基于颜色建模的中医面色识别方法

摘要

基于颜色建模的中医面色识别方法，首先采集多张人脸图像，然后将每张人脸图像划分为数个大小为m×n的皮肤块，这些皮肤块构成数据集，数据集分为训练样本集和典型样本集，其中皮肤块共分四类，计算训练样本和典型样本中所有皮肤块的颜色特征向量，分别计算典型样本集中四类样本的类中心及最大半径，通过对各类典型面色的建模特征向量v进行建模，计算各类典型样本模型综合变形度α和模型相似程度β的最大值，计算每个训练样本到典型样本集中各个类中心的相对距离，计算训练样本集中所有样本的类别归属因子λ_s，计算训练样本集中所有样本与其所属类的模糊隶属度，训练模糊支持向量机，利用训练好的模糊支撑向量机进行中医面色识别。

主权项

1.基于颜色建模的中医面色识别方法，首先采集多张人脸图像，然后将每张人脸图像划分为数个大小为m×n的皮肤块，这些皮肤块构成数据集，数据集分为训练样本集和典型样本集，其中皮肤块共分四类，即四种属性，分别为{面色白、面色红、面色红、面色常色}，每个皮肤块具有一种属性，典型样本集中每种属性的皮肤块有N幅，训练样本集中每种属性的皮肤块有M幅，其特征在于包括下述步骤：1）计算训练样本和典型样本中所有皮肤块的颜色特征向量x，具体如下：根据分割得到的人脸皮肤块图像中各像素点的RGB值，通过RGB颜色空间与Lab颜色空间的转换公式，计算各像素的Lab值；计算皮肤块Lab三通道的均值饱和度色调角色差和色相差则每个皮肤块的颜色特征向量可以表示为：$x=\{\bar{L},\bar{a},\bar{b},\overline{\mathrm{Ag}},\bar{C},\overline{\mathrm{\Delta E}},\overline{\mathrm{\Delta H}}\}$2）分别计算典型样本集中四类样本的类中心及最大半径，其中，第j类典型样本类中心计算公式如下：$\overline{x_j}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{x}_{\mathrm{ij}},i=\mathrm{1,2},......N,j=\left\{\mathrm{0,1,2,3}\right\}$第j类典型样本的最大半径计算公式如下：$r_j=\max \left|\right|x_{\mathrm{ij}}-\overline{x_j}\left|\right|,i=\mathrm{1,2},...,N,$其中，x_ij表示第j类典型样本的第i个样本的颜色特征向量；3）通过对各类典型面色的建模特征向量v进行建模，计算各类典型样本模型综合变形度α和模型相似程度β的最大值，具体过程如下：（3.1）首先对于所有典型样本，分别将R、G、B三个颜色通道均匀量化为h级，提取三个分量的颜色直方图，即$Q_l=\left(\frac{n_l}{n}\right),l=\mathrm{1,2},...h,Q=R,G,B$其中，n_l为各通道灰度级为l的像素数，n为典型样本的总像素数；将各通道的颜色直方图按一定顺序合成一维向量，则典型面色样本的建模特征v表示如下，v的维数为3h，：v=[R₁,R₂…,R_h,G₁,G₂…,G_h,B₁,B₂…,B_h]^T；（3.2）根据提取的典型样本的建模特征，计算每类典型样本对应的模型通式中的参数，参数包括建模特征的平均值、单位特征向量矩阵、和特征值矩阵；首先计算每类典型样本的建模特征的平均值，其中第j类对应的平均值计算公式如下：${\bar{v}}_j=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{v}_{\mathrm{ij}}$其中v_ij表示典型样本集中第j类第i个典型样本的建模特征；然后，计算每类典型样本的平均建模特征值对应的协方差矩阵，其中第j类对应的协方差矩阵的计算公式如下：$c_j=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}(v_{\mathrm{ij}}-\overline{v_j}){(v_{\mathrm{ij}}-{\bar{v}}_j)}^T$计算矩阵c_j的单位特征向量矩阵P_j={p_1j,p_2j…p_tj}和对应的特征值矩阵D_j={λ_1j,λ_2j…λ_tj}，其中λ_kj是按从大到小顺序排列的矩阵c_j的特征值中的第k个，且满足：其中，0<threshold<1；（3.3）计算各类典型样本中各个样本的模型综合变形度，其中第j类第i个典型样本的模型综合变形度α_ij计算公式为：${\alpha }_{\mathrm{ij}}=\mathrm{sum}(b_{\mathrm{kj}}^2/{\lambda }_{\mathrm{kj}})$其中，p_kj表示第j类典型样本的协方差矩阵对应的特征向量矩阵P_j中的第k个元素，v_ij表示由步骤3.1得到的典型样本集中第j类第i个样本的建模特征，k=1，…，t，λ_kj表示第j类典型样本的协方差矩阵对应的特征值矩阵D_j中的第k个元素，i=1,2,…N；（3.4）计算各类典型样本中各个样本的模型相似度，其中第j类第i个典型样本的模型相似度β_ij计算公式为：${\beta }_{\mathrm{ij}}=\mathrm{sum}\left(\right|\widehat{v_{\mathrm{ij}}}-v_{\mathrm{ij}}\left|\right)/3h$其中，$\widehat{v_{\mathrm{ij}}}={\bar{v}}_j+P_j{b}_j$b_j={b_1j,...,b_tj}其中b_j中的第k个元素p_kj表示第j类典型样本的协方差矩阵对应的特征向量矩阵P_j中的第k个元素，v_ij表示由步骤3.1得到的典型样本集中第j类第i个样本的建模特征，表示第j类典型样本的建模特征的平均值；（3.5）选取各类典型样本中模型综合变形度和模型相似度的最大值，即α_max,β_max，作为各类典型样本的判定阈值；4）计算训练样本集中第j类第i个样本到典型样本集中第j类类中心的相对距离μ(X_ij)，i=1，…，M，j=0,1,2,3，计算公式如下：$\mu \left(X_{\mathrm{ij}}\right)=\frac{d\left(X_{\mathrm{ij}}\right)}{\underset{j=0}{\overset{3}{\Sigma }}d\left(X_{\mathrm{ij}}\right)}$其中$d\left(X_{\mathrm{ij}}\right)=1-\frac{\left|\right|X_{\mathrm{ij}}-\overline{x_j}\left|\right|}{r_j}+\delta$其中，δ的取值范围为0到0.1，X_ij表示由步骤1得到的训练样本集中第j类第i个样本的颜色特征向量，表示由步骤2得到的第j类典型样本的类中心，r_j表示由步骤2得到的第j类典型样本的最大半径；5）计算训练样本集中所有样本的类别归属因子λ_s，其中，训练样本集中第j类第i个样本的归属因子λ_s(X_ij)为：其中，α_ij和β_ij分别表示根据步骤3.3-3.4得到的训练样本集中第j类第i个样本的参数，计算时步骤3.3-3.4中的v_ij表示由步骤3.1得到的训练样本集中第j类属性中第i个样本的建模特征，α_jmax、β_jmax分别表示典型样本集中第j类样本对应的α和β的最大值；6）计算训练样本集中所有样本与其所属类的模糊隶属度，其中训练样本集中第j类第i个样本的模糊隶属度S(X_ij)的计算公式如下：S(X_ij)=λ_s(X_ij)·μ(X_ij)7）训练模糊支持向量机，输入数据为训练样本集中所有样本的模糊隶属度S(X_ij)，样本属性，颜色特征向量，输出为样本属性；8）利用训练好的模糊支撑向量机进行中医面色识别，输入为待检测样本的颜色特征向量，输出为识别出的面色种类。