CN103400146A - 基于颜色建模的中医面色识别方法 - Google Patents

Abstract

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。

Description

基于颜色建模的中医面色识别方法

技术领域

本发明属于医学图像处理领域，是将计算机技术、图像处理技术、模式识别等技术相结合，实现中医面色特征的自动提取，并给出面色的识别结果。该过程对输入的人体面部图像进行自动分析，采用模糊支持向量机进行面色识别，最终判断所输入图像的面色归属。

背景技术

中医学认为，人体是一个有机的整体，面部犹如反映人体生理病理的一面镜子，望五官神色变化，可直接诊察脏腑病变。根据中医理论，人脸面色有青、赤、黄、白、黑及常色几种分类，青黑多主痛证，黄赤多热证，白多主寒证。可见，人脸面色的变换，可以反映人体健康状况。而传统的色诊都是依靠医生的主观判断得出结论，受病人所处环境、精神状态、医生的经验和主观因素等影响，主观依赖性强。受许多条件的限制，长期以来中医难以精确记录和保存面诊资料，这给临床、教学、科研带来很多不便。

目前的面色识别研究也都依赖于医生的标注，难免存在偏差，在样本集中引入噪声点，因此样本集存在一定的模糊性。

发明内容

本发明旨在解决中医诊疗过程中存在的非客观因素干扰的问题，以及解决中医面诊存在的模糊性问题，为此，本发明将模糊支持向量机应用到中医面色识别中，提出了一种基于颜色建模的模糊隶属度计算方法，为中医面色识别提供定量化依据。通过给噪声样本赋予更小的模糊隶属度，可以降低噪声样本对分离器的贡献，从而得到更优的分类结果，提高识别率。

首先通过对典型样本集中每类样本的颜色直方图特征进行建模，得到每类样本的模型通式中的参数，并计算各类典型样本中各个样本的模型综合变形度α和模型相似度β。选取各类典型样本中α和β的最大值，即α_max,β_max，作为各类典型样本的判定阈值。其中典型样本集是由中医大夫根据中医原理挑选的皮肤块，皮肤块中不包含斑痘等特征点。然后对不满足各类判定阈值条件的样本，赋予很小的类别归属因子，从而实现排除噪声干扰的目的。通过提取样本的色差特征，并根据构建的模糊支持向量机，可以对面色进行分类。技术方案流程图，如图1所示。

本发明的技术方案如下：

首先进行面象的采集

本发明所需照片是以面部为主的照片，头发隆起，耳朵露出，姿势端正，在光源稳定的环境下进行采集。采集的面象通过USB接口输入到计算机处理器中。目前，我们所采集的样本面象都是黄种人，所以该发明主要是面向黄色人种进行面色识别。采集的人脸面象由中医大夫进行面色标定。

然后进行面诊皮肤块的分割

根据中医理论，人脸区域在中医领域被分成了五个部分，如图2所示，每个部分对应了不同的内脏，并且内脏的病变可以改变人脸对应区域的颜色的变化。因此，从人脸面部分割得到的皮肤块，可以较好得反映人体的身体状况。由于目前的分割方法，都不能达到100%的正确率，因此本发明采用手动分割的方法，从人脸上得到相应区域的皮肤块，皮肤块大小为m×n。将中医大夫对人脸面象的标定结果，作为分割得到的各皮肤块的类别，并构成数据集。

面诊皮肤块分割完成之后传输至计算机中进行面色识别工作。具体技术方案如下：

1.中医面色特征提取

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。本发明将每个皮肤块样本的全部像素点的颜色值读入进行处理，将Lab颜色空间的色差特征作为特征向量。Lab空间常用的色差特征除了三通道的均值

外，还包括色饱和度均值色调角均值

色差均值

和色相差均值

可由下列公式计算。

$\stackrel{\‾}{L}=\frac{1}{m\×n}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{L}_{\mathrm{ij}}---\left(1\right)$

$\stackrel{\‾}{a}=\frac{1}{m\×n}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}---\left(2\right)$

$\stackrel{\‾}{b}=\frac{1}{m\×n}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{b}_{\mathrm{ij}}---\left(3\right)$

$\stackrel{\‾}{C}=\frac{1}{m\×n}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\sqrt{{\left(a_{\mathrm{ij}}\right)}^2+{\left(b_{\mathrm{ij}}\right)}^2}---\left(4\right)$

$\stackrel{\‾}{\mathrm{Ag}}=\frac{1}{m\×n}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\[\frac{180}{\mathrm{\π}}\arctan \left(\frac{b_{\mathrm{ij}}}{a_{\mathrm{ij}}}\right)\]---\left(5\right)$

$\stackrel{\‾}{E}=\frac{1}{m\×n}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\sqrt{{(L_{\mathrm{ij}}-\stackrel{\‾}{L})}^2+{(a_{\mathrm{ij}}-\stackrel{\‾}{a})}^2+{(b_{\mathrm{ij}}-\stackrel{\‾}{b})}^2}---\left(6\right)$

$\stackrel{\‾}{\mathrm{\ΔH}}=\frac{1}{m\×n}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\sqrt{{(E_{\mathrm{ij}}-\stackrel{\‾}{E})}^2+{(L_{\mathrm{ij}}-\stackrel{\‾}{L})}^2+{(C_{\mathrm{ij}}-\stackrel{\‾}{C})}^2}---\left(7\right)$

其中，m、n分别表示样本图像的宽和高，

L_ij表示当前样本图像中第i行第j列像素点的L值，

a_ij表示当前样本图像中第i行第j列像素点的a值，

b_ij表示当前样本图像中第i行第j列像素点的b值，

$E_{\mathrm{ij}}=\sqrt{{(L_{\mathrm{ij}}-\stackrel{\‾}{L})}^2+{(a_{\mathrm{ij}}-\stackrel{\‾}{a})}^2+{(b_{\mathrm{ij}}-\stackrel{\‾}{b})}^2},$ 表示当前样本图像中第i行第j列像素点的E值，

表示当前样本图像中第i行第j列像素点的C值。

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：

$\stackrel{\‾}{x_j}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_{\mathrm{ij}},i=\mathrm{1,2},\·\·\·\·\·\·N,j=\{\mathrm{0,1,2,3},\}$

第j类典型样本的最大半径计算公式如下：

$r_j=\max \left|\right|x_{\mathrm{ij}}\stackrel{\‾}{x_j}\left|\right|,i=\mathrm{1,2},\·\·\·,N,$

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；

2.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：

（2.1）颜色直方图提取

首先我们对各类典型面色样本进行建模。由于彩色图像在RGB颜色空间是由三个分量组成的，本发明中分别提取三个分量的直方图，并将其合成一维向量。首先需要量化颜色空间，我们采用均匀量化方法，将颜色空间量化为h种颜色，通过统计图像中每种颜色的出现频度得到颜色直方图，即

$Q_1=\left(\frac{n_l}{n}\right),l=\mathrm{1,2},\·\·\·h,Q=R,G,B---\left(8\right)$

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；

本发明中，将三个通道的直方图按R、G、B的顺序排成一列，用一组向量表示，这组向量具有统一的排列规律，统一的取值规则和统一的量纲，那么每个样本就可以表示为一组向量，即典型面色样本的建模特征v，v的维数为3h，

v＝[R₁,R₂...,R_h,G₁,G₂...,G_h,B₁,B₂...?,B_h]^T    (9)

（2.2）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：

${\stackrel{\‾}{v}}_j=\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}$

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：

$C_j=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(v_{\mathrm{ij}}-\stackrel{\‾}{v_j}){(v_{\mathrm{ij}}-\stackrel{\‾}{v_j})}^T$

C_j是用于表征典型样本集中每个样本的建模特征与每类典型样本建模特征均值相关性的统计量。

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，即从矩阵c_j的3h个特征值中选取t个，满足以下条件：

其中，0<threshold<1；

单位特征向量能够解释形状模型在变化过程中的主要成分和因素，通过求解最大的几个特征值，就可以知道每类典型样本所构建的模型中最有可能发生的变化。

（2.3）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：

${\mathrm{\&alpha;}}_{\mathrm{ij}}=\mathrm{sum}(b_{\mathrm{kj}}^2/{\mathrm{\&lambda;}}_{\mathrm{kj}})$

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；

（2.4）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：

${\mathrm{\&beta;}}_{\mathrm{ij}}=\mathrm{sum}\left(\right|\widehat{v_{\mathrm{ij}}}-v_{\mathrm{ij}}\left|\right)/3h$

其中， $\widehat{v_{\mathrm{ij}}}={\stackrel{\&OverBar;}{v}}_j+P_j{b}_j$

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；

（2.5）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；

3.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：

$\mathrm{\&mu;}\left(X_{\mathrm{ij}}\right)=\frac{d\left(X_{\mathrm{ij}}\right)}{\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}d\left(X_{\mathrm{ij}}\right)}$

其中

$d\left(X_{\mathrm{ij}}\right)=1-\frac{\left|\right|X_{\mathrm{ij}}-\stackrel{\&OverBar;}{x_j}\left|\right|}{r_j}+\mathrm{\&delta;}$

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；

在本发明中，我们除了考虑样本与所属类的隶属关系，还计算了该样本到其它类中心的距离，将该类与所属类的相对距离作为隶属度的考量。不同于现有基于距离的隶属度计算方法，我们不是将所有训练样本的均值作为类中心，而是将典型样本的均值作为类中心。

由于典型样本集中的样本是经过严格筛选，是四类面色的典型代表，因此将其作为参考来计算μ(X_ij)，μ(X_ij)用于表征训练样本属于某一类的程度。

4.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；

α用于表征模型某个主成分对应权值的改变，所导致的模型变化程度。β用于表征当前样本图片的颜色分布，与套用某已知面色模型后计算得到的颜色分布，这两种颜色分布的偏离程度，因此当α_ij<α_jmax且β_ij<β_jmax时，表征当前样本图片属于j类面色类别。

5.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)

在本发明中，将S(X_ij)作为样本的最终隶属度。通过对不满足类别判定阈值条件的样本，赋予很小的类别归属因子，从而实现排除噪声干扰的目的。模糊隶属度的计算流程如图3所示。

6.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；

目前，基于支持向量机的中医面色识别都是将所有样本统一对待的，但是由于中医诊断过程存在大量的模糊信息，会造成支持向量机得到的分类面并非真正的最优分类面。本发明将对模糊支持向量机引入到面色识别中，通过提高有效训练样本的权值，提高中医面色的识别率。

在模糊支持向量机中，除了样本的特征与类属性标识外，每个样本都增加了一个模糊隶属度S(X_ij)，来表示样本对类别的从属程度。

7.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。

从皮肤块数据集中选择600幅标注的皮肤块，其中400幅用于训练FSVM分类器，200幅用于交叉测试。将训练样本整理成FSVM要求的格式作为输入，将各个面色类别作为输出。通过训练，可以获得分类模型。当将测试样本集输入分类器时，即可获得相应的识别结果，计算识别准确率。

有益效果

本发明通过利用现代计算机科技中的图像处理技术和模式识别技术，自动识别人脸面色，一方面可以为中医色诊提供定量化方法，便于中医理论的客观化研究；另一方面还可以为以后一些疾病的自动诊断和分类系统、人体健康自动分析系统打下基础，提供必要的技术支持。

附图说明

图1本发明流程框图；

图2中医面部区域划分；

图3基于颜色建模的模糊隶属度计算流程图；

具体实施方式

根据上述的描述，以下是一个具体的实施流程，但本专利所保护的范围并不限于该实施流程，流程框图如附图1所示。具体实施过程如下：面象的采集

本发明所采用的是北京工业大学SIPL实验室舌象仪的采集环境：

(1)选用国际照明委员会（CIE）推荐使用的代表日光的标准光源D65；

(2)显色指数为84～95，色温为6500K；

(3)照明光源的几何条件按照CIE推荐的45/0（照明/观测）安排光路；

(4)图像采集设备的彩色深度为24bit，白平衡为日光类型。

我们所采集的样本面象都是黄种人，所以该发明主要是面向黄色人种进行面色识别。由于采集对象主要面向学生，属于亚健康群体，因此面色偏白、偏红、偏黄以及健康样本较多。因此，本发明中，采集的样本由中医专家标定，选取面色属于{白、红、黄、常色}的样本。

面诊皮肤块的分割

对采集的样本库，用手动分割方法提取两颊区域皮肤块。首先，选择一幅图片，在左、右两颊区域上分别选取坐标点，程序会自动圈出96×96大小的皮肤块，并保存到相应目录下。

针对目前本发明采集的样本库状况，很多样本受刘海，胡须，鼻头汗液的干扰，会使如图2中分割产生的一部分额头区域、鼻头区域和下巴区域的皮肤块不能用于实验。由于两颊区域受到的干扰较少，而且两颊的血管丰富，血流量大，血管容积比较大，所以我们将人脸两颊区域作为研究对象。对采集的样本手动确定皮肤块中心，皮肤块提取大小为96×96。将中医大夫对人脸面象的标定结果，作为分割得到的各皮肤块的类别，并构成数据集。

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，具体过程如下：

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。本发明将每个皮肤块样本的全部像素点的颜色值读入进行处理，将Lab颜色空间的色差特征作为特征向量。本发明分割得到的皮肤块大小为96*96，因此输入图片的宽和高都为96。Lab空间常用的颜色特征除了三通道的均值外，还包括色饱和度色调角

色差

和色相差

可由下列公式计算。

$\stackrel{\&OverBar;}{L}=\frac{1}{96\&times;96}\underset{i=1}{\overset{96}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{96}{\mathrm{\&Sigma;}}}{L}_{\mathrm{ij}}---\left(1\right)$

$\stackrel{\&OverBar;}{a}=\frac{1}{96\&times;96}\underset{i=1}{\overset{96}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{96}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}---\left(2\right)$

$\stackrel{\&OverBar;}{b}=\frac{1}{96\&times;96}\underset{i=1}{\overset{96}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{96}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ij}}---\left(3\right)$

$\stackrel{\&OverBar;}{C}=\frac{1}{96\&times;96}\underset{i=1}{\overset{96}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{96}{\mathrm{\&Sigma;}}}\sqrt{{\left(a_{\mathrm{ij}}\right)}^2+{\left(b_{\mathrm{ij}}\right)}^2}---\left(4\right)$

$\stackrel{\&OverBar;}{\mathrm{Ag}}=\frac{1}{96\&times;96}\underset{i=1}{\overset{96}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{96}{\mathrm{\&Sigma;}}}\&lsqb;\frac{180}{\mathrm{\&pi;}}\arctan \left(\frac{b_{\mathrm{ij}}}{a_{\mathrm{ij}}}\right)\&rsqb;---\left(5\right)$

$\stackrel{\&OverBar;}{\mathrm{\&Delta;E}}=\frac{1}{96\&times;96}\underset{i=1}{\overset{96}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{96}{\mathrm{\&Sigma;}}}\sqrt{{(L_{\mathrm{ij}}-\stackrel{\&OverBar;}{L})}^2+{(a_{\mathrm{ij}}-\stackrel{\&OverBar;}{a})}^2+{(b_{\mathrm{ij}}-\stackrel{\&OverBar;}{b})}^2}---\left(6\right)$

$\stackrel{\&OverBar;}{\mathrm{\&Delta;H}}=\frac{1}{96\&times;96}\underset{i=1}{\overset{96}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{96}{\mathrm{\&Sigma;}}}\sqrt{{(E_{\mathrm{ij}}-\stackrel{\&OverBar;}{E})}^2+{(L_{\mathrm{ij}}-\stackrel{\&OverBar;}{L})}^2+{(C_{\mathrm{ij}}-\stackrel{\&OverBar;}{C})}^2}---\left(7\right)$

其中，L_ij表示当前样本图像中第i行第j列像素点的L值，

a_ij表示当前样本图像中第i行第j列像素点的a值，

b_ij表示当前样本图像中第i行第j列像素点的b值，

$E_{\mathrm{ij}}=\sqrt{{(L_{\mathrm{ij}}-\stackrel{\&OverBar;}{L})}^2+{(a_{\mathrm{ij}}-\stackrel{\&OverBar;}{a})}^2+{(b_{\mathrm{ij}}-\stackrel{\&OverBar;}{b})}^2},$ 表示当前样本图像中第i行第j列像素点的E值，

表示当前样本图像中第i行第j列像素点的C值。

2.本发明从专家标定的样本皮肤中，为各类挑选40幅典型样本，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：

$\stackrel{\&OverBar;}{x_j}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ij}},i=\mathrm{1,2},...40,$

j={0,1,2,3}即{面色白、面色红、面色红、面色常色}

第j类典型样本的最大半径计算公式如下：

$r_j=\max \left|\right|x_{\mathrm{ij}}\stackrel{\&OverBar;}{x_j}\left|\right|,i=\mathrm{1,2},...,40,$

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256级，提取三个分量的颜色直方图，即

$Q_1=\left(\frac{n_l}{n}\right),l=\mathrm{1,2},...256,Q=R,G,B$

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3*256，：

v＝[R₁,R₂...,R₂₅₆,G₁,G₂...,G₂₅₆,B₁,B₂...,B₂₅₆]^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：

${\stackrel{\&OverBar;}{v}}_j=\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{v}_{\mathrm{ij}}$

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，N＝40。

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：

$C_j=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(v_{\mathrm{ij}}-\stackrel{\&OverBar;}{v_j}){(v_{\mathrm{ij}}-{\stackrel{\&OverBar;}{v}}_j)}^T$

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；

此实施例中t=3；

（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：

${\mathrm{\&alpha;}}_{\mathrm{ij}}=\mathrm{sum}(b_{\mathrm{kj}}^2/{\mathrm{\&lambda;}}_{\mathrm{kj}})$

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,…40；

（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：

${\mathrm{\&beta;}}_{\mathrm{ij}}=\mathrm{sum}\left(\right|\widehat{v_{\mathrm{ij}}}-v_{\mathrm{ij}}\left|\right)/3*256$

其中， $\widehat{v_{\mathrm{ij}}}={\stackrel{\&OverBar;}{v}}_j+P_j{b}_j$

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：

$\mathrm{\&mu;}\left(X_{\mathrm{ij}}\right)=\frac{d\left(X_{\mathrm{ij}}\right)}{\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}d\left(X_{\mathrm{ij}}\right)}$

其中

$d\left(X_{\mathrm{ij}}\right)=1-\frac{\left|\right|X_{\mathrm{ij}}-\stackrel{\&OverBar;}{x_j}\left|\right|}{r_j}+\mathrm{\&delta;}$

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)

在本发明中，将S(X_ij)作为样本的最终隶属度。通过对不满足类别判定阈值条件的样本，赋予很小的类别归属因子，从而实现排除噪声干扰的目的。模糊隶属度的计算流程如图3所示。

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；

从数据库中选择选取600幅标注的皮肤块，其中400幅用于训练模糊支持向量机，200幅用于交叉测试，本发明采用LIBSVM中带有权值的libsvm-weight工具箱来对面色进行识别归类。选用多项式核函数，采用网格搜索法确定最优参数，使用“一对一”方法建立多类分类模型。在本发明中，输出结果为四类中的一种：{白、红、黄、常色}，分别用{0,1,2,3}表示。当将测试样本集输入分类器时，即可获得相应的识别结果，计算识别准确率，本发明的识别准确率为82%左右。

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。

Claims (1)

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：

$x=\{\stackrel{\&OverBar;}{L},\stackrel{\&OverBar;}{a},\stackrel{\&OverBar;}{b},\stackrel{\&OverBar;}{\mathrm{Ag}},\stackrel{\&OverBar;}{C},\stackrel{\&OverBar;}{\mathrm{\&Delta;E}},\stackrel{\&OverBar;}{\mathrm{\&Delta;H}}\}$

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：

$\stackrel{\&OverBar;}{x_j}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_{\mathrm{ij}},i=\mathrm{1,2},......N,j=\left\{\mathrm{0,1,2,3}\right\}$

第j类典型样本的最大半径计算公式如下：

$r_j=\max \left|\right|x_{\mathrm{ij}}-\stackrel{\&OverBar;}{x_j}\left|\right|,i=\mathrm{1,2},...,N,$

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：

${\stackrel{\&OverBar;}{v}}_j=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{v}_{\mathrm{ij}}$

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：

$c_j=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(v_{\mathrm{ij}}-\stackrel{\&OverBar;}{v_j}){(v_{\mathrm{ij}}-{\stackrel{\&OverBar;}{v}}_j)}^T$

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：

${\mathrm{\&alpha;}}_{\mathrm{ij}}=\mathrm{sum}(b_{\mathrm{kj}}^2/{\mathrm{\&lambda;}}_{\mathrm{kj}})$

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：

${\mathrm{\&beta;}}_{\mathrm{ij}}=\mathrm{sum}\left(\right|\widehat{v_{\mathrm{ij}}}-v_{\mathrm{ij}}\left|\right)/3h$

其中， $\widehat{v_{\mathrm{ij}}}={\stackrel{\&OverBar;}{v}}_j+P_j{b}_j$

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：

$\mathrm{\&mu;}\left(X_{\mathrm{ij}}\right)=\frac{d\left(X_{\mathrm{ij}}\right)}{\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}d\left(X_{\mathrm{ij}}\right)}$

其中

$d\left(X_{\mathrm{ij}}\right)=1-\frac{\left|\right|X_{\mathrm{ij}}-\stackrel{\&OverBar;}{x_j}\left|\right|}{r_j}+\mathrm{\&delta;}$

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。

Images