專(zhuān)利名稱(chēng)：對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及通信及圖像處理領(lǐng)域，更具體地說(shuō)，涉及一種對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法及系統(tǒng)。

背景技術(shù)：
隨著計(jì)算機(jī)軟硬件和國(guó)際互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，人們不僅可以從各種多媒體資料，例如文本、圖片、視頻、音頻等獲取大量的信息。但是，隨之而來(lái)的也會(huì)使人們受到含有諸如色情、暴力等不健康的圖片和視頻的侵?jǐn)_，網(wǎng)上黃毒泛濫已成為一個(gè)較為嚴(yán)重的社會(huì)問(wèn)題，因此非常有必要進(jìn)行敏感圖像檢測(cè)，從而將敏感圖像過(guò)濾掉。敏感圖像在內(nèi)容上可能會(huì)存在較大差別，但共同點(diǎn)是均包含大量裸露的皮膚區(qū)域，于是敏感圖像檢測(cè)問(wèn)題就歸結(jié)到了皮膚檢測(cè)問(wèn)題。
原始的皮膚檢測(cè)方法，是直接基于顏色模型，例如顏色直方圖、高斯混合模型等來(lái)檢測(cè)膚色，從而得到相應(yīng)的膚色區(qū)域。然而實(shí)驗(yàn)表明，在得到的膚色區(qū)域中會(huì)有很多實(shí)際上并不是皮膚的像素點(diǎn)(如黃色的沙發(fā)，黃色的頭發(fā)等)被誤認(rèn)為是皮膚點(diǎn)，存在較高的誤檢率。
而現(xiàn)階段一般是基于紋理分析進(jìn)行皮膚檢測(cè)。紋理在圖像處理、模式識(shí)別和計(jì)算機(jī)視覺(jué)領(lǐng)域都具有重要的地位，其描述的是圖像中某種空間結(jié)構(gòu)的固有屬性，這種空間結(jié)構(gòu)的固有屬性可以通過(guò)鄰域像素之間的相關(guān)性進(jìn)行刻畫(huà)，單純從某個(gè)孤立的像素點(diǎn)來(lái)談紋理是沒(méi)有意義的。紋理的空間結(jié)構(gòu)的分布可以呈現(xiàn)明顯的規(guī)律性，也可以是隨機(jī)的；其粒度可以比較粗糙，也可以非常細(xì)膩。紋理分析的重點(diǎn)就是建立各種紋理模型，并利用這些模型來(lái)研究如何表示和計(jì)算鄰近像素之間的相關(guān)性。目前紋理分析方法通常分為兩類(lèi)，即基于統(tǒng)計(jì)模型的方法和基于信號(hào)處理的方法，而最為常見(jiàn)的是基于統(tǒng)計(jì)模型的方法。其具體過(guò)程如下(1)分析紋理圖像中的灰度層的空間依存關(guān)系，從而建立統(tǒng)計(jì)模型，比如，根據(jù)圖像中像素之間的方位和距離關(guān)系構(gòu)造灰度共生矩陣；(2)使用灰度共生矩陣提取各種統(tǒng)計(jì)特征，作為相關(guān)圖像的紋理特征，而這些統(tǒng)計(jì)特征可包括多種類(lèi)型，例如相關(guān)性、方差、熵和角二階矩等數(shù)字特征。在這種方法中，圖像中像素的灰度值被認(rèn)為是一個(gè)隨機(jī)變量，其值可以通過(guò)其鄰近像素的灰度值進(jìn)行刻畫(huà)，完成紋理分析。此后，則將這些灰度值輸入分類(lèi)器進(jìn)行判斷，從而確定皮膚區(qū)域。
但是上述現(xiàn)有技術(shù)中，基于統(tǒng)計(jì)模型的紋理分析而得到的信息在輸入分類(lèi)器后，拒識(shí)率較高，導(dǎo)致仍有大量非皮膚圖像被誤認(rèn)為皮膚圖像。因此需要一種對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的新方法，從而降低誤檢率。


發(fā)明內(nèi)容
本發(fā)明的目的之一在于提供一種對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法及系統(tǒng)，旨在解決現(xiàn)有技術(shù)中進(jìn)行皮膚紋理檢測(cè)時(shí)存在的誤檢率較高的問(wèn)題。
為了實(shí)現(xiàn)發(fā)明目的，所述對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的系統(tǒng)包括 圖像劃分單元，在輸入圖像中確定初始皮膚區(qū)域，并將所述初始皮膚區(qū)域劃分為多個(gè)皮膚窗口； 特征提取單元，與圖像劃分單元相連并進(jìn)行數(shù)據(jù)交互，提取得到所述皮膚窗口的微結(jié)構(gòu)特征； 篩選單元，與特征提取單元相連并進(jìn)行數(shù)據(jù)交互，根據(jù)微結(jié)構(gòu)特征對(duì)皮膚窗口進(jìn)行多層級(jí)的特征選擇，篩選出符合檢測(cè)條件的候選皮膚窗口； 合并單元，與篩選單元相連并進(jìn)行數(shù)據(jù)交互，合并相鄰位置的候選皮膚窗口，并確定圖像中包含的所有皮膚紋理的屬性信息。
優(yōu)選地，所述特征提取單元包括 積分圖像計(jì)算單元，對(duì)所述輸入圖像進(jìn)行積分處理，計(jì)算出積分圖像； 微結(jié)構(gòu)特征提取模塊，與積分圖像計(jì)算單元相連并進(jìn)行數(shù)據(jù)交互，根據(jù)所述積分圖像提取出皮膚窗口的微結(jié)構(gòu)特征。
優(yōu)選地，所述篩選單元包括多層級(jí)的分類(lèi)器組，采用自適應(yīng)推進(jìn)算法對(duì)皮膚窗口進(jìn)行多層級(jí)的特征選擇，篩選出符合檢測(cè)條件的候選皮膚窗口。
優(yōu)選地，所述篩選單元中多層級(jí)的分類(lèi)器組包括多個(gè)強(qiáng)分類(lèi)器，所述強(qiáng)分類(lèi)器包括多個(gè)基于單特征的弱分類(lèi)器。
優(yōu)選地，所述系統(tǒng)還包括 歸一化處理單元，與圖像劃分單元、特征提取單元及篩選單元分別相連并進(jìn)行數(shù)據(jù)交互，對(duì)所有皮膚窗口和/或微結(jié)構(gòu)特征進(jìn)行歸一化處理。
為了更好的實(shí)現(xiàn)發(fā)明目的，本發(fā)明還提供了一種對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法，包括以下步驟 A.在輸入圖像中確定初始皮膚區(qū)域，并將其劃分為多個(gè)皮膚窗口； B.提取得到所述皮膚窗口的微結(jié)構(gòu)特征； C.根據(jù)微結(jié)構(gòu)特征對(duì)皮膚窗口進(jìn)行多層級(jí)的特征選擇，篩選出符合檢測(cè)條件的候選皮膚窗口； D.合并相鄰位置的候選皮膚窗口，確定圖像中包含的所有皮膚紋理的屬性信息。
優(yōu)選地，所述步驟B包括 B1.對(duì)所述輸入圖像進(jìn)行積分處理，計(jì)算出積分圖像； B2.根據(jù)所述積分圖像提取出皮膚窗口的微結(jié)構(gòu)特征。
優(yōu)選地，所述步驟C包括 根據(jù)微結(jié)構(gòu)特征，采用自適應(yīng)推進(jìn)算法對(duì)皮膚窗口進(jìn)行多層級(jí)的特征選擇，篩選出符合檢測(cè)條件的候選皮膚窗口。
優(yōu)選地，所述步驟C中自適應(yīng)推進(jìn)算法的過(guò)程包括 C1.對(duì)皮膚窗口進(jìn)行以單特征為基準(zhǔn)的第一層級(jí)的特征選擇，輸出第一級(jí)判決結(jié)果； C2.采用以最小化錯(cuò)誤風(fēng)險(xiǎn)為目標(biāo)的AdaBoost算法對(duì)第一級(jí)判決結(jié)果進(jìn)行第二層級(jí)的特征選擇，輸出第二級(jí)判決結(jié)果。
優(yōu)選地，所述步驟C1的計(jì)算公式為 其中x是圖像窗口，gj(x)表示圖像在第j個(gè)特征下的特征值，θj是第j個(gè)特征對(duì)應(yīng)的判決閾值，hj(x)表示圖像在第j個(gè)特征下的判決輸出。
優(yōu)選地，所述步驟C2的計(jì)算公式為
其中，T為迭代次數(shù)，αt和λ為權(quán)重調(diào)整參數(shù)，表示皮膚紋理的后驗(yàn)概率非負(fù)，H(x)表示圖像在第二層級(jí)的特征選擇中的判決輸出。
優(yōu)選地，所述步驟D中皮膚紋理的屬性信息至少包括位置、尺寸和置信度。
優(yōu)選地，在所述步驟A和B之間還包括對(duì)所述皮膚窗口進(jìn)行歸一化處理的步驟；和/或 在所述步驟B和C之間還包括對(duì)所述微結(jié)構(gòu)特征進(jìn)行歸一化處理的步驟。
由上可知，本發(fā)明在對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的過(guò)程中，與現(xiàn)有技術(shù)的區(qū)別在于提取出皮膚窗口的微結(jié)構(gòu)特征，并根據(jù)微結(jié)構(gòu)特征進(jìn)行多層級(jí)的特征選擇，從而篩選出符合檢測(cè)條件的候選皮膚窗口，再進(jìn)行合并。因此降低了誤檢率，并提高了檢測(cè)效率。



圖1是本發(fā)明的第一實(shí)施例中對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的系統(tǒng)結(jié)構(gòu)圖； 圖2是本發(fā)明的第二實(shí)施例中對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的系統(tǒng)結(jié)構(gòu)圖； 圖3是本發(fā)明的一個(gè)實(shí)施例中特征提取單元的結(jié)構(gòu)圖； 圖4是本發(fā)明的一個(gè)實(shí)施例中微結(jié)構(gòu)類(lèi)型模板的示意圖； 圖5是本發(fā)明的一個(gè)實(shí)施例中對(duì)圖像進(jìn)行積分圖像計(jì)算的示意圖； 圖6是本發(fā)明的一個(gè)實(shí)施例中篩選單元內(nèi)部強(qiáng)分類(lèi)器級(jí)聯(lián)的示意圖； 圖7是本發(fā)明的一個(gè)實(shí)施例中強(qiáng)分類(lèi)器的結(jié)構(gòu)示意圖； 圖8是本發(fā)明的一個(gè)實(shí)施例中對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法流程圖； 圖9是本發(fā)明的一個(gè)實(shí)施例中對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法流程圖。
為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。

具體實(shí)施例方式 在本發(fā)明中，皮膚紋理檢測(cè)系統(tǒng)至少包括圖像劃分單元、特征提取單元、篩選單元和合并單元，該系統(tǒng)通過(guò)提取出皮膚窗口的微結(jié)構(gòu)特征，并根據(jù)微結(jié)構(gòu)特征進(jìn)行多層級(jí)的特征選擇，從而篩選出符合檢測(cè)條件的候選皮膚窗口，再進(jìn)行合并。因此降低了誤檢率，并提高了檢測(cè)效率。
圖1示出了本發(fā)明的第一實(shí)施例中對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的系統(tǒng)結(jié)構(gòu)，該系統(tǒng)包括圖像劃分單元10、特征提取單元20、篩選單元30和合并單元40。應(yīng)當(dāng)說(shuō)明的是，本發(fā)明所有圖示中各設(shè)備之間的連接關(guān)系是為了清楚闡釋其信息交互及控制過(guò)程的需要，因此應(yīng)當(dāng)視為邏輯上的連接關(guān)系，而不應(yīng)僅限于物理連接。另外需要說(shuō)明的是，各功能模塊之間的通信方式可以采取多種，本發(fā)明的保護(hù)范圍不應(yīng)限定為某種特定類(lèi)型的通信方式。其中 (1)圖像劃分單元10，在輸入圖像中確定初始皮膚區(qū)域，并將所述初始皮膚區(qū)域劃分為多個(gè)皮膚窗口。本發(fā)明所稱(chēng)的圖像，包括圖片、視頻圖像等形式。需要說(shuō)明的是，本發(fā)明在輸入圖像中確定初始皮膚區(qū)域的方式可參照現(xiàn)有技術(shù)，具體的，是在一張輸入圖像中按照膚色顏色模型得到符合的皮膚區(qū)域，此后劃分皮膚窗口則是在該圖像中窮舉判別所有一定尺寸的小窗口。
(2)特征提取單元20，與圖像劃分單元10相連并進(jìn)行數(shù)據(jù)交互，提取得到所述皮膚窗口的微結(jié)構(gòu)特征。
(3)篩選單元30，與特征提取單元20相連并進(jìn)行數(shù)據(jù)交互，根據(jù)微結(jié)構(gòu)特征對(duì)皮膚窗口進(jìn)行多層級(jí)的特征選擇，篩選出符合檢測(cè)條件的候選皮膚窗口。
(4)合并單元40，與篩選單元30相連并進(jìn)行數(shù)據(jù)交互，合并相鄰位置的候選皮膚窗口，并確定圖像中包含的所有皮膚紋理的屬性信息。
圖2示出了本發(fā)明的第二實(shí)施例中對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的系統(tǒng)結(jié)構(gòu)，該系統(tǒng)包括圖像劃分單元10、特征提取單元20、篩選單元30和合并單元40，此外還包括歸一化處理單元50。該歸一化處理單元50與圖像劃分單元10、特征提取單元20及篩選單元30分別相連并進(jìn)行數(shù)據(jù)交互，對(duì)所有皮膚窗口和/或微結(jié)構(gòu)特征進(jìn)行歸一化處理。
在一個(gè)優(yōu)選實(shí)施例中，歸一化處理單元50用于對(duì)圖像劃分單元10得到的多個(gè)皮膚窗口進(jìn)行訓(xùn)練樣本的灰度歸一化處理，以及對(duì)特征提取單元20提取出的微結(jié)構(gòu)特征進(jìn)行歸一化處理。分別詳述如下 (1)對(duì)皮膚窗口進(jìn)行訓(xùn)練樣本的灰度歸一化處理由于外界光照、成像設(shè)備等因素可能導(dǎo)致圖像亮度和/或?qū)Ρ榷犬惓＃霈F(xiàn)強(qiáng)陰影、反光等情況。所以需要對(duì)幾何歸一化后的樣本進(jìn)行灰度均衡化處理，改善其灰度分布，增強(qiáng)模式間的一致性。在本發(fā)明的一個(gè)實(shí)施例中，是采用灰度均值、方差歸一化的方式對(duì)樣本進(jìn)行灰度均衡化處理，將樣本圖片灰度的均值μ和方差σ調(diào)整到給定值μ0和σ0。具體實(shí)現(xiàn)過(guò)程是 首先采用下式計(jì)算樣本圖像G(x，y)(0≤x<W，0≤y<H)的均值和方差 然后對(duì)每個(gè)像素點(diǎn)的灰度值進(jìn)行如下變換 (2)對(duì)微結(jié)構(gòu)特征進(jìn)行歸一化處理為了減輕光照對(duì)于皮膚紋理檢測(cè)的影響，需要對(duì)每一個(gè)20×20像素小窗口進(jìn)行灰度均值和方差的歸一化，所以首先要快速計(jì)算出小窗口的灰度均值μ和方差σ，然后在特征層次上進(jìn)行歸一化。以圖4、圖5為例進(jìn)行說(shuō)明，其中的20×20像素小窗口的μ和σ分別為 μ＝[II(x0+19，y0+19)+II(x0-1，y0-1)-II(x0-1，y0+19)-II(x0+19，y0-1)]/400； σ＝{[SqrII(x0+19，y0+19)+SqrII(x0-1，y0-1)-SqrII(x0-1，y0+19) -SqrII(x0+19，y0-1)]/400-μ2}1/2 對(duì)得到的第(a)類(lèi)微結(jié)構(gòu)特征可以進(jìn)行如下的歸一化 圖3示出了本發(fā)明的一個(gè)實(shí)施例中特征提取單元20的結(jié)構(gòu)，包括積分圖像計(jì)算單元201和微結(jié)構(gòu)特征提取模202。其中 (1)積分圖像計(jì)算單元201對(duì)輸入圖像進(jìn)行積分處理，計(jì)算出積分圖像。
在一個(gè)優(yōu)選實(shí)施例中，其計(jì)算過(guò)程如圖5所示。對(duì)于一個(gè)圖像I(x，y)，(x≥0，y≥0)，定義其對(duì)應(yīng)的積分圖像II(x，y)為從(0，0)到(x，y)范圍內(nèi)的所有像素之和，即 積分圖的計(jì)算可以通過(guò)下列迭代公式從左上角到右下角掃描一遍完成 S(x，y)＝S(x，y-1)+I(x，y)； II(x，y)＝II(x-1，y)+S(x，y) 其中S(x，y)為第x列的積分和，且S(x，-1)＝0，II(-1，y)＝0。則原始圖像I(x，y)中任何一個(gè)矩形區(qū)域中的像素和可通過(guò)積分圖經(jīng)3次加減法快速計(jì)算出。
同樣定義平方積分圖像SqrII(x，y)為從(0，0)到(x，y)范圍內(nèi)的所有像素平方之和，即平方積分圖像可用于計(jì)算每個(gè)矩形區(qū)域的方差。用同樣方法通過(guò)一遍掃描可以計(jì)算出平方積分圖SqrII(x，y) SqrS(x，y)＝SqrS(x，y-1)+I(x，y)·I(x，y)； SqrII(x，y)＝SqrII(x-1，y)+SqrS(x，y)。
其中SqrS(x，-1)＝0，SqrII(-1，y)＝0。
(2)微結(jié)構(gòu)特征提取模塊202與積分圖像計(jì)算單元201相連并進(jìn)行數(shù)據(jù)交互，根據(jù)所述積分圖像提取出皮膚窗口的微結(jié)構(gòu)特征。
在一個(gè)優(yōu)選實(shí)施例中，微結(jié)構(gòu)特征提取模塊202采用圖4中的四種類(lèi)型微結(jié)構(gòu)模板來(lái)提取皮膚紋理模式的高維微結(jié)構(gòu)特征。通過(guò)計(jì)算圖像中對(duì)應(yīng)黑色區(qū)域和白色區(qū)域內(nèi)像素灰度的差值得到特征，表達(dá)出皮膚區(qū)別非皮膚的特點(diǎn)。另外微結(jié)構(gòu)特征的一個(gè)優(yōu)點(diǎn)是可以利用整幅圖像的積分圖像(Integral Image)快速得到圖像中任意尺度、任意位置的一種微結(jié)構(gòu)特征，從而為皮膚實(shí)時(shí)檢測(cè)系統(tǒng)的實(shí)現(xiàn)提供了可能。
而圖4中的任意一種微結(jié)構(gòu)特征可以通過(guò)對(duì)應(yīng)的積分圖像經(jīng)過(guò)若干次加減計(jì)算出。在一個(gè)具體實(shí)施例中，以圖4第(a)種類(lèi)型特征的提取過(guò)程為例說(shuō)明微結(jié)構(gòu)特征的快速提取。如圖5所示，在計(jì)算出整幅圖像的積分圖像后，對(duì)于左上角像素坐標(biāo)為(x0，y0)的20×20像素的小窗口，左上角像素坐標(biāo)為(x，y)、寬度為w個(gè)像素、高度為h個(gè)像素的第(a)種類(lèi)型微結(jié)構(gòu)特征可以如下計(jì)算 g(x，y，w，h)＝2·II(x+w-1，y-1)+II(x+2·w-1，y+h-1) +II(x-1，y+h-1)-2·II(x+w-1，y+h-1)； -II(x+2·w-1，y-1)-II(x-1，y-1) 其中x，y，w，h受到下列約束 x0≤x，y0≤y，x+2·w≤x0+20，y+h≤y0+20。
改變參數(shù)x，y，w，h可以提取不同位置、不同尺度的特征。其它類(lèi)型的特征可以采取類(lèi)似的方法提取。由此可知，任何尺度、任何位置的微結(jié)構(gòu)特征僅需要利用整幅圖像的積分圖進(jìn)行若干次加減計(jì)算即可得到，所以特征提取的效率很高，降低了算法的計(jì)算復(fù)雜度，從而適應(yīng)實(shí)時(shí)性的要求。對(duì)于一個(gè)20×20像素的皮膚紋理圖像來(lái)說(shuō)，共可以得到92267個(gè)高度冗余的微結(jié)構(gòu)特征。
圖6和圖7是本發(fā)明的一個(gè)實(shí)施例中篩選單元30的結(jié)構(gòu)。在本發(fā)明中，篩選單元30包括多層級(jí)的分類(lèi)器組，采用自適應(yīng)推進(jìn)(Adaptive Boosting，簡(jiǎn)作“Adaboost”)算法對(duì)皮膚窗口進(jìn)行多層級(jí)的特征選擇，篩選出符合檢測(cè)條件的候選皮膚窗口。在本領(lǐng)域內(nèi)，AdaBoost是推進(jìn)(Boosting)算法的一種，其主要思想是給每一個(gè)訓(xùn)練樣本分配一個(gè)權(quán)重，表明它被某弱分類(lèi)器選入訓(xùn)練集的概率，并通過(guò)不斷修正權(quán)重來(lái)實(shí)現(xiàn)推進(jìn)訓(xùn)練。
在一個(gè)優(yōu)選實(shí)施例中，該多層級(jí)的分類(lèi)器組包含兩個(gè)層次，如圖6和圖7所示多層級(jí)的分類(lèi)器組包括多個(gè)強(qiáng)分類(lèi)器(301、302......30m；而各個(gè)強(qiáng)分類(lèi)器(301、302......30m)內(nèi)部又包括多個(gè)基于單特征的弱分類(lèi)器(如3011、3012......301n)。需要作出說(shuō)明的是，弱分類(lèi)器是基于特征的一種分類(lèi)器，一般是根據(jù)某個(gè)單一特征對(duì)目標(biāo)進(jìn)行直接判斷分類(lèi)，這種分類(lèi)器簡(jiǎn)單，但一般效果不好。強(qiáng)分類(lèi)器則是一種弱分類(lèi)器組合，其提高了分類(lèi)器的正確率。多層強(qiáng)分類(lèi)器則是一種多次分類(lèi)器，它是在強(qiáng)分類(lèi)器的基礎(chǔ)上進(jìn)行的多次分類(lèi)過(guò)程，它的優(yōu)點(diǎn)是，由簡(jiǎn)單到復(fù)雜將多層強(qiáng)分類(lèi)器級(jí)聯(lián)起來(lái)，在檢測(cè)時(shí)只要某個(gè)圖像窗口不能通過(guò)其中任何一層，可立即排除掉；所以對(duì)于明顯不像皮膚紋理的窗口圖像，在前幾級(jí)就可被排除，無(wú)需后續(xù)計(jì)算，從而大大節(jié)省了計(jì)算量。
本發(fā)明使用AdaBoost算法選擇特征和訓(xùn)練分類(lèi)器。一方面AdaBoost算法在每輪迭代中選擇出性能最好的基于單個(gè)特征的弱分類(lèi)器，達(dá)到特征選擇的目的；另一方面把這些弱分類(lèi)器集成為一個(gè)強(qiáng)分類(lèi)器，并通過(guò)將多個(gè)強(qiáng)分類(lèi)器級(jí)聯(lián)起來(lái)得到一個(gè)性能優(yōu)秀的皮膚紋理檢測(cè)器。具體過(guò)程是訓(xùn)練時(shí)，先確定某些微特征的弱分類(lèi)器，然后訓(xùn)練強(qiáng)分類(lèi)器，根據(jù)分類(lèi)器的效果確定多層分類(lèi)器。在圖像檢測(cè)過(guò)程中，則是直接使用多層級(jí)的分類(lèi)器組對(duì)圖像進(jìn)行檢測(cè)，每層分類(lèi)器都會(huì)對(duì)圖像輸出一個(gè)結(jié)果，或排除或接受，排除則檢測(cè)過(guò)程結(jié)束，直到最后一層。
以下將通過(guò)三個(gè)優(yōu)選實(shí)施例，具體闡述本發(fā)明構(gòu)造弱分類(lèi)器、通過(guò)AdaBoost算法訓(xùn)練強(qiáng)分類(lèi)器，以及將強(qiáng)分類(lèi)器進(jìn)行級(jí)聯(lián)的過(guò)程 在一個(gè)優(yōu)選實(shí)施例中，對(duì)應(yīng)于每一維特征構(gòu)造最簡(jiǎn)單的樹(shù)分類(lèi)器，來(lái)作為弱分類(lèi)器 其中x是20×20的圖像窗口，gj(x)表示圖像在第j個(gè)特征下的特征值，θj是第j個(gè)特征對(duì)應(yīng)的判決閾值，hj(x)表示圖像在第j個(gè)特征下的判決輸出。這樣每個(gè)弱分類(lèi)器只需要比較一次閾值就可以完成判決。
在一個(gè)優(yōu)選實(shí)施例中，訓(xùn)練強(qiáng)分類(lèi)器的過(guò)程如下 本發(fā)明對(duì)采用以最小化錯(cuò)誤風(fēng)險(xiǎn)為優(yōu)化目標(biāo)的AdaBoost算法，并結(jié)合上述弱分類(lèi)器構(gòu)造方法用于訓(xùn)練皮膚/非皮膚強(qiáng)分類(lèi)器。訓(xùn)練算法步驟如下(記給定訓(xùn)練集L＝{(xi，yi)}，i＝1，...，n，yi＝0，1是模式xi的標(biāo)號(hào)分別對(duì)應(yīng)非皮膚類(lèi)別和皮膚類(lèi)別) 選擇訓(xùn)練樣本集上皮膚類(lèi)別是非皮膚類(lèi)別的誤分類(lèi)風(fēng)險(xiǎn)倍數(shù)c>0，則對(duì)于皮膚紋理樣本對(duì)非皮膚樣本初始每個(gè)樣本的權(quán)重為迭代次數(shù)t＝1，...，T，其中T即為希望選擇的弱分類(lèi)器的個(gè)數(shù)。
對(duì)每個(gè)特征j，利用單個(gè)特征訓(xùn)練分類(lèi)器hj，根據(jù)訓(xùn)練樣本集的權(quán)值Dt得到最優(yōu)的閾值參數(shù)，使得hj的錯(cuò)誤率εj最小，選擇其中錯(cuò)誤率最小的弱分類(lèi)器作為ht，在此基礎(chǔ)上尋找參數(shù)αt使總權(quán)重和最??； 更新樣本的權(quán)重其中
輸出最后的強(qiáng)分類(lèi)器
其中，T為迭代次數(shù)，αt和λ為權(quán)重調(diào)整參數(shù)，表示皮膚紋理的后驗(yàn)概率非負(fù)，H(x)表示圖像在強(qiáng)分類(lèi)器(也即第二層級(jí)的特征選擇)中的判決輸出。
對(duì)于通過(guò)強(qiáng)分類(lèi)器判斷的模式，本發(fā)明采用得到模式屬于皮膚紋理的后驗(yàn)概率，此處模式的后驗(yàn)概率可以用于臨近皮膚候選的合并仲裁等。
在一個(gè)優(yōu)選實(shí)施例中，將強(qiáng)分類(lèi)器級(jí)聯(lián)的過(guò)程如下 由于單層強(qiáng)分類(lèi)器很難同時(shí)實(shí)現(xiàn)高分類(lèi)速度、極低的錯(cuò)誤拒識(shí)率(Falserejection Rat，F(xiàn)RR)和極低的錯(cuò)誤接受率(False Acceptance Rate，F(xiàn)AR)等目標(biāo)，所以整個(gè)皮膚檢測(cè)器必須采用分層結(jié)構(gòu)，由簡(jiǎn)單到復(fù)雜將多層強(qiáng)分類(lèi)器級(jí)聯(lián)起來(lái)，在檢測(cè)時(shí)只要某個(gè)圖像窗口不能通過(guò)其中任何一層，可立即排除掉，因此能夠降低誤檢率；所以對(duì)于明顯不像皮膚紋理的窗口圖像，在前幾級(jí)就可被排除，無(wú)需后續(xù)計(jì)算，從而大大節(jié)省了計(jì)算量，因此提高了檢測(cè)效率。
在本實(shí)施例中，訓(xùn)練階段時(shí)每層強(qiáng)分類(lèi)器的訓(xùn)練目標(biāo)是保證在皮膚驗(yàn)證集上的FRR≤0.05％，在非皮膚樣本集上FAR≤45％。這樣訓(xùn)練得到N層強(qiáng)分類(lèi)器后，整個(gè)系統(tǒng)的非皮膚誤檢率最低可以達(dá)到0.45N，而皮膚正確率至少為0.9995N。多層強(qiáng)分類(lèi)器級(jí)聯(lián)的具體訓(xùn)練步驟如下(1)訓(xùn)練時(shí)使用10000個(gè)皮膚樣本，3000個(gè)皮膚樣本作為驗(yàn)證集合。從圖片中隨機(jī)選擇11000張非皮膚樣本作為出示訓(xùn)練樣本集；(2)采用前述強(qiáng)分類(lèi)器的訓(xùn)練方法的方法訓(xùn)練第i層強(qiáng)分類(lèi)器；(3)用訓(xùn)練得到的前i層分類(lèi)器對(duì)收集的大量非皮膚干擾圖片進(jìn)行檢測(cè)；如果虛警率仍高于預(yù)定值，則隨機(jī)選擇部分虛警構(gòu)成新的非皮膚樣本集，i←i+1，返回繼續(xù)進(jìn)行訓(xùn)練；否則停止訓(xùn)練。在一個(gè)較佳實(shí)施例中，最后訓(xùn)練得到的皮膚檢測(cè)器包括10層強(qiáng)分類(lèi)器，共使用了780個(gè)弱分類(lèi)器。整個(gè)檢測(cè)器在皮膚驗(yàn)證集上的檢測(cè)率約為96.85％。
在檢測(cè)時(shí)如果一個(gè)窗口通過(guò)所有層分類(lèi)器判決，則認(rèn)為該窗口包含一個(gè)皮膚候選，得到其位置(rect)、尺度(scale)、置信度(conf)三個(gè)屬性。由于由多個(gè)弱分類(lèi)器構(gòu)成的強(qiáng)分類(lèi)器具有對(duì)分類(lèi)界面具有更精細(xì)的刻畫(huà)能力；我們以最后六個(gè)強(qiáng)分類(lèi)器對(duì)窗口后驗(yàn)概率估計(jì)的平均值作為置信度。這樣檢測(cè)一張圖像可得到一個(gè)皮膚候選序列，然后經(jīng)過(guò)后處理算法，得到最終的皮膚區(qū)域。
圖8示出了本發(fā)明的一個(gè)實(shí)施例中對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法流程。具體包括 在步驟S801中，在輸入圖像中確定初始皮膚區(qū)域，并將其劃分為多個(gè)皮膚窗口； 在步驟S802中，提取得到所述皮膚窗口的微結(jié)構(gòu)特征； 在步驟S803中，根據(jù)微結(jié)構(gòu)特征對(duì)皮膚窗口進(jìn)行多層級(jí)的特征選擇，篩選出符合檢測(cè)條件的候選皮膚窗口； 在步驟S804中，合并相鄰位置的候選皮膚窗口，確定圖像中包含的所有皮膚紋理的屬性信息。
圖9示出了本發(fā)明的一個(gè)實(shí)施例中對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法流程。具體包括 在步驟S901中，在輸入圖像中確定初始皮膚區(qū)域，并將其劃分為多個(gè)皮膚窗口； 在步驟S902中，對(duì)皮膚窗口進(jìn)行樣本灰度歸一化處理，將所有皮膚窗口的灰度調(diào)整一致； 在步驟S903中，提取得到所述皮膚窗口的微結(jié)構(gòu)特征； 在步驟S904中，對(duì)微結(jié)構(gòu)特征進(jìn)行歸一化處理； 在步驟S905中，根據(jù)微結(jié)構(gòu)特征對(duì)皮膚窗口進(jìn)行多層級(jí)的特征選擇，篩選出符合檢測(cè)條件的候選皮膚窗口； 在步驟S906中，合并相鄰位置的候選皮膚窗口，確定圖像中包含的所有皮膚紋理的屬性信息。
在一個(gè)優(yōu)選實(shí)施例中，上述步驟S902的具體實(shí)現(xiàn)過(guò)程如下 由于外界光照、成像設(shè)備等因素可能導(dǎo)致圖像亮度或?qū)Ρ榷犬惓?，出現(xiàn)強(qiáng)陰影或反光等情況。所以需要對(duì)幾何歸一化后的樣本進(jìn)行灰度均衡化處理，改善其灰度分布，增強(qiáng)模式間的一致性。在本發(fā)明的一個(gè)實(shí)施例中，歸一化處理單元50采用灰度均值、方差歸一化的方式對(duì)樣本進(jìn)行灰度均衡化處理，將樣本圖片灰度的均值μ和方差σ調(diào)整到給定值μ0和σ0。具體過(guò)程是 首先采用下式計(jì)算樣本圖像G(x，y)(0≤x<W，0≤y<H)的均值和方差 然后對(duì)每個(gè)像素點(diǎn)的灰度值進(jìn)行如下變換 在一個(gè)優(yōu)選實(shí)施例中，上述步驟S802和步驟S903的具體實(shí)現(xiàn)過(guò)程如下 (1)積分圖像計(jì)算單元201對(duì)輸入圖像進(jìn)行積分處理，計(jì)算出積分圖像。
在一個(gè)優(yōu)選實(shí)施例中，其計(jì)算過(guò)程如圖5所示。對(duì)于一個(gè)圖像I(x，y)，(x≥0，y≥0)，定義其對(duì)應(yīng)的積分圖像II(x，y)為從(0，0)到(x，y)范圍內(nèi)的所有像素之和，即 積分圖的計(jì)算可以通過(guò)下列迭代公式從左上角到右下角掃描一遍完成 S(x，y)＝S(x，y-1)+I(x，y)； II(x，y)＝II(x-1，y)+S(x，y)。
其中S(x，y)為第x列的積分和，且S(x，-1)＝0，II(-1，y)＝0。則原始圖像I(x，y)中任何一個(gè)矩形區(qū)域中的像素和可通過(guò)積分圖經(jīng)3次加減法快速計(jì)算出。
同樣定義平方積分圖像SqrII(x，y)為從(0，0)到(x，y)范圍內(nèi)的所有像素平方之和，即平方積分圖像可用于計(jì)算每個(gè)矩形區(qū)域的方差。用同樣方法通過(guò)一遍掃描可以計(jì)算出平方積分圖SqrII(x，y) SqrS(x，y)＝SqrS(x，y-1)+I(x，y)·I(x，y)； SqrII(x，y)＝SqrII(x-1，y)+SqrS(x，y) 其中SqrS(x，-1)＝0，SqrII(-1，y)＝0。
(2)微結(jié)構(gòu)特征提取模塊202根據(jù)所述積分圖像提取出皮膚窗口的微結(jié)構(gòu)特征。
在一個(gè)優(yōu)選實(shí)施例中，微結(jié)構(gòu)特征提取模塊202采用圖4中的四種類(lèi)型微結(jié)構(gòu)模板來(lái)提取皮膚紋理模式的高維微結(jié)構(gòu)特征。通過(guò)計(jì)算圖像中對(duì)應(yīng)黑色區(qū)域和白色區(qū)域內(nèi)像素灰度的差值得到特征，表達(dá)出皮膚區(qū)別非皮膚的特點(diǎn)。另外微結(jié)構(gòu)特征的一個(gè)優(yōu)點(diǎn)是可以利用整幅圖像的積分圖像(Integral Image)快速得到圖像中任意尺度、任意位置的一種微結(jié)構(gòu)特征，從而為皮膚實(shí)時(shí)檢測(cè)系統(tǒng)的實(shí)現(xiàn)提供了可能。
而圖4中的任意一種微結(jié)構(gòu)特征可以通過(guò)對(duì)應(yīng)的積分圖像經(jīng)過(guò)若干次加減計(jì)算出。在一個(gè)具體實(shí)施例中，以圖4第(a)種類(lèi)型特征的提取過(guò)程為例說(shuō)明微結(jié)構(gòu)特征的快速提取。如圖5所示，在計(jì)算出整幅圖像的積分圖像后，對(duì)于左上角像素坐標(biāo)為(x0，y0)的20×20像素的小窗口，左上角像素坐標(biāo)為(x，y)、寬度為w個(gè)像素、高度為h個(gè)像素的第(a)種類(lèi)型微結(jié)構(gòu)特征可以如下計(jì)算 g(x，y，w，h)＝2·II(x+w-1，y-1)+II(x+2·w-1，y+h-1) +II(x-1，y+h-1)-2·II(x+w-1，y+h-1)； -II(x+2·w-1，y-1)-II(x-1，y-1) 其中x，y，w，h受到下列約束 x0≤x，y0≤y，x+2·w≤x0+20，y+h≤y0+20 改變參數(shù)x，y，w，h可以提取不同位置、不同尺度的特征。其它類(lèi)型的特征可以采取類(lèi)似的方法提取?？梢钥闯?，任何尺度、任何位置的微結(jié)構(gòu)特征僅需要利用整幅圖像的積分圖進(jìn)行若干次加減計(jì)算即可得到，所以特征提取的效率很高。保證了算法的計(jì)算復(fù)雜度相當(dāng)?shù)?，從而適應(yīng)對(duì)于實(shí)時(shí)性的要求。對(duì)于一個(gè)20×20像素的皮膚紋理圖像來(lái)說(shuō)，共可以得到92267個(gè)高度冗余的微結(jié)構(gòu)特征。
在一個(gè)優(yōu)選實(shí)施例中，上述步驟S904的具體實(shí)現(xiàn)過(guò)程如下 為了減輕光照對(duì)于皮膚紋理檢測(cè)的影響，需要對(duì)每一個(gè)20×20像素小窗口進(jìn)行灰度均值和方差的歸一化，所以首先要快速計(jì)算出小窗口的灰度均值μ和方差σ，然后在特征層次上進(jìn)行歸一化。以圖5為例進(jìn)行說(shuō)明，其中的20×20像素小窗口的μ和σ分別為 μ＝[II(x0+19，y0+19)+II(x0-1，y0-1)-II(x0-1，y0+19)-II(x0+19，y0-1)]/400； σ＝{[SqrII(x0+19，y0+19)+SqrII(x0-1，y0-1)-SqrII(x0-1，y0+19) -SqrII(x0+19，y0-1)]/400-μ2}1/2 對(duì)得到的第(a)類(lèi)微結(jié)構(gòu)特征可以進(jìn)行如下的歸一化 在一個(gè)優(yōu)選實(shí)施例中，上述步驟S803和步驟S905的具體實(shí)現(xiàn)過(guò)程如下 根據(jù)微結(jié)構(gòu)特征，通過(guò)多層級(jí)的分類(lèi)器組，采用Adaboost算法對(duì)皮膚窗口進(jìn)行多層級(jí)的特征選擇，篩選出符合檢測(cè)條件的候選皮膚窗口。該多層級(jí)的分類(lèi)器組包括多個(gè)強(qiáng)分類(lèi)器(301、302......30m；而各個(gè)強(qiáng)分類(lèi)器(301、302......30m)內(nèi)部又包括多個(gè)基于單特征的弱分類(lèi)器(如3011、3012......301n)。關(guān)于該多層級(jí)的分類(lèi)器組的結(jié)構(gòu)及訓(xùn)練過(guò)程，可參考前述圖6和圖7的內(nèi)容，此處不再贅述。
需要特別說(shuō)明的是，本發(fā)明在訓(xùn)練分類(lèi)器及用于檢測(cè)過(guò)程中所采用的AdaBoost算法，相比于現(xiàn)有技術(shù)做出了改進(jìn)，其以最小化錯(cuò)誤風(fēng)險(xiǎn)為優(yōu)化目標(biāo)。
在圖像檢測(cè)過(guò)程中，則是直接使用多層級(jí)的分類(lèi)器組對(duì)圖像進(jìn)行檢測(cè)，每層分類(lèi)器都會(huì)對(duì)圖像輸出一個(gè)結(jié)果，或排除或接受，排除則檢測(cè)過(guò)程結(jié)束，直到最后一層。由于多層強(qiáng)分類(lèi)器是一種多次分類(lèi)器，它是在強(qiáng)分類(lèi)器的基礎(chǔ)上進(jìn)行的多次分類(lèi)過(guò)程，它的優(yōu)點(diǎn)是，由簡(jiǎn)單到復(fù)雜將多層強(qiáng)分類(lèi)器級(jí)聯(lián)起來(lái)，在檢測(cè)時(shí)只要某個(gè)圖像窗口不能通過(guò)其中任何一層，可立即排除掉；所以對(duì)于明顯不像皮膚紋理的窗口圖像，在前幾級(jí)就可被排除，無(wú)需后續(xù)計(jì)算，從而大大節(jié)省了計(jì)算量。
以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
權(quán)利要求
1、一種對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的系統(tǒng)，其特征在于，所述系統(tǒng)包括
圖像劃分單元，在輸入圖像中確定初始皮膚區(qū)域，并將所述初始皮膚區(qū)域劃分為多個(gè)皮膚窗口；
特征提取單元，與圖像劃分單元相連并進(jìn)行數(shù)據(jù)交互，提取得到所述皮膚窗口的微結(jié)構(gòu)特征；
篩選單元，與特征提取單元相連并進(jìn)行數(shù)據(jù)交互，根據(jù)微結(jié)構(gòu)特征對(duì)皮膚窗口進(jìn)行多層級(jí)的特征選擇，篩選出符合檢測(cè)條件的候選皮膚窗口；
合并單元，與篩選單元相連并進(jìn)行數(shù)據(jù)交互，合并相鄰位置的候選皮膚窗口，并確定圖像中包含的所有皮膚紋理的屬性信息。
2、根據(jù)權(quán)利要求1所述的對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的系統(tǒng)，其特征在于，所述特征提取單元包括
積分圖像計(jì)算單元，對(duì)所述輸入圖像進(jìn)行積分處理，計(jì)算出積分圖像；
微結(jié)構(gòu)特征提取模塊，與積分圖像計(jì)算單元相連并進(jìn)行數(shù)據(jù)交互，根據(jù)所述積分圖像提取出皮膚窗口的微結(jié)構(gòu)特征。
3、根據(jù)權(quán)利要求1所述的對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的系統(tǒng)，其特征在于，所述篩選單元包括多層級(jí)的分類(lèi)器組，采用自適應(yīng)推進(jìn)算法對(duì)皮膚窗口進(jìn)行多層級(jí)的特征選擇，篩選出符合檢測(cè)條件的候選皮膚窗口。
4、根據(jù)權(quán)利要求3所述的對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的系統(tǒng)，其特征在于，所述篩選單元中多層級(jí)的分類(lèi)器組由多個(gè)強(qiáng)分類(lèi)器級(jí)聯(lián)而成，所述強(qiáng)分類(lèi)器包括多個(gè)基于單特征的弱分類(lèi)器。
5、根據(jù)權(quán)利要求1至4中任一項(xiàng)所述的對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的系統(tǒng)，其特征在于，所述系統(tǒng)還包括
歸一化處理單元，與圖像劃分單元、特征提取單元及篩選單元分別相連并進(jìn)行數(shù)據(jù)交互，對(duì)所述皮膚窗口和/或微結(jié)構(gòu)特征進(jìn)行歸一化處理。
6、一種對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法，其特征在于，所述方法包括以下步驟
A.在輸入圖像中確定初始皮膚區(qū)域，并將其劃分為多個(gè)皮膚窗口；
B.提取得到所述皮膚窗口的微結(jié)構(gòu)特征；
C.根據(jù)微結(jié)構(gòu)特征對(duì)皮膚窗口進(jìn)行多層級(jí)的特征選擇，篩選出符合檢測(cè)條件的候選皮膚窗口；
D.合并相鄰位置的候選皮膚窗口，確定圖像中包含的所有皮膚紋理的屬性信息。
7、根據(jù)權(quán)利要求6所述的對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法，其特征在于，所述步驟B包括
B1.對(duì)所述輸入圖像進(jìn)行積分處理，計(jì)算出積分圖像；
B2.根據(jù)所述積分圖像提取出皮膚窗口的微結(jié)構(gòu)特征。
8、根據(jù)權(quán)利要求6所述的對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法，其特征在于，所述步驟C包括
根據(jù)微結(jié)構(gòu)特征，采用自適應(yīng)推進(jìn)算法對(duì)皮膚窗口進(jìn)行多層級(jí)的特征選擇，篩選出符合檢測(cè)條件的候選皮膚窗口。
9、根據(jù)權(quán)利要求8所述的對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法，其特征在于，所述步驟C中自適應(yīng)推進(jìn)算法的過(guò)程包括
C1.對(duì)皮膚窗口進(jìn)行以單特征為基準(zhǔn)的第一層級(jí)的特征選擇，輸出第一級(jí)判決結(jié)果；
C2.采用以最小化錯(cuò)誤風(fēng)險(xiǎn)為目標(biāo)的AdaBoost算法對(duì)第一級(jí)判決結(jié)果進(jìn)行第二層級(jí)的特征選擇，輸出第二級(jí)判決結(jié)果。
10、根據(jù)權(quán)利要求9所述的對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法，其特征在于，所述步驟C1的計(jì)算公式為
其中x是圖像窗口，gj(x)表示圖像在第j個(gè)特征下的特征值，θj是第j個(gè)特征對(duì)應(yīng)的判決閾值，hj(x)表示圖像在第j個(gè)特征下的判決輸出。
11、根據(jù)權(quán)利要求10所述的對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法，其特征在于，所述步驟C2的計(jì)算公式為
其中，T為迭代次數(shù)，α1和λ為權(quán)重調(diào)整參數(shù)，表示皮膚紋理的后驗(yàn)概率非負(fù)，H(x)表示圖像在第二層級(jí)的特征選擇中的判決輸出。
12、根據(jù)權(quán)利要求6所述的對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法，其特征在于，所述步驟D中皮膚紋理的屬性信息至少包括位置、尺寸和置信度。
13、根據(jù)權(quán)利要求6至12中任一項(xiàng)所述的對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法，其特征在于
在所述步驟A和B之間還包括對(duì)所述皮膚窗口進(jìn)行歸一化處理的步驟；和/或
在所述步驟B和C之間還包括對(duì)所述微結(jié)構(gòu)特征進(jìn)行歸一化處理的步驟。
全文摘要
本發(fā)明涉及通信及圖像處理領(lǐng)域，提供了一種對(duì)圖像進(jìn)行皮膚紋理檢測(cè)的方法及系統(tǒng)。所述方法包括以下步驟A.在輸入圖像中確定初始皮膚區(qū)域，并將其劃分為多個(gè)皮膚窗口；B.提取得到所述皮膚窗口的微結(jié)構(gòu)特征；C.根據(jù)微結(jié)構(gòu)特征對(duì)皮膚窗口進(jìn)行多層級(jí)的特征選擇，篩選出符合檢測(cè)條件的候選皮膚窗口；D.合并相鄰位置的候選皮膚窗口，確定圖像中包含的所有皮膚紋理的屬性信息。所述系統(tǒng)包括圖像劃分單元、特征提取單元、篩選單元和合并單元。本發(fā)明與現(xiàn)有技術(shù)的區(qū)別在于提取出皮膚窗口的微結(jié)構(gòu)特征，并根據(jù)微結(jié)構(gòu)特征進(jìn)行多層級(jí)的特征選擇，從而篩選出符合檢測(cè)條件的候選皮膚窗口，再進(jìn)行合并。因此降低了誤檢率，并提高了檢測(cè)效率。
文檔編號(hào)G06K9/00GK101364263SQ20081016713
公開(kāi)日2009年2月11日 申請(qǐng)日期2008年9月28日 優(yōu)先權(quán)日2008年9月28日
發(fā)明者波 陳 申請(qǐng)人:騰訊科技(深圳)有限公司