CN102867193A - 一种生物检测方法、装置及生物检测器 - Google Patents

Abstract

本申请提供了一种生物检测方法、装置及生物检测器，所述方法包括：提取待识别图像中未知生物的颜色特征数据及形状特征数据；计算所述颜色特征数据与所述形状特征数据的高斯混合概率；判断所述高斯混合概率在预设的概率范围适应规则中所属的概率范围值，并确定与所述概率范围值相对应的生物类别作为所述未知生物隶属的类别。通过本申请实施例能够广泛应用于多种生物的准确识别，尤其是对大熊猫等生物的准确识别。

Description

一种生物检测方法、装置及生物检测器

技术领域

本申请涉及模式识别技术领域，更具体的说，是涉及一种生物检测方法、装置及生物检测器。

背景技术

目前，国内外对于生物尤其是野生动物的识别检测主要以动物的斑纹为特征进行识别为主要识别方案，例如：斑马、长颈鹿等，即对待识别图像中的生物的斑纹进行识别该待识别图像中的生物是否为斑马或长颈鹿等。但现有的上述方案无法广泛应用于其他动物的准确识别，尤其是对大熊猫为代表的没有明显纹路特征的生物。

发明内容

有鉴于此，本申请提供了一种生物检测方法、装置及生物检测器，用以解决现有的生物识别方案中无法广泛应用于除斑马或长颈鹿之外的生物的准确识别，尤其是大熊猫等生物的技术问题。

为实现上述目的，本申请提供如下技术方案：

一种生物检测方法，包括：

提取待识别图像中未知生物的颜色特征数据及形状特征数据；

计算所述颜色特征数据与所述形状特征数据的高斯混合概率；

判断所述高斯混合概率在预设的概率范围适应规则中所属的概率范围值，并确定与所述概率范围值相对应的生物类别作为所述未知生物隶属的类别。

上述方法，优选的，所述颜色特征数据包括与所述待识别图像中未知生物相对应的一维特征矢量值；

所述提取待识别图像中未知生物的颜色特征数据包括：

提取待识别图像中未知生物的图像数据；

获取所述未知生物的图像数据的颜色空间矢量；

其中，所述颜色空间矢量包括色调空间矢量、饱和度空间矢量和亮度空间矢量；

将所述色调空间矢量、饱和度空间矢量和亮度空间矢量进行降维;

依据降维的色调空间矢量、饱和度空间矢量和亮度空间矢量及各自的量化级值，生成与所述未知生物相对应的一维特征矢量值。

上述方法，优选的，所述形状特征数据包括与所述待识别图像中未知生物相对应的不变矩值。

上述方法，优选的，所述提取待识别图像中未知生物的形状特征数据包括：

提取待识别图像中未知生物的图像数据；

将所述未知生物的图像数据转换为灰度图像数据；

提取所述灰度图像数据中每个像素点的灰度值；

依据所述每个像素点的灰度值确定所述待识别图像中未知生物的形状特征数据。

上述方法，优选的，所述计算所述颜色特征数据与所述形状特征数据的高斯混合概率包括：

获取预设的生物颜色特征及形状特征的高斯混合模型，所述高斯混合模型包括三个参数值，所述三个参数值分别为：混合加权值、均值向量值和协方差矩阵；

将所述颜色特征数据与所述形状特征数据置入所述高斯混合模型，生成高斯混合概率值。

上述方法，优选的，所述判断所述高斯混合概率在预设的概率范围适应规则中所属概率范围值，并确定与所述概率范围值相对应的生物类别作为所述未知生物隶属的类别包括：

预先设置概率范围适应规则，所述概率范围适应规则包括生物的颜色特征与形状特征数据的高斯混合概率所属的概率范围值；

判断所述未知生物的高斯混合概率在所述概率范围适应规则中所属的概率范围值；

依据预设的概率类别对应规则，确定与所述未知生物的高斯混合概率所属的概率范围值相对应的生物类别；

将确定的生物类别作为所述未知生物隶属的类别。

本申请还提供了一种生物检测装置，包括：

特征数据提取单元，用于提取待识别图像中未知生物的颜色特征数据及形状特征数据；

混合概率计算单元，用于计算所述颜色特征数据与所述形状特征数据的高斯混合概率；

生物类别判断单元，用于判断所述高斯混合概率在预设的概率范围适应规则中所属的概率范围值，并确定与所述概率范围值相对应的生物类别作为所述未知生物隶属的类别。

上述装置，优选的，所述颜色特征数据包括与所述待识别图形中未知生物相对应的一维特征矢量值；

所述特征数据提取单元包括：

第一特征提取子单元，用于提取待识别图像中未知生物的图像数据，获取所述未知生物的图像数据的颜色空间矢量，将所述色调空间矢量、饱和度空间矢量和亮度空间矢量进行降维，并依据降维的色调空间矢量、饱和度空间矢量和亮度空间矢量及各自的量化级值，生成与所述未知生物相对应的一维特征矢量值；

其中，所述颜色空间矢量包括色调空间矢量、饱和度空间矢量和亮度空间矢量。

上述装置，优选的，所述形状特征数据包括与所述待识别图像中未知生物相对应的不变矩值。

上述装置，优选的，所述特征数据提取单元包括：

第二特征提取子单元，用于提取待识别图像中未知生物的图像数据，将所述未知生物的图像数据转换为灰度图像数据，提取所述灰度图像数据中每个像素点的灰度值，并依据所述每个像素点的灰度值确定所述待识别图像中未知生物的形状特征数据。

上述装置，优选的，所述混合概率计算单元包括：

模型建立子单元，用于获取预设的生物颜色特征及形状特征的高斯混合模型，所述高斯混合模型包括三个参数值，所述三个参数值分别为：混合加权值、均值向量值和协方差矩阵；

数据计算子单元，用于将所述颜色特征数据与所述形状特征数据置入所述高斯混合模型，生成高斯混合概率值。

上述装置，优选的，所述生物类别判定单元包括：

规则设定子单元，用于预先设置概率范围适应规则，所述概率范围适应规则包括生物的颜色特征与形状特征数据的高斯混合概率所属的概率范围值；

范围确定子单元，用于判断所述未知生物的高斯混合概率在所述概率范围适应规则中所属的概率范围值；

类别确定子单元，用于依据预设的概率类别对应规则，确定与所述未知生物的高斯混合概率所属的概率范围值相对应的生物类别，将确定的生物类别作为所述未知生物隶属的类别。

本申请还提供了一种生物检测器，包括如上述任意一项所述的生物检测装置。

由上述方案可知，本申请提供的一种生物检测方法、装置及生物检测器，通过提取未知生物的颜色特征数据和形状特征数据，对该特征数据进行高斯混合概率计算，从而依据该未知生物的高斯混合概率值判定其在预设的概率范围适应规则中所属的概率范围值，由此确定与该概率范围值相对应的生物类别作为待识别的未知生物隶属的类别，相对于现有技术中只能依据生物的斑纹识别斑马或长颈鹿的方案，本申请能够广泛应用于多种生物的准确识别，尤其是对大熊猫等生物的准确识别。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例一提供的一种生物检测方法流程图；

图2为本申请实施例二提供的一种生物检测方法的部分流程图；

图3为本申请实施例二提供的一种生物检测方法获取的某一未知生物的颜色的一维特征矢量值；

图4为本申请实施例三提供的一种生物检测方法的部分流程图；

图5为本申请实施例四提供的一种生物检测方法的部分流程图；

图6为本申请实施例五提供的一种生物检测方法的部分流程图；

图7为本申请实施例六提供的一种生物检测装置的结构示意图；

图8为本申请实施例七提供的一种生物检测装置的结构示意图；

图9为本申请实施例八提供的一种生物检测装置的结构示意图；

图10为本申请实施例八提供的一种生物检测装置的另一结构示意图；

图11为本申请实施例九提供的一种生物检测装置的结构示意图；

图12为本申请实施例九提供的一种生物检测装置的另一结构示意图；

图13为本申请实施例十提供的一种生物检测装置的结构示意图；

图14为本申请实施例十提供的一种生物检测装置的另一结构示意图；

图15为本申请实施例十提供的一种生物检测装置的另一结构示意图；

图16为本申请实施例十提供的一种生物检测装置的另一结构示意图；

图17为应用本申请实施例十中提取的小熊猫的颜色直方图；

图18为应用本申请实施例十中提取的北极熊的颜色直方图；

图19为应用本申请实施例十中提取的大熊猫的颜色直方图；

图20为应用本申请实施例十对多个未知生物的形状特征数据进行提取之后得到多个未知生物各自的不变矩值。

具体实施方式

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，都属于本申请保护的范围。

实施例一

参考图1，其示出了本申请实施例一提供的一种生物检测方法的流程图，所述方法包括：

步骤101：提取待识别图像中未知生物的颜色特征数据及形状特征数据。

其中，所述步骤101提取的颜色特征数据及形状特征数据是指：在所述待识别图像中提取所述未知生物的图像，并在所述未知生物的图像中提取颜色特征数据及形状特征数据。

步骤102：计算所述颜色特征数据与所述形状特征数据的高斯混合概率。

其中，所述步骤102是指：计算所述颜色特征数据及所述形状特征数据两者的高斯混合概率。

步骤103：判断所述高斯混合概率在预设的概率范围适应规则中所属的概率范围值。

其中，所述概率范围适应规则为预先设置，其中包括多种生物的高斯概率范围值，在所述步骤102中计算得到所述未知生物的高斯混合概率之后，判断该高斯混合概率在所述多种生物的高斯概率范围值中进行匹配，得到所述高斯混合概率在所述概率范围适应规则中所述的概率范围值。

步骤104：确定与所述概率范围值相对应的生物类别作为所述未知生物隶属的类别。

其中，所述步骤103中判断得到的概率范围值是与某一生物相对应的，由此，确定与所述概率范围值相对应的生物类别作为所述未知生物隶属的类别。

由上述方案可知，本申请实施例一提供的一种生物检测方法，通过提取未知生物的颜色特征数据和形状特征数据，对该特征数据进行高斯混合概率计算，从而依据该未知生物的高斯混合概率值判定其在预设的概率范围适应规则中所属的概率范围值，由此确定与该概率范围值相对应的生物类别作为待识别的未知生物隶属的类别，相对于现有技术中只能依据生物的斑纹识别斑马或长颈鹿的方案，本申请能够广泛应用于多种生物的准确识别，尤其是对大熊猫等生物的准确识别。

参考图2，其示出了本申请实施例二提供的一种生物检测方法的部分流程图，其中，所述步骤101中，提取待识别图形中未知生物的颜色特征数据的方法可以包括以下步骤：

步骤201：提取待识别图像中未知生物的图像数据。

优选的，所述颜色特征数据包括与所述待识别图像中未知生物相对应的一维特征矢量值。在获取所述未知生物的颜色空间矢量时，需要首先在所述待识别图像中，提取所述未知生物的图像数据，用于后期矢量获取。

步骤202：获取所述未知生物的图像数据的颜色空间矢量；

其中，所述颜色空间矢量包括色调空间矢量、饱和度空间矢量和亮度空间矢量。

需要说明的是，根据光学原理：物体的颜色与光的波长和频率相关，不同的色光在真空中的波长和频率的范围不一样，一张彩色图像的色调空间矢量H由第0至第316个色调等级表示，饱和度空间矢量S由0至1的等级范围表示，亮度空间矢量由0至1的等级范围表示。

步骤203：将所述色调空间矢量、饱和度空间矢量和亮度空间矢量进行降维；

其中，由于一张彩色图像的颜色信息非常丰富，得到的颜色特征数据的直方图矢量的维数非常大，而人眼对颜色的分辨力有限，所以需要将颜色空间矢量进行量化：将颜色空间矢量划分成有限个子空间区域，将大致相近的颜色换分至同一个子空间区域，从而达到降维的目的。例如，在对大熊猫进行检测识别时进行降维的具体实现方式如下：

1、按照人眼的视觉分辨能力，把所述色调空间矢量H划分为8份，把所述饱和度空间矢量S划分为3份，把所述亮度空间矢量V划分为3份。

2、由上述可知，由光学原理：物体的颜色与光的波长和频率相关，不同的色光在真空中的波长和频率的范围不一样，因此将上述色调空间矢量H、饱和度空间矢量S和亮度空间矢量V各自的分量进行不等间隔量化，如下述公式：

$H=\left\{\begin{array}{cc}0& h\∈\left[\mathrm{316,20}\right]\\ 1& h\∈\left[\mathrm{21,40}\right]\\ 2& h\∈\left[\mathrm{41,75}\right]\\ 3& h\∈\left[\mathrm{76,155}\right]\\ 4& h\∈\left[\mathrm{156,190}\right]\\ 5& h\∈\left[\mathrm{191,270}\right]\\ 6& h\∈\left[\mathrm{217,295}\right]\\ 7& h\∈\left[\mathrm{296,315}\right]\end{array}\right.$ $S=\left\{\begin{array}{cc}0& s\∈\left[\mathrm{0,0.2}\right]\\ 1& s\∈\left[\mathrm{0.2,0.7}\right]\\ 2& s\∈[0.7,1]\end{array}\right.$ $V=\left\{\begin{array}{cc}0& v\∈\left[\mathrm{0,0.2}\right]\\ 1& v\∈\left[\mathrm{0.2,0.7}\right]\\ 2& v\∈\left[\mathrm{0.7,1}\right]\end{array}\right.$

步骤204：依据降维的色调空间矢量、饱和度空间矢量和亮度空间矢量及各自的量化级值，生成与所述未知生物相对应的一维特征矢量值。

例如：按照上述步骤203的第2步中的量化过程的量化级，将上述3个空间矢量进行一维化：

G=HQ_SQ_V+SQ_V+V

其中，G为所述未知生物相对应的一维特征矢量值，Q_S为所述饱和度空间矢量S的量化级，Q_V为所述亮度空间矢量V的量化级。

取Q_S及Q_V分别为3，此时，上述公式为：

G=9H+3S+V

由上述步骤203中所述色调空间矢量H、饱和度空间矢量S和亮度空间矢量V各自的不等间隔量化值可知，上述公式中的一维特征矢量值的数据值取值范围为[0，1，2.....71]。所述未知生物的一维特征矢量值可以由72柄的一维直方图进行表示，例如，如图3，为某一未知生物的一维特征矢量值。

需要说明的是，优选的，在获取到所述未知生物的颜色特征数据之后，所述方法还包括：

将所述未知生物的颜色特征数据进行保存。

由上述方案可知，本申请实施例二提供的一种生物检测方法，通过提取未知生物的颜色空间矢量，并对该颜色空间矢量进行量化进而得到该未知生物的颜色特征数据（一维特征矢量值），同时获取该未知生物的形状特征数据，对该特征数据进行高斯混合概率计算，从而依据该未知生物的高斯混合概率值判定其在预设的概率范围适应规则中所属的概率范围值，由此确定与该概率范围值相对应的生物类别作为待识别的未知生物隶属的类别，相对于现有技术中只能依据生物的斑纹识别斑马或长颈鹿的方案，本申请能够广泛应用于多种生物的准确识别，尤其是对大熊猫等生物的准确识别。

其中，优选的，本申请实施例一的所述形状特征数据包括与所述待识别图像中未知生物相对应的不变矩值。

参考图4，其示出了本申请实施例三提供的一种生物检验方法的部分流程图，其中，所述步骤101中，提取待识别图像中未知生物的形状特征数据的方法可以包括以下步骤：

步骤401：提取待识别图像中未知生物的图像数据。

其中，在获取所述未知生物的形状特征数据之前，首先在所述待识别图像中，提取所述未知生物的图像数据。

优选的，所述形状特征数据包括与所述待识别图像中未知生物相对应的不变矩值。

步骤402：将所述未知生物的图像数据转换为灰度图像数据。

需要说明的是，在进行提取所述未知生物的形状特征数据时，为提高所述形状特征数据提取的效率及准确性，需要将未知生物的图像数据进行灰度处理，此时，由于原待识别图像或所述未知生物的图像数据只是在颜色特征上发生了变化，并不影响所述未知生物的形状特征。

步骤403：提取所述灰度图像数据中每个像素点的灰度值。

步骤404：依据所述每个像素点的灰度值确定所述待识别图像中未知生物的形状特征数据。

其中，由上述可知，所述形状特征数据包括图像的不变矩值，所述不变矩值所包含的7个矩阵具有RST不变形。此时，所述步骤403及所述404的具体实现可以包括以下步骤：；

1、设f(x,y)表示所述未知生物的图像数据中位于坐标（x，y）的像素点的灰度值，定义f(i,j)的p+q阶矩表示为：

$m_{\mathrm{pq}}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{x}^p{y}^q$

由矩定义的中心目标表示为：

$\stackrel{\‾}{x}=\frac{m_{10}}{m_{00}}$ $\stackrel{\‾}{y}=\frac{m_{01}}{m_{00}}$

定义f(i,j)的p+q阶中心矩为：

${\mathrm{\μ}}_{\mathrm{pq}}=\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^{q}f(x,y),$

将图像进行缩放，有： $\left\{\begin{array}{c}{x}^{\′}=\mathrm{\αx}\\ y^{\′}=\mathrm{\βy}\end{array}\right.$

图像f(αx,βy)的矩变为： ${\mathrm{\μ}}_{\mathrm{pq}}^{\′}=\frac{{\mathrm{\μ}}_{\mathrm{pq}}}{{\mathrm{\α}}^{p+q+2}},$

定义归一化的中心矩为： ${\mathrm{\η}}_{\mathrm{pq}}=\frac{{\mathrm{\μ}}_{\mathrm{pq}}}{{\mathrm{\μ}}_{00}^{\mathrm{\γ}}}$

其中r=(p+q)/2+1,p+q=2,3,...；

由归一化的二阶和三阶中心矩可得到以下7个对平移、旋转和尺度变换不变的矩：

φ₁=η₂₀+η₀₂

${\mathrm{\φ}}_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+{4\mathrm{\η}}_{11}^2$

φ₃=(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

φ₄=(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

φ₅=(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+

                         (3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

φ₆=(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

φ₇=(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+

                         (3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

需要说明的是，优选的，在获取到所述未知生物的形状特征数据之后，所述方法还包括：

将所述未知生物的形状特征数据进行保存。

由上述方案可知，本申请实施例三提供的一种生物检测方法，通过提取未知生物的颜色特征数据（一维特征矢量值），同时获取该未知生物的灰度图像数据中的形状特征数据，对该特征数据进行高斯混合概率计算，从而依据该未知生物的高斯混合概率值判定其在预设的概率范围适应规则中所属的概率范围值，由此确定与该概率范围值相对应的生物类别作为待识别的未知生物隶属的类别，相对于现有技术中只能依据生物的斑纹识别斑马或长颈鹿的方案，本申请能够广泛应用于多种生物的准确识别，尤其是对大熊猫等生物的准确识别。

参考图5，其示出了本申请实施例四提供的一种生物检测方法的部分流程图，其中，所述步骤102中，计算所述颜色特征数据与所述形状特征数据的高斯混合概率的方法可以包括以下步骤：

步骤501：获取预设的生物颜色特征及形状特征的高斯混合模型。

其中，所述高斯混合模型包括三个参数值，所述三个参数值分别为：混合加权值、均值向量值和协方差矩阵。优选的，所述高斯混合模型可以为：GMM分类器、神经网络分类器或执行向量机分类器SVM等。

其中，所述高斯混合模型为至少一种生物的颜色特征数据和形状特征数据的高斯混合模型。在预先建立所述高斯混合模型时，需要对所述多种生物的关于颜色特征数据及形状特征数据的高斯混合模型参数进行获取。例如：在本申请实施例中预先设置大熊猫的高斯混合模型，该高斯混合模型中设置三个参数，这三个参数为大熊猫的颜色特征数据和形状特征数据的混合加权值、均值向量值和协方差矩阵。

所述高斯混合模型：λ={c_i,u_i,∑_i}i＝I,L,M

其中，c_i为混合加权值，u_i为平均向量，∑_i为协方差矩阵，

中M为该高斯混合模型的阶数，上述三个参数的计算采用最大似然估计(maximumlikelihood estimation)。

设Ω₁,Ω₂,...,Ω_N是N个不同的类别，第i类别的Ω_i的训练样本为：

X_i1,X_i2,...,X_in,Ni,i＝1,2,3,...,N

假定每个样本类别出现的先验概率为相同的，对于给定的样本X，它所隶属的Ω_i的先验概率p(x|Ω_i)如下：

$p\left(x\right|{\mathrm{\Ω}}_i)={\mathrm{\Σ}}_{k-1}^M{c}_{\mathrm{ik}}{p}_{\mathrm{ik}}\left(x\right)$

式中：x-p维向量，且p_ik(x)=N(u_ik,∑_ik)，即为正态分布，高斯概率密度函数如下：

$p_{\mathrm{ik}}\left(x\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{\frac{p}{2}}{\left|{\mathrm{\Σ}}_i\right|}^{\frac{1}{2}}}\exp \{-\frac{1}{2}{(x-u_{\mathrm{ik}})}^T{\mathrm{\Σ}}_i^{-1}(x-u_{\mathrm{ik}})\}$

对于在实际应用过程中，将提取到的未知生物的颜色特征数据及形状特征数据置入上述公式，其结果可以作为高斯混合概率值。即对于待识别图像中未知生物的颜色特征数据及形状特征数据置入上式中，即可得到所述未知生物的高斯混合概率值，之后，根据下述公式判断其隶属的类别。

I=argmaxp(x|Ω_i),1≤i≤N

其中，上述建立高斯混合模型的过程中用到EM算法求解，所述EM算法实际上时一个反复迭代的过程，方法中将给出它在高斯混合模型的参数获取过程中的各个参数迭代公式及详细推导过程，包括初始参数的设定策略和加入迭代稳定判别公式。

1、用于有限混合分布的EM算法：

采用以下的概率模型：

$p\left(x\right|\mathrm{\Θ})=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\π}}_i{p}_i\left(x\right|{\mathrm{\θ}}_i)$

其中，参数Θ=(π₁,...,π_M,θ₁,...,θ_M)，且

每个p_i是一个以θ_i为参数的密度函数。假设有M个分量密度以M个混合系数π_i进行组合，此时，所述密度函数的不完备数据对数似然表达为：

$\log \left(L\left(\mathrm{\Θ}\right|X)\right)=\log \underset{i=1}{\overset{N}{\mathrm{\Π}}}p\left(x_i\right|\mathrm{\Θ})=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\log \left(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\π}}_j{p}_j\left(x_i\right|{\mathrm{\θ}}_j)\right)$

通过假设隐含变量的存在，且对初始参数分布进行假设来获得边缘密度。

需要说明的是，用于有限混合分布的EM算法描述为：

E步：给定已观察数据X和当前参数估计，计算完备数据对数似然关于未知数据Y的期望Q(Θ,Θ^(g))=E[log p(X,Y|Θ)|X,Θ^(g)]

M步：对E步计算得到的期望值最大化，

分别对参数π和θ求偏导，令其为0，可以得到其余参数的迭代公式要根据具体的分布求得。

2、EM算法求解高斯混合分部的迭代公式：

设从样本空间X中抽出N个观察样本构成观察样本的集合X={x₁,...,x_N},将这些样本分为M类(M相当于第二章中有限混合分布中分量的个数c)，用l来表示类的序号，各个类条件密度函数都符合正态分布，记各类的均值向量为μ₁，协方差矩阵为∑。每类的先验概率用π_l来表示，而后验概率和条件概率是和样本有关的，我们记后验概率为q_l(x_l)，条件概率为p_l(x_l)。这里的未知参数集合{π_l,μ_l,∑_l}，确定了这些参数，就能唯一确定有限混合分布密度函数的表达式，而后验概率和条件概率是迭代公式中所用的中间变量。后验概率为：

$q_l\left(x_l\right)=p\left(l\right|x_l,\mathrm{\Θ})=\frac{{\mathrm{\π}}_l{p}_l\left(x_l\right)}{\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\π}}_k{p}_k\left(x_l\right)}$

上式可转换为：

$Q(\mathrm{\Θ},{\mathrm{\Θ}}^{\left(g\right)})$

$=\underset{y\∈r}{\mathrm{\Σ}}\log \left(L\left(\mathrm{\Θ}\right|X,y)\right)p\left(y\right|X,{\mathrm{\Θ}}^{\left(g\right)})$

$=\underset{y\∈r}{\mathrm{\Σ}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\log \left({\mathrm{\π}}_{y_i}{p}_{y_i}\left(x_i\right|{\mathrm{\θ}}_{y_i})\right)\underset{j=1}{\overset{N}{\mathrm{\Π}}}p\left(y_j\right|x_j,{\mathrm{\Θ}}^{\left(g\right)})$

$=\underset{y_1=1}{\overset{M}{\mathrm{\Σ}}}\underset{y_{2=1}}{\overset{M}{\mathrm{\Σ}}}\·\·\·\underset{y_N=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\log \left({\mathrm{\π}}_{y_i}{p}_{y_i}\left(x_i\right|{\mathrm{\θ}}_{y_i})\right)\underset{j=1}{\overset{N}{\mathrm{\Π}}}p\left(y_j\right|x_j,{\mathrm{\Θ}}^{\left(g\right)})$

$=\underset{y_1=1}{\overset{M}{\mathrm{\Σ}}}\underset{y_{2=1}}{\overset{M}{\mathrm{\Σ}}}\·\·\·\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{y_N=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\δ}}_{l,y_i}\log \left({\mathrm{\πp}}_{y_i}\left(x_i\right|{\mathrm{\θ}}_{y_i})\right)\underset{j=1}{\overset{N}{\mathrm{\Π}}}p\left(y_i\right|x_j,{\mathrm{\Θ}}^{\left(g\right)})$

$=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\log \left({\mathrm{\π}}_l{p}_l\left(x_i\right|{\mathrm{\θ}}_l)\right)\underset{y_1=1}{\overset{M}{\mathrm{\Σ}}}\underset{y_2=1}{\overset{M}{\mathrm{\Σ}}}\·\·\·\underset{y_N=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\δ}}_{l,y_i}\underset{j=1}{\overset{N}{\mathrm{\Π}}}p\left(y_j\right|x_j,{\mathrm{\Θ}}^{\left(g\right)})$

此时，得到参数(π_i,μ_i,∑_i)的迭代更新公式为：

${\mathrm{\π}}_i^{\mathrm{new}}=\frac{1}{n}p\left(l\right|x_i,{\mathrm{\Θ}}^{\left(0\right)})$

${\mathrm{\μ}}_i^{\mathrm{new}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{i}p\left(l\right|x_i,{\mathrm{\Θ}}^{\left(0\right)})}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(l\right|x_i,{\mathrm{\Θ}}^{\left(0\right)})}$

${\mathrm{\Σ}}_i^{\mathrm{new}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{i}p\left(l\right|x_i,{\mathrm{\Θ}}^{\left(0\right)})(x_i-{\mathrm{\μ}}_i^{\mathrm{new}}){(x_i-{\mathrm{\μ}}_i^{\mathrm{new}})}^T}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(l\right|x_i,{\mathrm{\Θ}}^{\left(0\right)})}$

由此，定义图像对象的模型。一个图像I可以表示为：

I=I(D,F,R)

其中，D为原始的未知生物的图像数据；F={f_i,i＝1,2,...,I}为此图像数据的底层特征，本申请中用到的特征为图像数据的颜色特征数据与图像的形状特征数据两个特征，因此，本申请中的I=2；R={r_ij，i＝1,2,...I,j=1,2,...,J}是某种给定的特征f_i的具体表达式通常是用矩阵或向量形式给出，可以写成如下形式：

r_ij=[r_iji,r_ij2,...,r_ijk]

图像模型I=I(D,F,R)和分类算法一起构成了高斯混合模型。

步骤502：将所述颜色特征数据与所述形状特征数据置入所述高斯混合模型，生成高斯混合概率值。

其中，所述步骤502中的高斯混合模型为所述步骤501中获取的高斯混合模型。

由上述方案可知，本申请实施例四提供的一种生物检测方法，通过提取未知生物的颜色特征数据（一维特征矢量值），同时获取该未知生物的灰度图像数据中的形状特征数据，获取高斯混合模型从而对该特征数据进行高斯混合概率计算，从而依据该未知生物的高斯混合概率值判定其在预设的概率范围适应规则中所属的概率范围值，由此确定与该概率范围值相对应的生物类别作为待识别的未知生物隶属的类别，相对于现有技术中只能依据生物的斑纹识别斑马或长颈鹿的方案，本申请能够广泛应用于多种生物的准确识别，尤其是对大熊猫等生物的准确识别。

参考图6，其示出了本申请实施例五提供的一种生物检测方法的部分流程图，其中，所述判断所述高斯混合概率在预设的概率范围适应规则中所属概率范围值，并确定与所述概率范围值相对应的生物类别作为所述未知生物隶属的类别的具体实现可以包括以下步骤：

步骤601：预先设置概率范围适应规则，所述概率范围适应规则包括生物的颜色特征与形状特征数据的高斯混合概率所属的概率范围值。

其中，所述概率范围适应规则为预先设置，其中包括至少一种生物的高斯混合概率范围值，所述高斯混合概率范围值为生物的颜色特征数据和形状特征数据的高斯混合概率，用数值范围表示。在获取到所述未知生物的高斯混合概率之后，能够在所述预先设置的概率范围适应规则中匹配到所述高斯混合概率所述的概率范围值。

步骤602：判断所述未知生物的高斯混合概率在所述概率范围适应规则中所属的概率范围值。

其中，所述步骤602的具体实现为：将所述未知生物的高斯混合概率在所述概率范围适应规则中的概率范围值进行一一匹配，从而得到与所述未知生物的高斯混合概率相对应的概率范围值。

步骤603：依据预设的概率类别对应规则，确定与所述未知生物的高斯混合概率所属的概率范围值相对应的生物类别，将确定的生物类别作为所述未知生物隶属的类别。

其中，在所述概率范围适应规则中的每个概率范围值具有一个生物类别与其相对应，由此，在确定所述未知生物的高斯混合概率所属的概率范围值之后，即可确定与所述未知生物所属的概率范围值相对应的生物类别，此时，该确定的生物类别即为所述未知生物隶属的类别，至此，实现本申请的目的。

由上述方案可知，本申请实施例五提供的一种生物检测方法，通过提取未知生物的颜色特征数据和形状特征数据，对该特征数据进行高斯混合概率计算，从而依据该未知生物的高斯混合概率值判定其在预设的概率范围适应规则中所属的概率范围值，由此确定与该概率范围值相对应的生物类别作为待识别的未知生物隶属的类别，相对于现有技术中只能依据生物的斑纹识别斑马或长颈鹿的方案，本申请能够广泛应用于多种生物的准确识别，尤其是对大熊猫等生物的准确识别。

参考图7，其示出了本申请实施例六提供的一种生物检测装置的结构示意图，所述装置包括：

特征数据提取单元701，用于提取待识别图像中未知生物的颜色特征数据及形状特征数据。

其中，所述提取颜色特征数据及形状特征数据是指：在所述待识别图像中提取所述未知生物的图像，并在所述未知生物的图像中提取颜色特征数据及形状特征数据。

混合概率计算单元702，用于计算所述颜色特征数据与所述形状特征数据的高斯混合概率。

需要说明的是，所述混合概率计算单元702与所述特征数据提取单元701相连接。

生物类别判断单元703与所述混合概率计算单元702相连接，用于判断所述高斯混合概率在预设的概率范围适应规则中所属的概率范围值，并确定与所述概率范围值相对应的生物类别作为所述未知生物隶属的类别。

需要说明的是，所述生物类别判断单元703与所述混合概率计算单元702相连接。

由上述方案可知，本申请实施例六提供的一种生物检测装置，通过提取未知生物的颜色特征数据和形状特征数据，对该特征数据进行高斯混合概率计算，从而依据该未知生物的高斯混合概率值判定其在预设的概率范围适应规则中所属的概率范围值，由此确定与该概率范围值相对应的生物类别作为待识别的未知生物隶属的类别，相对于现有技术中只能依据生物的斑纹识别斑马或长颈鹿的方案，本申请能够广泛应用于多种生物的准确识别，尤其是对大熊猫等生物的准确识别。

参考图8，其示出了本申请实施例七提供的一种生物检测装置的结构示意图，所述特征数据提取单元701包括：

第一特征提取子单元711，用于提取待识别图像中未知生物的图像数据，获取所述未知生物的图像数据的颜色空间矢量，将所述色调空间矢量、饱和度空间矢量和亮度空间矢量进行降维，并依据降维的色调空间矢量、饱和度空间矢量和亮度空间矢量及各自的量化级值，生成与所述未知生物相对应的一维特征矢量值；

其中，所述颜色空间矢量包括色调空间矢量、饱和度空间矢量和亮度空间矢量。

优选的，所述颜色特征数据包括与所述待识别图像中未知生物相对应的一维特征矢量值。在获取所述未知生物的颜色空间矢量时，需要首先在所述待识别图像中，提取所述未知生物的图像数据，用于后期矢量获取。

需要说明的是，根据光学原理：物体的颜色与光的波长和频率相关，不同的色光在真空中的波长和频率的范围不一样，一张彩色图像的色调空间矢量H由第0至第316个色调等级表示，饱和度空间矢量S由0至1的等级范围表示，亮度空间矢量由0至1的等级范围表示。

其中，由于一张彩色图像的颜色信息非常丰富，得到的颜色特征数据的直方图矢量的维数非常大，而人眼对颜色的分辨力有限，所以所述第一特征提取子单元711需要将颜色空间矢量进行量化：将颜色空间矢量划分成有限个子空间区域，将大致相近的颜色换分至同一个子空间区域，从而达到降维的目的。例如，在所述第一特征提取子单元711对大熊猫进行检测识别时进行降维的具体实现方式如下：

1、按照人眼的视觉分辨能力，把所述色调空间矢量H划分为8份，把所述饱和度空间矢量S划分为3份，把所述亮度空间矢量V划分为3份。

2、由上述可知，由光学原理：物体的颜色与光的波长和频率相关，不同的色光在真空中的波长和频率的范围不一样，因此将上述色调空间矢量H、饱和度空间矢量S和亮度空间矢量V各自的分量进行不等间隔量化，如下述公式：

$H=\left\{\begin{array}{cc}0& h\∈\left[\mathrm{316,20}\right]\\ 1& h\∈\left[\mathrm{21,40}\right]\\ 2& h\∈\left[\mathrm{41,75}\right]\\ 3& h\∈\left[\mathrm{76,155}\right]\\ 4& h\∈\left[\mathrm{156,190}\right]\\ 5& h\∈\left[\mathrm{191,270}\right]\\ 6& h\∈\left[\mathrm{217,295}\right]\\ 7& h\∈\left[\mathrm{296,315}\right]\end{array}\right.$ $S=\left\{\begin{array}{cc}0& s\∈\left[\mathrm{0,0.2}\right]\\ 1& s\∈\left[\mathrm{0.2,0.7}\right]\\ 2& s\∈[0.7,1]\end{array}\right.$ $V=\left\{\begin{array}{cc}0& v\∈\left[\mathrm{0,0.2}\right]\\ 1& v\∈\left[\mathrm{0.2,0.7}\right]\\ 2& v\∈\left[\mathrm{0.7,1}\right]\end{array}\right.$

例如：按照第2步中的量化过程的量化级，将上述3个空间矢量进行一维化：

G=HQ_SQ_V+SQ_V+V

其中，G为所述未知生物相对应的一维特征矢量值，Q_S为所述饱和度空间矢量S的量化级，Q_V为所述亮度空间矢量V的量化级。

取Q_S及Q_V分别为3，此时，上述公式为：

G＝9H+3S+V

由上述步骤203中所述色调空间矢量H、饱和度空间矢量S和亮度空间矢量V各自的不等间隔量化值可知，上述公式中的一维特征矢量值的数据值取值范围为[0，1，2.....71]。所述未知生物的一维特征矢量值可以由72柄的一维直方图进行表示，例如，如图3，为某一未知生物的一维特征矢量值。

需要说明的是，在获取到所述未知生物的颜色特征数据之后，所述方法还包括：

将所述未知生物的颜色特征数据进行保存。

由上述方案可知，本申请实施例七提供的一种生物检测装置，通过提取未知生物的颜色空间矢量，并对该颜色空间矢量进行量化进而得到该未知生物的颜色特征数据（一维特征矢量值），同时获取该未知生物的形状特征数据，对该特征数据进行高斯混合概率计算，从而依据该未知生物的高斯混合概率值判定其在预设的概率范围适应规则中所属的概率范围值，由此确定与该概率范围值相对应的生物类别作为待识别的未知生物隶属的类别，相对于现有技术中只能依据生物的斑纹识别斑马或长颈鹿的方案，本申请能够广泛应用于多种生物的准确识别，尤其是对大熊猫等生物的准确识别。

优选的，所述特征数据提取单元701中所述的形状特征数据包括与所述待识别图像中未知生物相对应的不变矩值。

参考图9，其示出了本申请实施例八提供的一种生物检测装置的结构示意图，其中，所述特征数据提取单元701包括：

第二特征提取子单元712，用于提取待识别图像中未知生物的图像数据，将所述未知生物的图像数据转换为灰度图像数据，提取所述灰度图像数据中每个像素点的灰度值，并依据所述每个像素点的灰度值确定所述待识别图像中未知生物的形状特征数据。

其中，在所述第二特征提取子单元712获取所述未知生物的形状特征数据之前，首先在所述待识别图像中，提取所述未知生物的图像数据。

优选的，所述形状特征数据包括与所述待识别图像中未知生物相对应的不变矩值。

需要说明的是，在所述第二特征提取子单元712进行提取所述未知生物的形状特征数据时，为提高所述形状特征数据提取的效率及准确性，需要将未知生物的图像数据进行灰度处理，此时，由于原待识别图像或所述未知生物的图像数据只是在颜色特征上发生了变化，并不影响所述未知生物的形状特征。

其中，由上述可知，所述形状特征数据包括图像的不变矩值，所述不变矩值所包含的7个矩阵具有RST不变形。此时，所述所述第二特征提取子单元712在提取所述灰度图像数据中每个像素点的灰度值，并依据所述每个像素点的灰度值确定所述待识别图像中未知生物的形状特征数据的具体实现可以包括以下步骤：；

1、设f(x,y)表示所述未知生物的图像数据中位于坐标（x，y）的像素点的灰度值，定义f(i,j)的p+q阶矩表示为：

$m_{\mathrm{pq}}=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{x}^p{y}^q$

由矩定义的中心目标表示为：

$\stackrel{\‾}{x}=\frac{m_{10}}{m_{00}}$ $\stackrel{\‾}{y}=\frac{m_{01}}{m_{00}}$

定义f(i,j)的p+q阶中心矩为：

${\mathrm{\μ}}_{\mathrm{pq}}=\underset{x}{\mathrm{\Σ}}\underset{y}{\mathrm{\Σ}}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^{q}f(x,y),$

将图像进行缩放，有： $\left\{\begin{array}{c}{x}^{\′}=\mathrm{\αx}\\ y^{\′}=\mathrm{\βy}\end{array}\right.$

图像f(αx,βy)的矩变为： ${\mathrm{\μ}}_{\mathrm{pq}}^{\′}=\frac{{\mathrm{\μ}}_{\mathrm{pq}}}{{\mathrm{\α}}^{p+q+2}},$

定义归一化的中心矩为： ${\mathrm{\η}}_{\mathrm{pq}}=\frac{{\mathrm{\μ}}_{\mathrm{pq}}}{{\mathrm{\μ}}_{00}^{\mathrm{\γ}}}$

其中r=(p+q)/2+1,p+q=2,3,...；

由归一化的二阶和三阶中心矩可得到以下7个对平移、旋转和尺度变换不变的矩：

φ₁=η₂₀+η₀₂

${\mathrm{\φ}}_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+{4\mathrm{\η}}_{11}^2$

φ₃=(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

φ₄=(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

φ₅=(η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+

                         (3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

φ₆=(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

φ₇=(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+

                         (3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

由上述方案可知，本申请实施例八提供的一种生物检测装置，通过提取未知生物的颜色特征数据（一维特征矢量值），同时获取该未知生物的灰度图像数据中的形状特征数据，对该特征数据进行高斯混合概率计算，从而依据该未知生物的高斯混合概率值判定其在预设的概率范围适应规则中所属的概率范围值，由此确定与该概率范围值相对应的生物类别作为待识别的未知生物隶属的类别，相对于现有技术中只能依据生物的斑纹识别斑马或长颈鹿的方案，本申请能够广泛应用于多种生物的准确识别，尤其是对大熊猫等生物的准确识别。

参考图10，其示出了本申请实施例八提供的一种生物检测装置的另一结构示意图，所述特征数据提取单元701还包括：

第一特征提取子单元711，用于提取待识别图像中未知生物的图像数据，获取所述未知生物的图像数据的颜色空间矢量，将所述色调空间矢量、饱和度空间矢量和亮度空间矢量进行降维，并依据降维的色调空间矢量、饱和度空间矢量和亮度空间矢量及各自的量化级值，生成与所述未知生物相对应的一维特征矢量值；

其中，所述颜色空间矢量包括色调空间矢量、饱和度空间矢量和亮度空间矢量。

需要说明的是，本申请实施例八中所述第一特征提取子单元711详细内容请参考本申请实施例七中所述的第一特征提取子单元711，在此不再详细描述。

参考图11，其示出了本申请实施例九提供的一种生物检测装置的结构示意图，所述混合概率计算单元702包括：

模型建立子单元721，用于获取预设的生物颜色特征及形状特征的高斯混合模型，所述高斯混合模型包括三个参数值，所述三个参数值分别为：混合加权值、均值向量值和协方差矩阵。

其中，所述高斯混合模型为至少一种生物的颜色特征数据和形状特征数据的高斯混合模型。在模型建立子单元721预先建立所述高斯混合模型时，需要对所述多种生物的关于颜色特征数据及形状特征数据的高斯混合模型参数进行获取。例如：在本申请实施例中预先设置大熊猫的高斯混合模型，该高斯混合模型中设置三个参数，这三个参数为大熊猫的颜色特征数据和形状特征数据的混合加权值、均值向量值和协方差矩阵。

所述高斯混合模型：

λ={c_i,u_i,∑_i}i＝I,L,M

其中，c_i为混合加权值，u_i为平均向量，∑_i为协方差矩阵，

中M为该高斯混合模型的阶数，上述三个参数的计算采用最大似然估计(maximumlikelihood estimation)。

设Ω₁,Ω₂,...,Ω_N是N个不同的类别，第i类别的Ω_i的训练样本为：

X_i1,X_i2,...,X_in,Ni,i＝1,2,3,...,N

假定每个样本类别出现的先验概率为相同的，对于给定的样本X，它所隶属的Ω_i的先验概率p(x|Ω_i)如下：

$p\left(x\right|{\mathrm{\Ω}}_i)={\mathrm{\Σ}}_{k-1}^M{c}_{\mathrm{ik}}{p}_{\mathrm{ik}}\left(x\right)$

式中：x-p维向量，且p_ik(x)=N(u_ik,∑_ik)，即为正态分布，高斯概率密度函数如下：

$p_{\mathrm{ik}}\left(x\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{\frac{p}{2}}{\left|{\mathrm{\Σ}}_i\right|}^{\frac{1}{2}}}\exp \{-\frac{1}{2}{(x-u_{\mathrm{ik}})}^T{\mathrm{\Σ}}_i^{-1}(x-u_{\mathrm{ik}})\}$

对于待识别图像中未知生物的颜色特征数据及形状特征数据置入上式中，即可得到所述未知生物的高斯混合概率值。

其中，上述建立高斯混合模型的过程中用到EM算法求解，所述EM算法实际上时一个反复迭代的过程，方法中将给出它在高斯混合模型的参数获取过程中的各个参数迭代公式及详细推导过程，包括初始参数的设定策略和加入迭代稳定判别公式。

1、用于有限混合分布的EM算法：

采用以下的概率模型：

$p\left(x\right|\mathrm{\Θ})=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\π}}_i{p}_i\left(x\right|{\mathrm{\θ}}_i)$

其中，参数Θ=(π₁,...,π_M,θ₁,...,θ_M)，且

每个p_i是一个以θ_i为参数的密度函数。假设有M个分量密度以M个混合系数π_i进行组合，此时，所述密度函数的不完备数据对数似然表达为：

$\log \left(L\left(\mathrm{\Θ}\right|X)\right)=\log \underset{i=1}{\overset{N}{\mathrm{\Π}}}p\left(x_i\right|\mathrm{\Θ})=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\log \left(\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\π}}_j{p}_j\left(x_i\right|{\mathrm{\θ}}_j)\right)$

通过假设隐含变量的存在，且对初始参数分布进行假设来获得边缘密度。

需要说明的是，用于有限混合分布的EM算法描述为：

E步：给定已观察数据X和当前参数估计，计算完备数据对数似然关于未知数据Y的期望Q(Θ,Θ^(g))=E[logp(X,Y|Θ)|X,Θ^(g)]

M步：对E步计算得到的期望值最大化，

分别对参数π和θ求偏导，令其为0，可以得到

其余参数的迭代公式要根据具体的分布求得。

2、EM算法求解高斯混合分部的迭代公式：

设从样本空间X中抽出N个观察样本构成观察样本的集合X＝{x₁,...,x_N},将这些样本分为M类(M相当于第二章中有限混合分布中分量的个数c)，用l来表示类的序号，各个类条件密度函数都符合正态分布，记各类的均值向量为μ₁，协方差矩阵为∑。每类的先验概率用π_l来表示，而后验概率和条件概率是和样本有关的，我们记后验概率为q_l(x_l)，条件概率为p_l(x_l)。这里的未知参数集合{π_l,μ_l,∑_l}，确定了这些参数，就能唯一确定有限混合分布密度函数的表达式，而后验概率和条件概率是迭代公式中所用的中间变量。后验概率为：

$q_l\left(x_l\right)=p\left(l\right|x_l,\mathrm{\Θ})=\frac{{\mathrm{\π}}_l{p}_l\left(x_l\right)}{\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\π}}_k{p}_k\left(x_l\right)}$

上式可转换为：

$Q(\mathrm{\Θ},{\mathrm{\Θ}}^{\left(g\right)})$

$=\underset{y\∈r}{\mathrm{\Σ}}\log \left(L\left(\mathrm{\Θ}\right|X,y)\right)p\left(y\right|X,{\mathrm{\Θ}}^{\left(g\right)})$

$=\underset{y\∈r}{\mathrm{\Σ}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\log \left({\mathrm{\π}}_{y_i}{p}_{y_i}\left(x_i\right|{\mathrm{\θ}}_{y_i})\right)\underset{j=1}{\overset{N}{\mathrm{\Π}}}p\left(y_j\right|x_j,{\mathrm{\Θ}}^{\left(g\right)})$

$=\underset{y_1=1}{\overset{M}{\mathrm{\Σ}}}\underset{y_{2=1}}{\overset{M}{\mathrm{\Σ}}}\·\·\·\underset{y_N=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\log \left({\mathrm{\π}}_{y_i}{p}_{y_i}\left(x_i\right|{\mathrm{\θ}}_{y_i})\right)\underset{j=1}{\overset{N}{\mathrm{\Π}}}p\left(y_j\right|x_j,{\mathrm{\Θ}}^{\left(g\right)})$

$=\underset{y_1=1}{\overset{M}{\mathrm{\Σ}}}\underset{y_{2=1}}{\overset{M}{\mathrm{\Σ}}}\·\·\·\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{y_N=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\δ}}_{l,y_i}\log \left({\mathrm{\πp}}_{y_i}\left(x_i\right|{\mathrm{\θ}}_{y_i})\right)\underset{j=1}{\overset{N}{\mathrm{\Π}}}p\left(y_i\right|x_j,{\mathrm{\Θ}}^{\left(g\right)})$

$=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\log \left({\mathrm{\π}}_l{p}_l\left(x_i\right|{\mathrm{\θ}}_l)\right)\underset{y_1=1}{\overset{M}{\mathrm{\Σ}}}\underset{y_2=1}{\overset{M}{\mathrm{\Σ}}}\·\·\·\underset{y_N=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\δ}}_{l,y_i}\underset{j=1}{\overset{N}{\mathrm{\Π}}}p\left(y_j\right|x_j,{\mathrm{\Θ}}^{\left(g\right)})$

此时，得到参数(π_i,μ_i,∑_i)的迭代更新公式为：

${\mathrm{\π}}_i^{\mathrm{new}}=\frac{1}{n}p\left(l\right|x_i,{\mathrm{\Θ}}^{\left(0\right)})$

${\mathrm{\μ}}_i^{\mathrm{new}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{i}p\left(l\right|x_i,{\mathrm{\Θ}}^{\left(0\right)})}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(l\right|x_i,{\mathrm{\Θ}}^{\left(0\right)})}$

${\mathrm{\Σ}}_i^{\mathrm{new}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_{i}p\left(l\right|x_i,{\mathrm{\Θ}}^{\left(0\right)})(x_i-{\mathrm{\μ}}_i^{\mathrm{new}}){(x_i-{\mathrm{\μ}}_i^{\mathrm{new}})}^T}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(l\right|x_i,{\mathrm{\Θ}}^{\left(0\right)})}$

由此，定义图像对象的模型。一个图像I可以表示为：

I=I(D,F,R)

其中，D为原始的未知生物的图像数据；F={f_i,i＝1,2,...,I}为此图像数据的底层特征，本申请中用到的特征为图像数据的颜色特征数据与图像的形状特征数据两个特征，因此，本申请中的I=2；R={r_ij，i＝1,2,...I,j=1,2,...,J}是某种给定的特征f_i的具体表达式通常是用矩阵或向量形式给出，可以写成如下形式：

r_ij=[r_iji,r_ij2,...,r_ijk]

图像模型I=I(D,F,R)和分类算法一起构成了高斯混合模型。

数据计算子单元722，用于将所述颜色特征数据与所述形状特征数据置入所述高斯混合模型，生成高斯混合概率值。

需要说明的是，所述数据计算子单元722与所述模型建立单元721相连接。

由上述方案可知，本申请实施例九提供的一种生物检测装置，通过提取未知生物的颜色特征数据（一维特征矢量值），同时获取该未知生物的灰度图像数据中的形状特征数据，获取高斯混合模型从而对该特征数据进行高斯混合概率计算，从而依据该未知生物的高斯混合概率值判定其在预设的概率范围适应规则中所属的概率范围值，由此确定与该概率范围值相对应的生物类别作为待识别的未知生物隶属的类别，相对于现有技术中只能依据生物的斑纹识别斑马或长颈鹿的方案，本申请能够广泛应用于多种生物的准确识别，尤其是对大熊猫等生物的准确识别。

参考图12，其示出了本申请实施例九提供的一种生物检测装置的另一结构示意图，其中，所述特征数据提取单元701包括：

第一特征提取子单元711，用于提取待识别图像中未知生物的图像数据，获取所述未知生物的图像数据的颜色空间矢量，将所述色调空间矢量、饱和度空间矢量和亮度空间矢量进行降维，并依据降维的色调空间矢量、饱和度空间矢量和亮度空间矢量及各自的量化级值，生成与所述未知生物相对应的一维特征矢量值；

其中，所述颜色空间矢量包括色调空间矢量、饱和度空间矢量和亮度空间矢量。

第二特征提取子单元712，用于提取待识别图像中未知生物的图像数据，将所述未知生物的图像数据转换为灰度图像数据，提取所述灰度图像数据中每个像素点的灰度值，并依据所述每个像素点的灰度值确定所述待识别图像中未知生物的形状特征数据。

需要说明的是，本申请实施例九中所述特征数据提取单元701的详细内容请参考本申请实施例八中所述的特征数据提取单元701，在此不再详细描述。

参考图13，其示出了本申请实施例十提供的一种生物检测装置的结构示意图，所述生物类别判定单元703包括：

规则设定子单元731，用于预先设置概率范围适应规则，所述概率范围适应规则包括生物的颜色特征与形状特征数据的高斯混合概率所属的概率范围值。

其中，所述概率范围适应规则为预先设置，其中包括至少一种生物的高斯混合概率范围值，所述高斯混合概率范围值为生物的颜色特征数据和形状特征数据的高斯混合概率，用数值范围表示。在所述混合概率计算单元702获取到所述未知生物的高斯混合概率之后，所述生物类别判断单元703能够在所述预先设置的概率范围适应规则中匹配到所述高斯混合概率所述的概率范围值。

范围确定子单元732，用于判断所述未知生物的高斯混合概率在所述概率范围适应规则中所属的概率范围值。

其中，所述范围确定子单元732具体用于：将所述未知生物的高斯混合概率在所述概率范围适应规则中的概率范围值进行一一匹配，从而得到与所述未知生物的高斯混合概率相对应的概率范围值。

需要说明的是，所述范围确定子单元732与所述规则设定子单元731相连接。

类别确定子单元733，用于依据预设的概率类别对应规则，确定与所述未知生物的高斯混合概率所属的概率范围值相对应的生物类别，将确定的生物类别作为所述未知生物隶属的类别。

需要说明的是，所述类别确定子单元733与所述范围确定子单元732相连接。

其中，在所述概率范围适应规则中的每个概率范围值具有一个生物类别与其相对应，由此，在所述范围确定子单元732确定所述未知生物的高斯混合概率所属的概率范围值之后，所述类别确定子单元733即可确定与所述未知生物所属的概率范围值相对应的生物类别，此时，该确定的生物类别即为所述未知生物隶属的类别，至此，实现本申请的目的。

由上述方案可知，本申请实施例十提供的一种生物检测装置，通过提取未知生物的颜色特征数据和形状特征数据，对该特征数据进行高斯混合概率计算，从而依据该未知生物的高斯混合概率值判定其在预设的概率范围适应规则中所属的概率范围值，由此确定与该概率范围值相对应的生物类别作为待识别的未知生物隶属的类别，相对于现有技术中只能依据生物的斑纹识别斑马或长颈鹿的方案，本申请能够广泛应用于多种生物的准确识别，尤其是对大熊猫等生物的准确识别。

参考图14，其示出了本申请实施例十提供的一种生物检测装置的另一结构示意图，其中，所述特征数据提取单元701包括：

第一特征提取子单元711，用于提取待识别图像中未知生物的图像数据，获取所述未知生物的图像数据的颜色空间矢量，将所述色调空间矢量、饱和度空间矢量和亮度空间矢量进行降维，并依据降维的色调空间矢量、饱和度空间矢量和亮度空间矢量及各自的量化级值，生成与所述未知生物相对应的一维特征矢量值；

其中，所述颜色空间矢量包括色调空间矢量、饱和度空间矢量和亮度空间矢量。

第二特征提取子单元712，用于提取待识别图像中未知生物的图像数据，将所述未知生物的图像数据转换为灰度图像数据，提取所述灰度图像数据中每个像素点的灰度值，并依据所述每个像素点的灰度值确定所述待识别图像中未知生物的形状特征数据。

需要说明的是，本申请实施例十中所述特征数据提取单元701的详细内容请参考本申请实施例八中所述的特征数据提取单元701，在此不再详细描述。

参考图15，其示出了本申请实施例十提供的一种生物检测装置的另一结构示意图，其中，所述混合概率计算单元702包括：

模型建立子单元721，用于获取预设的生物颜色特征及形状特征的高斯混合模型，所述高斯混合模型包括三个参数值，所述三个参数值分别为：混合加权值、均值向量值和协方差矩阵。

数据计算子单元722，用于将所述颜色特征数据与所述形状特征数据置入所述高斯混合模型，生成高斯混合概率值。

需要说明的是，本申请实施例十中所述的混合概率计算单元702的详细内容请参考本申请实施例九中所述的混合概率计算单元702，在此不再详细描述。

参考图16，其示出了本申请实施例十提供的一种生物检测装置的另一结构示意图，基于如图15所示的生物检测装置，所述特征数据提取单元701包括第一特征提取子单元711和第二特征提取子单元712。

本申请实施例十一还提供了一种生物检测器，包括如上述本申请实施例六至十任意一项所述的生物检测装置；

所述生物检测装置，用于提取待识别图像中未知生物的颜色特征数据及形状特征数据，计算所述颜色特征数据与所述形状特征数据的高斯混合概率，并判断所述高斯混合概率在预设的概率范围适应规则中所属的概率范围值，并确定与所述概率范围值相对应的生物类别作为所述未知生物隶属的类别。

所述生物检测装置的详细内容请参考本申请实施例六至十内的内容，在此不再详细描述。

例如：在采用本申请实施例提供的生物检测器进行疑似大熊猫类的生物检测时，首先对待识别图像中未知生物的颜色特征数据及形状特征数据进行提取，在得到上述特征数据后进行存储，以便于之后的概率计算。

其中，基于颜色直方图对图像颜色进行特征提取，如图3所示，为未知生物的颜色直方图，即由该颜色直方图表示的颜色特征数据的一维特征矢量值。

为便于理解，如图17所示，为采用本申请实施例提取到的小熊猫的颜色直方图，如图18所示，为采用本申请实施例提取到的北极熊的颜色直方图，如图19所示，为采用本申请实施例提取到的大熊猫的颜色直方图，可以与图3中提取到的未知生物的颜色直方图进行比对，明显看出图19与图3的生物是相对应近似的生物。

其中，对未知生物的图像数据的形状特征数据进行提取时，与颜色特征数据的提取独立。为提高形状特征数据的提取效率，将未知生物的彩色图像转换为灰度图像，由于仅仅是颜色特征发生了改变，所以将彩色图像转换为灰度图像进而得到的形状特征数据不受影响。例如：将图20中多个未知生物的形状特征数据进行提取之后得到该多个未知生物各自的不变矩值，如表1所示：

表1多个未知生物的不变矩值

其次，获取预先设置的高斯混合模型，该高斯混合模型是关于颜色特征数据和形状特征数据的高斯混合模型，包括三个参数：混合加权值、平均向量值和协方差矩阵。例如：该高斯混合模型为大熊猫的高斯混合模型。将疑似大熊猫的未知生物颜色特征数据和形状特征数据置入所述高斯混合模型内，得到所述未知生物的高斯混合概率值。

最后，对所述未知生物的高斯混合概率值进行判断，得到所述未知生物隶属的类别。具体实现方式为：判断所述高斯混合概率值所述的概率范围值，确定所述概率范围值对应的生物类别，从而将所述概率范围值对应的生物类别作为所述未知生物隶属的类别。

由上述可知，本申请实施例提供的一种生物检测生物检测器，通过提取未知生物的颜色特征数据和形状特征数据，对该特征数据进行高斯混合概率计算，从而依据该未知生物的高斯混合概率值判定其在预设的概率范围适应规则中所属的概率范围值，由此确定与该概率范围值相对应的生物类别作为待识别的未知生物隶属的类别，相对于现有技术中只能依据生物的斑纹识别斑马或长颈鹿的方案，本申请能够广泛应用于多种生物的准确识别，尤其是对大熊猫等生物的准确识别。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置或系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上为对本申请所提供的一种生物检测方法、装置及生物检测器进行了详细描述，对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (13)

1.一种生物检测方法，其特征在于，包括：

提取待识别图像中未知生物的颜色特征数据及形状特征数据；

计算所述颜色特征数据与所述形状特征数据的高斯混合概率；

判断所述高斯混合概率在预设的概率范围适应规则中所属的概率范围值，并确定与所述概率范围值相对应的生物类别作为所述未知生物隶属的类别。

2.根据权利要求1所述的方法，其特征在于，所述颜色特征数据包括与所述待识别图像中未知生物相对应的一维特征矢量值；

所述提取待识别图像中未知生物的颜色特征数据包括：

提取待识别图像中未知生物的图像数据；

获取所述未知生物的图像数据的颜色空间矢量；

其中，所述颜色空间矢量包括色调空间矢量、饱和度空间矢量和亮度空间矢量；

将所述色调空间矢量、饱和度空间矢量和亮度空间矢量进行降维；

依据降维的色调空间矢量、饱和度空间矢量和亮度空间矢量及各自的量化级值，生成与所述未知生物相对应的一维特征矢量值。

3.根据权利要求1所述的方法，其特征在于，所述形状特征数据包括与所述待识别图像中未知生物相对应的不变矩值。

4.根据权利要求1所述的方法，其特征在于，所述提取待识别图像中未知生物的形状特征数据包括：

提取待识别图像中未知生物的图像数据；

将所述未知生物的图像数据转换为灰度图像数据；

提取所述灰度图像数据中每个像素点的灰度值；

依据所述每个像素点的灰度值确定所述待识别图像中未知生物的形状特征数据。

5.根据权利要求1所述的方法，其特征在于，所述计算所述颜色特征数据与所述形状特征数据的高斯混合概率包括：

获取预设的生物颜色特征及形状特征的高斯混合模型，所述高斯混合模型包括三个参数值，所述三个参数值分别为：混合加权值、均值向量值和协方差矩阵；

将所述颜色特征数据与所述形状特征数据置入所述高斯混合模型，生成高斯混合概率值。

6.根据权利要求1所述的方法，其特征在于，所述判断所述高斯混合概率在预设的概率范围适应规则中所属概率范围值，并确定与所述概率范围值相对应的生物类别作为所述未知生物隶属的类别包括：

预先设置概率范围适应规则，所述概率范围适应规则包括生物的颜色特征与形状特征数据的高斯混合概率所属的概率范围值；

判断所述未知生物的高斯混合概率在所述概率范围适应规则中所属的概率范围值；

依据预设的概率类别对应规则，确定与所述未知生物的高斯混合概率所属的概率范围值相对应的生物类别；

将确定的生物类别作为所述未知生物隶属的类别。

7.一种生物检测装置，其特征在于，包括：

特征数据提取单元，用于提取待识别图像中未知生物的颜色特征数据及形状特征数据；

混合概率计算单元，用于计算所述颜色特征数据与所述形状特征数据的高斯混合概率；

生物类别判断单元，用于判断所述高斯混合概率在预设的概率范围适应规则中所属的概率范围值，并确定与所述概率范围值相对应的生物类别作为所述未知生物隶属的类别。

8.根据权利要求7所述的装置，其特征在于，所述颜色特征数据包括与所述待识别图形中未知生物相对应的一维特征矢量值；

所述特征数据提取单元包括：

第一特征提取子单元，用于提取待识别图像中未知生物的图像数据，获取所述未知生物的图像数据的颜色空间矢量，将所述色调空间矢量、饱和度空间矢量和亮度空间矢量进行降维，并依据降维的色调空间矢量、饱和度空间矢量和亮度空间矢量及各自的量化级值，生成与所述未知生物相对应的一维特征矢量值；

其中，所述颜色空间矢量包括色调空间矢量、饱和度空间矢量和亮度空间矢量。

9.根据权利要求7所述的装置，其特征在于，所述形状特征数据包括与所述待识别图像中未知生物相对应的不变矩值。

10.根据权利要求7所述的装置，其特征在于，所述特征数据提取单元包括：

第二特征提取子单元，用于提取待识别图像中未知生物的图像数据，将所述未知生物的图像数据转换为灰度图像数据，提取所述灰度图像数据中每个像素点的灰度值，并依据所述每个像素点的灰度值确定所述待识别图像中未知生物的形状特征数据。

11.根据权利要求7所述的装置，其特征在于，所述混合概率计算单元包括：

模型建立子单元，用于获取预设的生物颜色特征及形状特征的高斯混合模型，所述高斯混合模型包括三个参数值，所述三个参数值分别为：混合加权值、均值向量值和协方差矩阵；

数据计算子单元，用于将所述颜色特征数据与所述形状特征数据置入所述高斯混合模型，生成高斯混合概率值。

12.根据权利要求7所述的装置，其特征在于，所述生物类别判定单元包括：

规则设定子单元，用于预先设置概率范围适应规则，所述概率范围适应规则包括生物的颜色特征与形状特征数据的高斯混合概率所属的概率范围值；

范围确定子单元，用于判断所述未知生物的高斯混合概率在所述概率范围适应规则中所属的概率范围值；

类别确定子单元，用于依据预设的概率类别对应规则，确定与所述未知生物的高斯混合概率所属的概率范围值相对应的生物类别，将确定的生物类别作为所述未知生物隶属的类别。

13.一种生物检测器，其特征在于，包括如权利要求7至12任意一项所述的生物检测装置。

Images