
技术领域
本发明属于图像特征识别技术领域,具体涉及一种基于SVM的人脸特征识别方法及装置。
背景技术
近年来,随着通信技术、互联网、云计算的快速发展,图像处理和图像特征识别成为国内外研究的热点技术,人脸特征识别是图像特征识别的一个重要课题,具有广泛的应用领域,如何快速的识别人脸成为人们实际而又迫切的需求。
鉴于上述缺陷,本发明创作者经过长时间的研究和实践终于获得了本发明。
发明内容
为解决上述技术缺陷,本发明采用的技术方案在于,提供一种基于支持向量机的人脸特征识别方法,其包括:
步骤a,从网络中获取各种包含非正常皮肤的人脸照片;
步骤b,图像预处理,通过人脸检测算法获取照片中人脸部分,截取人脸非正常皮肤区域并设置图片大小和分辨率;
步骤c,通过K-means算法将脸部的非正常皮肤进行分离;
步骤d,提取出非正常皮肤斑点和黑痣的颜色、形状和纹理特征参数,对特征参数进行归一化操作,并降低参数维数,得到简约特征空间;
步骤e,利用SVM对输入的样本照片进行离线训练,将非正常皮肤分为斑 点和黑痣,训练得到SVM分类器;
步骤f,根据各个特征参数对识别结果的贡献率,选择贡献率较高的特征参数集合组成最优特征空间;
步骤g,获取测试样本照片,执行步骤b~步骤d,使用人脸识别装置对其进行识别分类,以检查该装置的运行速度和检测准确度。
较佳的,所述步骤c包括
步骤c1,给定样本包含N个样本空间数据集,设迭代次数为R,指定聚类数为K,随机生成K个像素作为初始聚类中心;
步骤c2,计算样本孔径中每个数据对象与当前聚类中心Y(k,r)的相似度距离;
步骤c3,计算K个新的聚类中心,公式如下:
步骤c4,判断聚类是否合理,用下面的公式判断聚类是否合理,
|E(r+1)-E(r)|<ε。
较佳的,所述步骤d包括:
步骤d1:提取形状特征参数;
步骤d2:提取颜色特征参数;
步骤d3:提取纹理特征参数;
步骤d4:对特征参数向量数据进行归一化操作,统一量纲和参数分布区间;
步骤d5:对特征参数向量空间进行降维处理;
步骤d6:得到简约有效的特征参数空间。
较佳的,所述步骤e中SVM分类器为径向基核函数,其函数表达式如下:
较佳的,所述步骤f中,舍弃负贡献率和零贡献率的特征参数项,筛选出最佳特征参数组合,作为SVM分类器的输入项。
一种与以上所述的基于支持向量机的人脸特征识别方法对应的装置,其包括:
获取人脸照片模块,从网络获取各种包含非正常皮肤的人脸照片;
图像预处理模块,截取网络获取的人脸照片上非正常区域并设置图片属性;
分离脸部非正常皮肤模块,采用K-means算法根据相似度大小将脸部的非正常皮肤进行分离:
提取非正常皮肤特征参数模块,提取斑点和黑痣的特征参数,生成简约有效的特征参数空间:
训练样本照片模块,利用SVM对输入的样本照片进行离线训练,将非正常皮肤分为斑点和黑痣,训练得到SVM分类器;
最优特征空间生成模块,根据各个特征参数对识别结果的贡献率,选择贡献率较高的特征参数集合组成最优特征空间;
人脸识别模块,获取测试样本照片,执行图像预处理模块、分离脸部非正常皮肤模块和非正常皮肤特征参数提取模块,使用人脸识别装置对其进行识别分类,以检查该装置的运行速度和检测准确度。
较佳的,所述分离脸部非正常皮肤模块包括:
初始聚类中心生成子模块,给定样本包含N个样本空间数据集,设迭代次数为R,指定聚类数为K,随机生成K个像素作为初始聚类中心;
计算相似度距离子模块,计算样本孔径中每个数据对象与当前聚类中心Y(k,r)的相似度距离;
新聚类中心计算子模块,用下面的计算公式计算K个新的聚类中心:
聚类判断子模块,用下面的公式判断聚类是否合理,
|E(r+1)-E(r)|<ε
较佳的,所述提取非正常皮肤特征参数模块包括:
提取形状特征参数子模块,提取斑点和黑痣的特征参数:面积,周长,圆形相似度;
提取颜色特征参数子模块,提取RGB颜色体系中R、G、B三个分量灰度值的低阶矩及颜色分量比值,还有HSV颜色体系中H、S、V三个分量灰度值的低阶矩;
提取纹理特征参数子模块,提取纹理特征中斑点和黑痣的特征参数:RGB颜色体系灰度共生矩阵的对比度、相关性和能量;
特征参数向量数据进行归一化操作子模块,进行统一量纲和参数分布区间;
特征参数向量空间进行降维处理子模块,对特征参数向量空间进行降维处理;
特征参数空间生成子模块,生成简约有效的特征参数空间。
较佳的,所述训练样本照片图片模块中SVM分类器使用的核函数为径向基核函数,其函数表达式如下:
较佳的,所述最优特征空间生成模块中,舍弃负贡献率和零贡献率的特征参数项,筛选出最佳特征参数组合,作为SVM分类器的输入项。
与现有技术比较本发明的有益效果在于:基于SVM的人脸特征识别方法,使用SVM算法将问题转化为二次型寻优问题,得到全局最优值,解决了神经网络算法难以避免的局部极值问题;SVM算法有严格的理论和数学基础, 基于结构风险最小化原则,泛化能力高于神经网络;通过分析SVM分类器中每个特征参数对样本分类结果的识别率,筛选其中贡献率为正的特征参数作为SVM分类器的输入项,提高了分类准确率。
附图说明
为了更清楚地说明本发明各实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为本发明实施例一的一种基于SVM的人脸特征识别方法的流程图;
图2为本发明实施例二的一种基于SVM的人脸特征识别方法的步骤b的流程图;
图3为本发明实施例三的一种基于SVM的人脸特征识别方法的步骤c的流程图;
图4为本发明实施例四的一种基于SVM的人脸特征识别方法的步骤d的流程图;
图5为本发明实施例七的一种基于SVM的人脸特征识别装置的功能示意图。
具体实施方式
以下结合附图,对本发明上述的和另外的技术特征和优点作更详细的说明。
实施例一
本发明一种基于支持向量机(SVM)的人脸特征识别方法,采用“离线训练,在线检测”原则,首先获取各种有斑点和黑痣的人脸样本照片,保证照片刚好包含人脸,利用K-means聚类算法分割出人脸的斑点和黑痣的所在区域; 然后提取出斑点和黑痣的形状、颜色和纹理的多个特征参数,并对特征参数进行归一化操作和降维处理;最后使用SVM对样本进行识别分类训练,根据样本特征参数对识别结果的贡献率,选择出最佳特征参数空间,从而得到准确率较高的人脸特征识别方法。
如图1所示,为一种基于支持向量机(SVM)的人脸特征识别方法的流程图,其中,所述基于支持向量机(SVM)的人脸特征识别方法包括:
步骤a:从网络中获取各种包含非正常皮肤(斑点和黑痣)的人脸照片;
步骤b:图像预处理,通过人脸检测算法获取照片中人脸部分,截取人脸非正常皮肤区域并设置图片大小和分辨率;
步骤c:通过K-means算法将脸部的非正常皮肤斑点和黑痣进行分离;
主要由于人脸部的正常皮肤的颜色之间相似性很接近,正常皮肤与斑点、黑痣之间的相似性差距远,所以可以用相似性度量的方法通过K-means算法进行二分类聚类,实现人脸斑点和黑痣的分离;
步骤d:提取出非正常皮肤斑点和黑痣的颜色、形状和纹理特征参数,对特征参数进行归一化操作,并降低参数维数,得到简约特征空间;
步骤e:利用SVM对输入的样本照片进行离线训练,将非正常皮肤分为斑点和黑痣,训练得到SVM分类器;
步骤f:根据各个特征参数对识别结果的贡献率,选择贡献率较高的特征参数集合组成最优特征空间;
步骤g:获取测试样本照片,执行步骤b~步骤d,使用人脸识别装置对其进行识别分类,以检查该装置的运行速度和检测准确度。
基于SVM的人脸特征识别方法,使用SVM算法将问题转化为二次型寻优问题,得到全局最优值,解决了神经网络算法难以避免的局部极值问题;SVM 算法有严格的理论和数学基础,基于结构风险最小化原则,泛化能力高于神经网络;通过分析SVM分类器中每个特征参数对样本分类结果的识别率,筛选其中贡献率为正的特征参数作为SVM分类器的输入项,提高了分类准确率。
实施例二
如上所述的基于SVM的人脸特征识别方法,本实施例与其不同之处在于,如图2本发明基于SVM的人脸特征识别方法步骤b的流程图所示,其中,步骤b包括:
步骤b1:输入获取的人脸照片;
步骤b2:通过人脸检测算法获取人脸局域,截取人脸部分;
步骤b3:设定图片的大小和分辨率。
实施例三
如上所述的基于支持向量机(SVM)的人脸特征识别方法,本实施例与其不同之处在于,如图3本发明基于支持向量机(SVM)的人脸特征识别方法步骤c的流程图所示,其中,步骤c包括:
步骤c1:给定样本包含N个样本空间数据集,设迭代次数为R,指定聚类数为K,随机生成K个像素作为初始聚类中心Y(k,r),其中k=1,2,…,K;r=1,2,…,R;
步骤c2:计算样本孔径中每个数据对象与当前聚类中心Y(k,r)的相似度距离D(xn,Y(k,r));其中,n=1,2…,N,形成簇Wk,满足以下表达式,
则xn∈Wk,xn记为ω,其中ε为任意设定的正数;
为了减小计算量,以平方欧氏距离作为相似度距离:
D2(X,Y)=(x-x0)2+(y-y0)2
其中X(x,y)为任意数据对象的坐标,Y(x0,y0)为其所在聚类中心坐标;
步骤c3:计算K个新的聚类中心,计算公式如下:
其中k表示所在簇,n表示该簇包含的数据对象个数;
步骤c4:判断聚类是否合理,判别公式如下:
|E(r+1)-E(r)|<ε
|E(r+1)-E(r)|<ε
聚类准则函数值的计算公式如下:
若聚类合理,则停止迭代,否则继续执行步骤c2、c3和c4。
实施例四
如上所述的基于SVM的人脸特征识别方法,本实施例与其不同之处在于,如图4本发明基于支持向量机(SVM)的人脸特征识别方法步骤d的流程图所示,其中,步骤d包括:
步骤d1:提取形状特征参数;
形状特征中的斑点和黑痣的特征参数包含面积,周长,圆形相似度。
面积=该区域像素点的总数
周长=该区域边沿轮廓线的像素点个数
步骤d2:提取颜色特征参数;
颜色特征中的斑点和黑痣的特征参数包括RGB颜色体系中R、G、B三个 分量灰度值的低阶矩及颜色分量比值,还有HSV颜色体系中H、S、V三个分量灰度值的低阶矩。
RGB颜色体系和HSV颜色体系的一阶矩反映该区域的颜色平均值,计算公式如下:
RGB颜色体系和HSV颜色体系的二阶矩反映该区域的颜色标准差,计算公式如下:
RGB颜色体系中R、G、B颜色分量分别为r、g、b,所占比值计算公式如下:
r=R/(R+G+B)
g=G/(R+G+B)
b=B/(R+G+B)
表达色彩范围上,Lab颜色空间要优于RGB颜色空间,因此将图像从RGB颜色空间转换到Lab颜色空间上,转换公式如下:
步骤d3:提取纹理特征参数;
纹理特征中斑点和黑痣的特征参数有RGB颜色体系灰度共生矩阵的对比度、相关性和能量;
灰度共生矩阵的对比度反映纹理清晰程度,数值越大,纹理越深,计算公式如下:
灰度共生矩阵的能量反映图像灰度分布均匀程度和纹理粗细程度,计算公式如下:
灰度共生矩阵的相关性衡量在行或者列方向上的相似程度,反映局部灰度相关性,计算公式如下:
步骤d1、d2和d3中需要提取的特征参数见表1所示:
表1 提取的特征参数
步骤d4:对特征参数向量数据进行归一化操作,统一量纲和参数分布区间;
为统一样本的统计分布性,消除量纲差异,加快数据训练的收敛性,需要 对特征参数空间的归一化操作,将特征参数分布到0到1之间。归一化计算公式如下所示:
其中xmax表示该向量中最大数值,xmin表示该向量中最小数值,xin表示归一化之前的数值,xout表示归一化后的数值。
步骤d5:对特征参数向量空间进行降维处理,避免“维数灾难”;
步骤d6:结束,得到简约有效的特征参数空间。
实施例五
如上所述的基于SVM的人脸特征识别方法,本实施例与其不同之处在于,
步骤e中,SVM分类器常用的核函数有线性核函数、多项式核函数、径向基核函数和sigmoid核函数,考虑到径向基核函数分类性能较高而且比较稳定,本发明使用径向基核函数,其函数表达式如下:
实施例六
如上所述的基于SVM的人脸特征识别方法,本实施例与其不同之处在于,
步骤f中,每个特征参数项作为输入项都有对应的识别率,不同特征的识别率有差异,舍弃负贡献率和零贡献率的特征参数项,从而筛选出最佳特征参数组合,作为SVM分类器的输入项。
实施例七
本实施例为一种基于SVM的人脸特征识别装置,其与所述的基于SVM的人脸特征识别方法相对应,如图5所示,其包括:
获取人脸照片模块1,从网络如百度图片中获取各种包含非正常皮肤(斑点和黑痣)的人脸照片;
图像预处理模块2,通过人脸检测算法截取网络获取的人脸照片上非正常区域并设置图片大小和分辨率;
分离脸部非正常皮肤模块3,采用K-means算法根据相似度大小将脸部的非正常皮肤(如斑点和黑痣)进行分离:
提取非正常皮肤特征参数模块4,提取斑点和黑痣的颜色、形状和纹理特征参数,生成简约有效的特征参数空间:
训练样本照片模块5,利用SVM对输入的样本照片进行离线训练,将非正常皮肤分为斑点和黑痣,训练得到SVM分类器;
最优特征空间生成模块6,根据各个特征参数对识别结果的贡献率,选择贡献率较高的特征参数集合组成最优特征空间;
人脸识别模块7,获取测试样本照片,执行图像预处理模块、分离脸部非正常皮肤模块和非正常皮肤特征参数提取模块,使用人脸识别装置对其进行识别分类,以检查该装置的运行速度和检测准确度。
其中,所述图像预处理模块包括:
人脸照片输入子模块,输入获取的人脸照片;
人脸部分截取子模块,通过人脸检测算法获取人脸局域,截取人脸部分;
设定人脸图片属性子模块,设定图片的大小和分辨率。
其中,所述分离脸部非正常皮肤模块包括:
初始聚类中心生成子模块31,给定样本包含N个样本空间数据集,设迭代 次数为R,指定聚类数为K,随机生成K个像素作为初始聚类中心Y(k,r),其中k=1,2,…,K;r=1,2,…,R;
计算相似度距离子模块32,计算样本孔径中每个数据对象与当前聚类中心Y(k,r)的相似度距离D(xn,Y(k,r));其中,n=1,2…,N,形成簇Wk,满足以下表达式,
则xn∈Wk,xn记为ω,其中ε为任意设定的正数;
为了减小计算量,以平方欧氏距离作为相似度距离,公式如下:
D2(X,Y)=(x-x0)2+(y-y0)2
其中X(x,y)为任意数据对象的坐标,Y(x0,y0)为其所在聚类中心坐标;
新聚类中心计算子模块33,用下面的计算公式计算K个新的聚类中心:
其中k表示所在簇,n表示该簇包含的数据对象个数;
聚类判断子模块34,用下面的公式判断聚类是否合理,
|E(r+1)-E(r)|<ε
其中,聚类准则函数值的计算公式如下:
若聚类合理,则停止迭代,否则继续调用初始聚类中心生成子模块.、相似度距离计算模块、新聚类中心计算模块和聚类判断模块。
其中,所述提取非正常皮肤特征参数模块4包括:
提取形状特征参数子模块41,提取斑点和黑痣的特征参数:面积,周长,圆形相似度;
提取颜色特征参数子模块42,提取RGB颜色体系中R、G、B三个分量灰 度值的低阶矩及颜色分量比值,还有HSV颜色体系中H、S、V三个分量灰度值的低阶矩;
提取纹理特征参数子模块43,提取纹理特征中斑点和黑痣的特征参数:RGB颜色体系灰度共生矩阵的对比度、相关性和能量;灰度共生矩阵的对比度反映纹理清晰程度,数值越大,纹理越深;灰度共生矩阵的能量反映图像灰度分布均匀程度和纹理粗细程度;灰度共生矩阵的相关性衡量在行或者列方向上的相似程度,反映局部灰度相关性;
特征参数向量数据进行归一化操作子模块44,进行统一量纲和参数分布区间;
特征参数向量空间进行降维处理子模块45,对特征参数向量空间进行降维处理,避免“维数灾难”。
特征参数空间生成子模块46,生成简约有效的特征参数空间。
其中,训练样本照片图片模块中,SVM分类器常用的核函数有线性核函数、多项式核函数、径向基核函数和sigmoid核函数,考虑到径向基核函数分类性能较高而且比较稳定,本发明使用径向基核函数,其函数表达式如下:
其中,最优特征空间生成模块中,每个特征参数项作为输入项都有对应的识别率,不同特征的识别率有差异,舍弃负贡献率和零贡献率的特征参数项,从而筛选出最佳特征参数组合,作为SVM分类器的输入项。
基于SVM的人脸特征识别装置,使用SVM算法将问题转化为二次型寻优问题,得到全局最优值,解决了神经网络算法难以避免的局部极值问题;SVM算法有严格的理论和数学基础,基于结构风险最小化原则,泛化能力高于神经 网络;通过分析SVM分类器中每个特征参数对样本分类结果的识别率,筛选其中贡献率为正的特征参数作为SVM分类器的输入项,提高了分类准确率。
以上所述仅为本发明的较佳实施例,对本发明而言仅仅是说明性的,而非限制性的。本专业技术人员理解,在本发明权利要求所限定的精神和范围内可对其进行许多改变,修改,甚至等效,但都将落入本发明的保护范围内。
Claims (10)
1.一种基于支持向量机的人脸特征识别方法,其特征在于,包括:
步骤a,从网络中获取各种包含非正常皮肤的人脸照片;
步骤b,图像预处理,通过人脸检测算法获取照片中人脸部分,截取人脸非正常皮肤区域并设置图片大小和分辨率;
步骤c,通过K-means算法将脸部的非正常皮肤进行分离;
步骤d,提取出非正常皮肤斑点和黑痣的颜色、形状和纹理特征参数,对特征参数进行归一化操作,并降低参数维数,得到简约特征空间;
步骤e,利用SVM对输入的样本照片进行离线训练,将非正常皮肤分为斑点和黑痣,训练得到SVM分类器;
步骤f,根据各个特征参数对识别结果的贡献率,选择贡献率较高的特征参数集合组成最优特征空间;
步骤g,获取测试样本照片,执行步骤b~步骤d,使用人脸识别装置对其进行识别分类,以检查该装置的运行速度和检测准确度。
2.根据权利要求1所述的基于支持向量机的人脸特征识别方法,其特征在于,所述步骤c包括
步骤c1,给定样本包含N个样本空间数据集,设迭代次数为R,指定聚类数为K,随机生成K个像素作为初始聚类中心;
步骤c2,计算样本孔径中每个数据对象与当前聚类中心Y(k,r)的相似度距离;
步骤c3,计算K个新的聚类中心,公式如下:
步骤c4,判断聚类是否合理,用下面的公式判断聚类是否合理,
|E(r+1)-E(r)|<ε。
3.根据权利要求2所述的基于支持向量机的人脸特征识别方法,其特征在 于,所述步骤d包括:
步骤d1:提取形状特征参数;
步骤d2:提取颜色特征参数;
步骤d3:提取纹理特征参数;
步骤d4:对特征参数向量数据进行归一化操作,统一量纲和参数分布区间;
步骤d5:对特征参数向量空间进行降维处理;
步骤d6:得到简约有效的特征参数空间。
4.根据权利要求3所述的基于支持向量机的人脸特征识别方法,其特征在于,所述步骤e中SVM分类器为径向基核函数,其函数表达式如下:
。
5.根据权利要求4所述的基于支持向量机的人脸特征识别方法,其特征在于,所述步骤f中,舍弃负贡献率和零贡献率的特征参数项,筛选出最佳特征参数组合,作为SVM分类器的输入项。
6.一种与权利要求1-5中任一所述的基于支持向量机的人脸特征识别方法对应的装置,其特征在于,所述基于支持向量机的人脸特征识别装置包括:
获取人脸照片模块,从网络获取各种包含非正常皮肤的人脸照片;
图像预处理模块,截取网络获取的人脸照片上非正常区域并设置图片属性;
分离脸部非正常皮肤模块,采用K-means算法根据相似度大小将脸部的非正常皮肤进行分离:
提取非正常皮肤特征参数模块,提取斑点和黑痣的特征参数,生成简约有效的特征参数空间:
训练样本照片模块,利用SVM对输入的样本照片进行离线训练,将非正常皮肤分为斑点和黑痣,训练得到SVM分类器;
最优特征空间生成模块,根据各个特征参数对识别结果的贡献率,选择贡献率较高的特征参数集合组成最优特征空间;
人脸识别模块,获取测试样本照片,执行图像预处理模块、分离脸部非正常皮肤模块和非正常皮肤特征参数提取模块,使用人脸识别装置对其进行识别分类,以检查该装置的运行速度和检测准确度。
7.根据权利要求6所述的基于支持向量机的人脸特征识别装置,其特征在于,所述分离脸部非正常皮肤模块包括:
初始聚类中心生成子模块,给定样本包含N个样本空间数据集,设迭代次数为R,指定聚类数为K,随机生成K个像素作为初始聚类中心;
计算相似度距离子模块,计算样本孔径中每个数据对象与当前聚类中心Y(k,r)的相似度距离;
新聚类中心计算子模块,用下面的计算公式计算K个新的聚类中心:
聚类判断子模块,用下面的公式判断聚类是否合理,
|E(r+1)-E(r)|<ε 。
8.根据权利要求7所述的基于支持向量机的人脸特征识别装置,其特征在于,所述提取非正常皮肤特征参数模块包括:
提取形状特征参数子模块,提取斑点和黑痣的特征参数:面积,周长,圆形相似度;
提取颜色特征参数子模块,提取RGB颜色体系中R、G、B三个分量灰度值的低阶矩及颜色分量比值,还有HSV颜色体系中H、S、V三个分量灰度值的低阶矩;
提取纹理特征参数子模块,提取纹理特征中斑点和黑痣的特征参数:RGB 颜色体系灰度共生矩阵的对比度、相关性和能量;
特征参数向量数据进行归一化操作子模块,进行统一量纲和参数分布区间;
特征参数向量空间进行降维处理子模块,对特征参数向量空间进行降维处理;
特征参数空间生成子模块,生成简约有效的特征参数空间。
9.根据权利要求8所述的基于支持向量机的人脸特征识别装置,其特征在于,所述训练样本照片图片模块中SVM分类器使用的核函数为径向基核函数,其函数表达式如下:
。
10.根据权利要求9所述的基于支持向量机的人脸特征识别装置,其特征在于,所述最优特征空间生成模块中,舍弃负贡献率和零贡献率的特征参数项,筛选出最佳特征参数组合,作为SVM分类器的输入项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610798856.7A CN106407915A (zh) | 2016-08-31 | 2016-08-31 | 一种基于svm的人脸特征识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610798856.7A CN106407915A (zh) | 2016-08-31 | 2016-08-31 | 一种基于svm的人脸特征识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106407915A true CN106407915A (zh) | 2017-02-15 |
Family
ID=58002113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610798856.7A Pending CN106407915A (zh) | 2016-08-31 | 2016-08-31 | 一种基于svm的人脸特征识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106407915A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967461A (zh) * | 2017-12-08 | 2018-04-27 | 深圳云天励飞技术有限公司 | Svm 差分模型训练及人脸验证方法、装置、终端及存储介质 |
CN108171650A (zh) * | 2017-12-14 | 2018-06-15 | 华侨大学 | 一种具有笔画优化功能中国花卉水墨画风格笔画生成方法 |
CN108460264A (zh) * | 2018-03-03 | 2018-08-28 | 程爱军 | 涉密计算机文件内容维护方法 |
CN108804929A (zh) * | 2018-03-03 | 2018-11-13 | 程爱军 | 涉密计算机文件内容维护*** |
CZ307563B6 (cs) * | 2017-08-25 | 2018-12-05 | Certicon A.S. | Způsob dynamického rozdělování výpočetních procesů jednomu či více grafickým procesorům |
CN109325468A (zh) * | 2018-10-18 | 2019-02-12 | 广州智颜科技有限公司 | 一种图像处理方法、装置、计算机设备和存储介质 |
CN109753938A (zh) * | 2019-01-10 | 2019-05-14 | 京东方科技集团股份有限公司 | 图像识别方法和设备及应用、神经网络的训练方法 |
CN109961426A (zh) * | 2019-03-11 | 2019-07-02 | 西安电子科技大学 | 一种人脸皮肤肤质的检测方法 |
CN109977803A (zh) * | 2019-03-07 | 2019-07-05 | 北京超维度计算科技有限公司 | 一种基于Kmeans监督学习的人脸识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745204A (zh) * | 2014-01-17 | 2014-04-23 | 公安部第三研究所 | 一种基于斑痣点的体貌特征比对方法 |
CN104318262A (zh) * | 2014-09-12 | 2015-01-28 | 上海明穆电子科技有限公司 | 通过人脸照片更换皮肤的方法及*** |
-
2016
- 2016-08-31 CN CN201610798856.7A patent/CN106407915A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745204A (zh) * | 2014-01-17 | 2014-04-23 | 公安部第三研究所 | 一种基于斑痣点的体貌特征比对方法 |
CN104318262A (zh) * | 2014-09-12 | 2015-01-28 | 上海明穆电子科技有限公司 | 通过人脸照片更换皮肤的方法及*** |
Non-Patent Citations (2)
Title |
---|
吕峰等: "支持向量机在皮肤症状图像识别中的应用研究", 《计算机仿真》 * |
谢凤英等: "基于组合BP神经网络的皮肤肿瘤目标识别", 《中国体视学与图像分析》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CZ307563B6 (cs) * | 2017-08-25 | 2018-12-05 | Certicon A.S. | Způsob dynamického rozdělování výpočetních procesů jednomu či více grafickým procesorům |
CN107967461B (zh) * | 2017-12-08 | 2020-07-24 | 深圳云天励飞技术有限公司 | Svm差分模型训练及人脸验证方法、装置、终端及存储介质 |
CN107967461A (zh) * | 2017-12-08 | 2018-04-27 | 深圳云天励飞技术有限公司 | Svm 差分模型训练及人脸验证方法、装置、终端及存储介质 |
CN108171650A (zh) * | 2017-12-14 | 2018-06-15 | 华侨大学 | 一种具有笔画优化功能中国花卉水墨画风格笔画生成方法 |
CN108171650B (zh) * | 2017-12-14 | 2021-08-24 | 华侨大学 | 一种具有笔画优化功能中国花卉水墨画风格笔画生成方法 |
CN108804929A (zh) * | 2018-03-03 | 2018-11-13 | 程爱军 | 涉密计算机文件内容维护*** |
CN108460264A (zh) * | 2018-03-03 | 2018-08-28 | 程爱军 | 涉密计算机文件内容维护方法 |
CN109325468A (zh) * | 2018-10-18 | 2019-02-12 | 广州智颜科技有限公司 | 一种图像处理方法、装置、计算机设备和存储介质 |
CN109753938A (zh) * | 2019-01-10 | 2019-05-14 | 京东方科技集团股份有限公司 | 图像识别方法和设备及应用、神经网络的训练方法 |
CN109753938B (zh) * | 2019-01-10 | 2021-11-05 | 京东方科技集团股份有限公司 | 图像识别方法和设备及应用、神经网络的训练方法 |
US11244151B2 (en) | 2019-01-10 | 2022-02-08 | Boe Technology Group Co., Ltd. | Computer-implemented method of recognizing facial expression, apparatus for recognizing facial expression, method of pre-training apparatus for recognizing facial expression, computer-program product for recognizing facial expression |
CN109977803A (zh) * | 2019-03-07 | 2019-07-05 | 北京超维度计算科技有限公司 | 一种基于Kmeans监督学习的人脸识别方法 |
CN109961426A (zh) * | 2019-03-11 | 2019-07-02 | 西安电子科技大学 | 一种人脸皮肤肤质的检测方法 |
CN109961426B (zh) * | 2019-03-11 | 2021-07-06 | 西安电子科技大学 | 一种人脸皮肤肤质的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106407915A (zh) | 一种基于svm的人脸特征识别方法及装置 | |
He et al. | A fully convolutional neural network for wood defect location and identification | |
US20210027048A1 (en) | Human face image classification method and apparatus, and server | |
US10353948B2 (en) | Content based image retrieval | |
Varish et al. | Image retrieval scheme using quantized bins of color image components and adaptive tetrolet transform | |
Yi et al. | Text detection in natural scene images by stroke gabor words | |
CN105005765B (zh) | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN106228137A (zh) | 一种基于关键点定位的atm机异常人脸检测方法 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查***及方法 | |
CN107862267A (zh) | 基于完全对称局部韦伯描述子的人脸识别特征提取算法 | |
CN108960260B (zh) | 一种分类模型生成方法、医学影像图像分类方法及装置 | |
CN115375690B (zh) | 一种舌象腐腻苔分类识别方法 | |
CN110688888B (zh) | 一种基于深度学习的行人属性识别方法和*** | |
CN110472652A (zh) | 基于语义引导的少量样本分类方法 | |
CN109740417A (zh) | ***类型识别方法、装置、存储介质和计算机设备 | |
CN110826408A (zh) | 一种分区域特征提取人脸识别方法 | |
Anggraini | Face recognition using principal component analysis and self organizing maps | |
WO2020119624A1 (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
Qiao | Application of Gabor image recognition technology in intelligent clothing design | |
CN114863125A (zh) | 一种书法/美术作品智能评分方法及*** | |
CN110516661A (zh) | 应用于虹膜识别的美瞳检测方法及装置 | |
CN109740429A (zh) | 基于嘴角坐标平均值变化的笑脸识别方法 | |
CN109902692A (zh) | 一种基于局部区域深度特征编码的图像分类方法 | |
Lee et al. | Intelligent classification methods of grain kernels using computer vision analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |
|
RJ01 | Rejection of invention patent application after publication |