图像分类方法及装置制造方法及图纸

本申请公开了一种图像分类方法及装置。该方法包括：获取待分类人脸图像；提取待分类人脸图像中的目标区域特征，其中，目标区域特征至少包括眉毛区域特征和眼睛区域特征；将目标区域特征输入预训练的图像分类模型，得到图像分类模型输出的图像分类结果，其中，图像分类模型用于对目标区域特征进行主成分分析，并基于分析结果确定待分类人脸图像的图像类型，图像类型包括以下之一：颈椎正常的人脸图像，颈椎异常的人脸图像。本申请解决了相关技术中无法高效且准确地识别颈椎异常的人脸图像的技术问题。术问题。术问题。

【技术实现步骤摘要】
图像分类方法及装置


[0001]本申请涉及机器学习
，具体而言，涉及一种图像分类方法及装置。

技术介绍

[0002]随着现代社会环境、生活方式的影响，越来越多的人由于不当的工作习惯和生活姿态以及过量的颈部运动，导致颈椎的慢性劳损，从而引发颈椎病状态，而颈椎病恰恰是影响人类健康和安全的重要因素。
[0003]通常，人们会通过辅助检查以及经验深厚的中医专家进行判断颈椎病，但这种方法往往不能准确地发现和预估颈椎问题，从而导致颈椎状态引发各种疾病。
[0004]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本申请实施例提供了一种图像分类方法及装置，以至少解决相关技术中无法高效且准确地识别颈椎异常的人脸图像的技术问题。
[0006]根据本申请实施例的一个方面，提供了一种图像分类方法，包括：获取待分类人脸图像；提取待分类人脸图像中的目标区域特征，其中，目标区域特征至少包括眉毛区域特征和眼睛区域特征；将目标区域特征输入预训练的图像分类模型，得到图像分类模型输出的图像分类结果，其中，图像分类模型用于对目标区域特征进行主成分分析，并基于分析结果确定待分类人脸图像的图像类型，图像类型包括以下之一：颈椎正常的人脸图像，颈椎异常的人脸图像。
[0007]可选地，图像分类模型为二分类模型，图像分类模型包括：预设数量的主成分分析子模型和目标分类器，目标分类器为基于径向基函数的支持向量机。
[0008]可选地，图像分类模型的训练过程包括：获取第一样本图像集合，其中，第一样本图像集合包括第一样本图像子集和第二样本图像子集，第一样本图像子集中的图像均为颈椎正常的人脸图像，第二样本图像子集中的图像均为颈椎异常的人脸图像；对第一样本图像集合中的每个图像进行预处理，得到第二样本图像集合，其中，预处理包括：截取每个图像中的目标区域，目标区域至少包括眉毛区域和眼睛区域；提取第二样本图像集合中的每个图像中的多个第一特征，其中，第一特征至少包括眉毛区域特征和眼睛区域特征；基于主成分分析子模型对多个第一特征进行主成分分析，得到多个第二特征；基于多个第二特征对目标分类器进行迭代训练，调整目标分类器的模型参数，得到图像分类模型。
[0009]可选地，获取第一样本图像集合，包括：获取多张人脸图像；对于每张人脸图像，获取针对人脸头像的人工投票结果，并在人工投票结果指示人脸图像为颈椎正常的人脸图像时，将人脸图像划分至第一样本图像子集，在人工投票结果指示人脸图像为颈椎异常的人脸图像时，将人脸图像划分至第二样本图像子集。
[0010]可选地，提取第二样本图像集合中的每个图像中的多个第一特征，包括：对于第二样本图像集合中的每个图像，基于预设的三原色权重将图像转换为灰度图像；基于预设的
单元尺寸对灰度图像进行局部二值模式算法处理，提取灰度图像中的多个第一特征，其中，多个第一特征包括：第一数量的眉毛区域特征和第二数量的眼睛区域特征。
[0011]可选地，在基于主成分分析子模型对多个第一特征进行主成分分析，得到多个第二特征之后，方法还包括：基于第一样本图像子集中的图像的第二特征和第二样本图像子集中的图像的第二特征进行T检验，得到每个第二特征的P值；在任一第二特征的P值大于预设阈值时，删除第二特征。
[0012]可选地，基于多个第二特征对目标分类器进行迭代训练，调整目标分类器的模型参数，包括：利用交叉验证方法，将多个第二特征依次输入目标分类器，得到多个预测结果；分别从灵敏性、特异性、精度和马修斯相关系数四个维度对多个预测结果进行计算，根据计算结果调整目标分类器的Gamma值和C值。
[0013]根据本申请实施例的另一方面，还提供了一种图像分类装置，包括：获取模块，用于获取待分类人脸图像；提取模块，用于提取待分类人脸图像中的目标区域特征，其中，目标区域特征至少包括眉毛区域特征和眼睛区域特征；分类模块，用于将目标区域特征输入预训练的图像分类模型，得到图像分类模型输出的图像分类结果，其中，图像分类模型用于对目标区域特征进行主成分分析，并基于分析结果确定待分类人脸图像的图像类型，图像类型包括以下之一：颈椎正常的人脸图像，颈椎异常的人脸图像。
[0014]根据本申请实施例的另一方面，还提供了一种非易失性存储介质，该非易失性存储介质包括存储的程序，其中，非易失性存储介质所在设备通过运行该程序执行上述的图像分类方法。
[0015]根据本申请实施例的另一方面，还提供了一种电子设备，该电子设备包括：存储器和处理器，其中，存储器中存储有计算机程序，处理器被配置为通过计算机程序执行上述的图像分类方法。
[0016]在本申请实施例中，获取待分类人脸图像；提取待分类人脸图像中的目标区域特征，其中，目标区域特征至少包括眉毛区域特征和眼睛区域特征；将目标区域特征输入预训练的图像分类模型，得到图像分类模型输出的图像分类结果，其中，图像分类模型用于对目标区域特征进行主成分分析，并基于分析结果确定待分类人脸图像的图像类型，图像类型包括以下之一：颈椎正常的人脸图像，颈椎异常的人脸图像。其中，依据人脸图像对检测颈椎病的图像分类模型进行训练，从而可以实时对颈椎病进行准确检测和及时预警，进而解决了相关技术中无法高效且准确地识别颈椎异常的人脸图像的技术问题。
附图说明
[0017]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0018]图1是根据本申请实施例的一种可选的图像分类方法的流程示意图；
[0019]图2是根据本申请实施例的一种可选的眉毛高低不平的示意图；
[0020]图3是根据本申请实施例的一种可选的眉毛异常脱落的示意图；
[0021]图4是根据本申请实施例的一种可选的眉毛长痘的示意图；
[0022]图5是根据本申请实施例的一种可选的眉毛下垂的示意图；
[0023]图6a是根据本申请实施例的一种可选的眼球血丝划分的示意图；
[0024]图6b是根据本申请实施例的一种可选的眼球血丝对应病症的示意图；
[0025]图7是根据本申请实施例的一种可选的分类器的评价指标图
[0026]图8是根据本申请实施例的一种可选的图像分类装置的结构示意图。
具体实施方式
[0027]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0028]需要说明的是，本申请的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类方法，其特征在于，包括：获取待分类人脸图像；提取待分类人脸图像中的目标区域特征，其中，目标区域特征至少包括眉毛区域特征和眼睛区域特征；将目标区域特征输入预训练的图像分类模型，得到图像分类模型输出的图像分类结果，其中，图像分类模型用于对目标区域特征进行主成分分析，并基于分析结果确定待分类人脸图像的图像类型，图像类型包括以下之一：颈椎正常的人脸图像，颈椎异常的人脸图像。2.根据权利要求1的方法，其特征在于，图像分类模型为二分类模型，图像分类模型包括：预设数量的主成分分析子模型和目标分类器，目标分类器为基于径向基函数的支持向量机。3.根据权利要求2的方法，其特征在于，图像分类模型的训练过程包括：获取第一样本图像集合，其中，第一样本图像集合包括第一样本图像子集和第二样本图像子集，第一样本图像子集中的图像均为颈椎正常的人脸图像，第二样本图像子集中的图像均为颈椎异常的人脸图像；对第一样本图像集合中的每个图像进行预处理，得到第二样本图像集合，其中，预处理包括：截取每个图像中的目标区域，目标区域至少包括眉毛区域和眼睛区域；提取第二样本图像集合中的每个图像中的多个第一特征，其中，第一特征至少包括眉毛区域特征和眼睛区域特征；基于主成分分析子模型对多个第一特征进行主成分分析，得到多个第二特征；基于多个第二特征对目标分类器进行迭代训练，调整目标分类器的模型参数，得到图像分类模型。4.根据权利要求3的方法，其特征在于，获取第一样本图像集合，包括：获取多张人脸图像；对于每张人脸图像，获取针对人脸头像的人工投票结果，并在人工投票结果指示人脸图像为颈椎正常的人脸图像时，将人脸图像划分至第一样本图像子集，在人工投票结果指示人脸图像为颈椎异常的人脸图像时，将人脸图像划分至第二样本图像子集。5.根据权利要求3的方法，其特征在于，提取第二样本图像集合中的每个图像中的多个第一特征，包括：...

【专利技术属性】
技术研发人员：袁勇，李斌，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：