基于增量自步学习和区域色彩量化的金丝猴面部检测方法技术

本发明专利技术公开了一种基于增量自步学习和区域色彩量化的金丝猴面部检测方法，区域色彩量化用以增大背景与猴身色彩特征之间的差异，以更准确地进行猴身区域的分割，减少检测的猴身疑似区域的面积和个数。然后，在检测出猴身之后的区域内，进行面部皮肤疑似区域检测；最后利用提出的增量自步学习进行面部的准确检测。

Face detection method of snub nosed monkey based on incremental self stepping learning and regional color quantization

The invention discloses a self learning step and regional color quantization based on incremental snub face detection method, regional color quantization to increase the difference between the characteristics of background and color of the monkeys, to more accurately the monkey area segmentation, reduce the detection of suspected monkey area and the number of. Then, in the area after the monkey was detected, the suspected area of the facial skin was detected; finally, the proposed incremental self stepping learning was used to detect the facial area accurately.

【技术实现步骤摘要】
基于增量自步学习和区域色彩量化的金丝猴面部检测方法
本专利技术涉及一种基于增量自步学习和区域色彩量化的金丝猴面部检测方法。
技术介绍
面部特征在动物个体识别研究中已有较多的研究成果，这些成果较多采用人脸检测与识别的方法来解决动物面部检测与识别过程中存在的问题，其中有关于猴类(主要是针对猕猴)面部特征的提取与定位算法。但这些方法只是利用传统的图像分割方法，在一定的条件下的图像中简单实现猴类面部区域的粗糙定位，不具有较高的精确性和通用性。而基于面部特征的动物个体识别方法基本都是直接(或稍加改进)地应用现有的人脸检测与识别的方法。现有技术中，在将现有的人脸检测和识别方法直接应用于动物面部检测与识别中存在诸多问题。在野外获取的金丝猴图像的场景大小不一，而不同场景下所含有的背景的复杂情况多变。在小场景情况下，金丝猴猴身能够具有较多的信息量，此外，其毛发部分的色彩与背景之间存在一定的差异。而在大场景情况下，背景信息占据图像的较大部分信息量，传统的基于像素级的色彩量化方法不再适用，主要原因是背景中含有较多的与猴身毛发色彩接近的像素点，经过色彩量化分割后的猴身疑似区域太多，不利于面部疑似区域的快速检测。
技术实现思路
针对上述现有技术中存在的问题或缺陷，本专利技术的目的在于，提供一种基于增量自步学习和区域色彩量化的金丝猴面部检测方法，其能够实现金丝猴面部的准确检测。为了实现上述目的，本专利技术采用如下技术方案：基于增量自步学习和区域色彩量化的金丝猴面部检测方法，包括以下步骤：步骤一，利用摄像机对多个场景中的金丝猴进行拍摄，得到多张包含有金丝猴的待检测RGB图像；针对每一张RGB图像均利用色彩空间转换方法将其转换为待检测HSV图像；重新利用摄像机对多个场景中的金丝猴进行拍摄，得到多张包含有金丝猴的RGB图像，提取多张金丝猴的面部皮肤样本图像和多张金丝猴的毛发样本图像；针对每一张面部皮肤样本图像和毛发样本图像，均利用色彩空间转换方法分别将其转换为面部皮肤样本HSV图像和毛发样本HSV图像；步骤二，针对每一张待检测HSV图像进行色彩量化，得到待检测的色彩量化后的单通道图像；针对每一张面部皮肤样本HSV图像和毛发样本HSV图像，进行色彩量化，得到所有面部皮肤样本图像的色彩量化后的单通道图像和所有毛发样本图像的色彩量化后的单通道图像；步骤三，针对所有面部皮肤样本图像的色彩量化后的单通道图像，利用数学统计的方法得到面部皮肤色彩量化范围，针对所有毛发样本图像的色彩量化后的单通道图像，利用数学统计的方法得到面部毛发色彩量化范围；步骤四，针对步骤二得到的每一张待检测的色彩量化后的单通道图像，利用步骤三得到的面部皮肤色彩量化范围和毛发色彩量化范围，进行图像分割，以得到疑似猴脸图像；步骤五，采用增量自步学习方法训练得到分类器模型；步骤六，针对步骤四得到的每一张疑似猴脸图像，进行图像尺寸归一化，得到归一化后的疑似猴脸图像；将归一化后的疑似猴脸图像均输入到步骤五得到的分类器模型内，输出疑似猴脸图像为猴脸图像还是非猴脸图像。具体地，所述步骤二中的针对每一张待检测HSV图像进行色彩量化，得到待检测的色彩量化后的单通道图像；所述色彩量化包括像素级色彩量化，所述的待检测的色彩量化后的单通道图像指的是像素级色彩量化后的单通道图像，具体包括以下步骤：其中，h(x,y)表示HSV图像的色调h通道上，在像素点(x,y)处的像素值；s(x,y)表示HSV图像的饱和度s通道上，在像素点(x,y)处的像素值；v(x,y)表示HSV图像的亮度v通道上，在像素点(x,y)处的像素值；H(x,y)表示色彩量化后的图像的色调H通道上，在像素点(x,y)处的像素值；S(x,y)表示色彩量化后的图像的饱和度S通道上，在像素点(x,y)处的像素值；V(x,y)表示色彩量化后的图像的亮度V通道上，在像素点(x,y)处的像素值；像素级色彩量化后的单通道图像用L表示，采用的公式如下：L(x,y)＝α×H(x,y)+β×S(x,y)+γ×V(x,y)其中，α，β，γ分别表示3个通道色调H、饱和度S和亮度V的系数；L(x,y)表示像素级色彩量化后的单通道图像L在像素点(x,y)处的像素值。具体地，所述步骤二中的针对每一张待检测HSV图像进行色彩量化，得到待检测的色彩量化后的单通道图像，所述的色彩量化还包含区域色彩量化，待检测的色彩量化后的单通道图像指的是经过区域色彩量化后的单通道图像，具体包括以下步骤：针对像素级色彩量化后的单通道图像L进行如下处理，得到区域色彩量化后的单通道图像LQ：其中，Q(x,y)表示以像素点(x,y)为中心的、大小为(2w+1)2的矩形区域；LQ(x,y)表示区域色彩量化后的单通道图像LQ在以(x,y)为中心形成的矩形区域对应的图像值。具体地，所述步骤四中的针对步骤二得到的每一张待检测的色彩量化后的单通道图像，利用步骤三得到的面部皮肤色彩量化范围和毛发色彩量化范围，进行图像分割，以得到疑似猴脸图像；具体包括以下步骤：针对步骤二得到的每一张像素级色彩量化后的单通道图像L，选取像素值在毛发色彩量化范围内的像素点，得到猴身区域图像；再在猴身区域图像中选取像素值在面部皮肤色彩量化范围内的像素点，形成疑似猴脸图像。具体地，所述步骤四中的针对步骤二得到的每一张色彩量化后的单通道图像，利用步骤三得到的面部皮肤色彩量化范围和毛发色彩量化范围，进行图像分割，以得到疑似猴脸图像；具体包括以下步骤：针对步骤二得到的区域色彩量化后的单通道图像LQ，选取图像值在毛发色彩量化范围内的矩形区域，得到猴身区域图像；再在猴身区域图像中选取图像值在面部皮肤色彩量化范围内的矩形区域，形成疑似猴脸图像。具体地，所述步骤五中的利用增量自步学习方法训练得到分类器模型，具体包括以下步骤：步骤5.1，建立样本库，样本库中包含大量猴脸图片样本和非猴脸图片样本；步骤5.2，判断是否为第一次训练，若是，i＝0，i表示训练次数，则在样本库中根据经验人工选择数量为N简单样本，将其作为初始训练样本集合S(i)，i＝0，转到步骤5.3；若否，i＞0，则根据前一次训练得到的分类器模型ISPL_MODEL(i-1)对当前样本库中剩余的样本进行预测，即当前样本库中剩余的样本分别输入到分类器模型ISPL_MODEL(i-1)中，分类器模型ISPL_MODEL(i-1)自动输出当前样本库中剩余的样本的难易程度的得分，选取其中N个得分较高的样本，加入当前的样本集合S(i-1)中，形成新的样本集合S(i)；转到步骤5.3；步骤5.3，利用样本集合S(i)采用自步学习方法进行训练，得到分类器模型ISPL_MODEL(i)；步骤5.4，判断样本库中的样本数是否为0，若是，则结束，得到训练好的分类器模型ISPL_MODEL，否则，返回步骤5.2。与现有技术相比，本专利技术具有以下技术效果：本专利技术提出基于区域色彩量化的猴身检测方法，区域色彩量化用以增大背景与猴身色彩特征之间的差异，以更准确地进行猴身区域的分割，减少检测的猴身疑似区域的面积和个数。然后，在检测出猴身之后的区域内，进行面部皮肤疑似区域检测。最后利用提出的增量自步学习方法进行面部的准确检测。附图说明图1是本专利技术的方法流程图；图2是不同年龄阶段的金丝猴的面部皮肤区域图；图3是金丝猴的面部皮肤区本文档来自技高网...

【技术保护点】
基于增量自步学习和区域色彩量化的金丝猴面部检测方法，其特征在于，包括以下步骤：步骤一，利用摄像机对多个场景中的金丝猴进行拍摄，得到多张包含有金丝猴的待检测RGB图像；针对每一张RGB图像均利用色彩空间转换方法将其转换为待检测HSV图像；重新利用摄像机对多个场景中的金丝猴进行拍摄，得到多张包含有金丝猴的RGB图像，提取多张金丝猴的面部皮肤样本图像和多张金丝猴的毛发样本图像；针对每一张面部皮肤样本图像和毛发样本图像，均利用色彩空间转换方法分别将其转换为面部皮肤样本HSV图像和毛发样本HSV图像；步骤二，针对每一张待检测HSV图像进行色彩量化，得到待检测的色彩量化后的单通道图像；针对每一张面部皮肤样本HSV图像和毛发样本HSV图像，进行色彩量化，得到所有面部皮肤样本图像的色彩量化后的单通道图像和所有毛发样本图像的色彩量化后的单通道图像；步骤三，针对所有面部皮肤样本图像的色彩量化后的单通道图像，利用数学统计的方法得到面部皮肤色彩量化范围，针对所有毛发样本图像的色彩量化后的单通道图像，利用数学统计的方法得到面部毛发色彩量化范围；步骤四，针对步骤二得到的每一张待检测的色彩量化后的单通道图像，利用步骤三得到的面部皮肤色彩量化范围和毛发色彩量化范围，进行图像分割，以得到疑似猴脸图像；步骤五，采用增量自步学习方法训练得到分类器模型；步骤六，针对步骤四得到的每一张疑似猴脸图像，进行图像尺寸归一化，得到归一化后的疑似猴脸图像；将归一化后的疑似猴脸图像均输入到步骤五得到的分类器模型内，输出疑似猴脸图像为猴脸图像还是非猴脸图像。...

【技术特征摘要】
1.基于增量自步学习和区域色彩量化的金丝猴面部检测方法，其特征在于，包括以下步骤：步骤一，利用摄像机对多个场景中的金丝猴进行拍摄，得到多张包含有金丝猴的待检测RGB图像；针对每一张RGB图像均利用色彩空间转换方法将其转换为待检测HSV图像；重新利用摄像机对多个场景中的金丝猴进行拍摄，得到多张包含有金丝猴的RGB图像，提取多张金丝猴的面部皮肤样本图像和多张金丝猴的毛发样本图像；针对每一张面部皮肤样本图像和毛发样本图像，均利用色彩空间转换方法分别将其转换为面部皮肤样本HSV图像和毛发样本HSV图像；步骤二，针对每一张待检测HSV图像进行色彩量化，得到待检测的色彩量化后的单通道图像；针对每一张面部皮肤样本HSV图像和毛发样本HSV图像，进行色彩量化，得到所有面部皮肤样本图像的色彩量化后的单通道图像和所有毛发样本图像的色彩量化后的单通道图像；步骤三，针对所有面部皮肤样本图像的色彩量化后的单通道图像，利用数学统计的方法得到面部皮肤色彩量化范围，针对所有毛发样本图像的色彩量化后的单通道图像，利用数学统计的方法得到面部毛发色彩量化范围；步骤四，针对步骤二得到的每一张待检测的色彩量化后的单通道图像，利用步骤三得到的面部皮肤色彩量化范围和毛发色彩量化范围，进行图像分割，以得到疑似猴脸图像；步骤五，采用增量自步学习方法训练得到分类器模型；步骤六，针对步骤四得到的每一张疑似猴脸图像，进行图像尺寸归一化，得到归一化后的疑似猴脸图像；将归一化后的疑似猴脸图像均输入到步骤五得到的分类器模型内，输出疑似猴脸图像为猴脸图像还是非猴脸图像。2.如权利要求1所述的基于增量自步学习和区域色彩量化的金丝猴面部检测方法，其特征在于，所述步骤二中的针对每一张待检测HSV图像进行色彩量化，得到待检测的色彩量化后的单通道图像；所述色彩量化包括像素级色彩量化，所述的待检测的色彩量化后的单通道图像指的是像素级色彩量化后的单通道图像，具体包括以下步骤：其中，h(x,y)表示HSV图像的色调h通道上，在像素点(x,y)处的像素值；s(x,y)表示HSV图像的饱和度s通道上，在像素点(x,y)处的像素值；v(x,y)表示HSV图像的亮度v通道上，在像素点(x,y)处的像素值；H(x,y)表示色彩量化后的图像的色调H通道上，在像素点(x,y)处的像素值；S(x,y)表示色彩量化后的图像的饱和度S通道上，在像素点(x,y)处的像素值；V(x,y)表示色彩量化后的图像的亮度V通道上，在像素点(x,y)处的像素值；像素级色彩量化后的单通道图像用L表示，采用的公式如下：L(x,y)＝α×H(x,y)+β×S(x,y)+γ×V(x,y)其中，α，β，γ分别表示3个通道色调H、饱和度S和亮度V的系数；L(x,y)表示像素级色彩量化后的单通道图像L在像素点(x,y)处的像素值。3.如权利要求2所述的基于增量自步学习和区域色彩量化的金丝猴面部检测方法，其特征在于，所述步骤二中的针对每一张待检测...

【专利技术属性】
技术研发人员：许鹏飞，郭松涛，陈晓江，袁晶，何刚，陈峰，李保国，房鼎益，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西,61