基于支撑向量机的画像风格分类方法

摘要

本发明公开了一种基于支撑向量机的画像风格分类方法，主要解决名画甄别中需要借助于专业的物理设备和刑侦破案中比对出的犯罪嫌疑人照片精确性差的问题。其技术方案是：(1)划分数据库样本集为训练集和测试集；(2)将划分训练集为五个部件训练集；(3)将每个部件训练集生成五组风格集和相应的类标；(4)在五组风格集和相应的类标之间生成支撑向量参数；(5)划分测试集为五个部件测试集；(6)用每个部件测试集生成部件向量；(7)由五个部件向量生成五个部件类标；(8)由五个部件类标生成测试画像的风格类标。本发明无需借助于专业的物理设备就可甄别出画像风格，并能比对出精确性高的犯罪嫌疑人照片，可用于名画甄别和刑侦破案。

主权项

一种基于支撑向量机的画像风格分类方法，包括如下步骤：(1)划分数据库样本集：将画像集划分为训练集U＝{U_p,p＝1,2,...,150}和测试集其中U_p表示训练集中的第p张画像，表示测试集中的第q张画像；(2)划分训练集：将待处理的画像训练集U按部件的不同，划分为五个训练部件集分别是脸、左眼、右眼、鼻和嘴部件训练集，表示训练集中的第p张画像的第i个部件；(3)在每个部件训练集Uⁱ,i＝1,2,...5上生成五组风格集和相应的类标：(3a)将每个部件训练集Uⁱ中的每个部件分成训练方形块：(3b)在每个训练方形块上生成训练特征向量V_f：(3b)所述的在每个训练方形块上生成训练特征向量V_f，按如下步骤进行：(3b1)在每个训练方形块上提取灰度直方图特征，即对每个训练方形块的0‑255个灰度级的像素进行计数，得到一个维数是256的训练灰度直方图特征向量V₁，每维的数值是该灰度级的像素数量；(3b2)在每个训练方形块上提取灰度矩特征，即对每个训练方形块计算灰度的一阶矩二阶矩和三阶矩生成3维的训练灰度矩特征向量V₂，其中，t_a表示部件块的第a个像素的灰度值，N为部件块的像素点个数；(3b3)在每个训练方形块上提取SURF特征，即以训练方形块中心为中心，构造一个20x20的正方形窗口，将该窗口分成4x4个子区域，每个子区域有25个像素点；对子区域的每个像素点计算水平和垂直方向的Haar小波响应，分别记做d_x和d_y；将子区域的25个像素点的响应值d_x，d_y及其绝对值|d_x|，|d_y|进行累加，每个子区域得到如下4个矢量：∑d_x,∑d_y,∑|d_x|,∑|d_y|，进而得到每个正方形窗口生成4x(4x4)＝64维的训练SURF特征向量V₃；(3b4)在每个训练方形块上提取LBP特征：即将块中心的像素值与以块中心为圆心，半径为5的环形上的8个点的像素值逐个进行比较，如果中心像素值比环形上点的像素值大，则将该环形上的点赋值为1，否则为0，进而用环形领域上的8个点生成1个8位二进制数；再将将该8位二进制数转换为256位的十进制数，生成256维的训练LBP特征向量V₄；(3b5)将步骤(3b1)～(3b4)得到的训练灰度直方图特征向量V₁，训练灰度矩特征向量V₂，训练SURF特征向量V₃，训练LBP特征向量V₄这四个向量依次排列到一个列向量中，得到训练特征向量V_f；(3c)把每个部件训练集Uⁱ的每张画像的每个部件的所有训练方形块L的训练特征向量V_f依次排列到一个列向量中，得到训练部件向量V_c，进而用每个部件训练集Uⁱ的150张训练画像的训练部件向量V_c组成训练部件向量集(3d)根据每个训练部件向量集所属的150张画像包括五个画家的绘画作品，将训练部件向量集分为五组风格集，每组风格集对应一个画家，并为每组风格集设定相应的类标；(4)在五组风格集和相应的类标之间生成支撑向量参数：先将步骤(3)的五组风格集作为支撑向量机的输入，并将相应的类标作为支撑向量机的输出；再在输入和输出之间生成一组部件支撑向量参数和五个部件对应五组部件的支撑向量参数；(5)划分测试集：将待处理的画像测试集按部件的不同，划分为五个测试部件集分别是脸、左眼、右眼、鼻和嘴部件测试集，分别表示测试集第q张画像的第i个部件；(6)在每个部件测试集上生成测试部件向量集(7)用步骤(6)中的每张测试画像的五个测试部件向量集和步骤(4)中的对应五个部件支撑向量参数，作为支撑向量机的输入，获得五个部件类标；(8)将步骤(7)的五个部件类标，通过“少数服从多数”的投票原则，获得测试画像的风格类标。