CN113343934A - 一种基于局部图像差异分析的手部饰品检测方法 - Google Patents
一种基于局部图像差异分析的手部饰品检测方法 Download PDFInfo
- Publication number
- CN113343934A CN113343934A CN202110794568.5A CN202110794568A CN113343934A CN 113343934 A CN113343934 A CN 113343934A CN 202110794568 A CN202110794568 A CN 202110794568A CN 113343934 A CN113343934 A CN 113343934A
- Authority
- CN
- China
- Prior art keywords
- hand
- extraction
- difference analysis
- dlbp
- texture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 210000000707 wrist Anatomy 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 210000004247 hand Anatomy 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000007796 conventional method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims 2
- 238000009792 diffusion process Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本文提出了一种基于局部图像差异分析的手部饰品检测方法。本文使用的前景提取方法是区域生长技术，利用种子同质扩散的方式进行手部提取，随后对已经提取到的手部进行基于手腕的完整性验证，如果完整则进行局部差异分析，如果不完整则重新提取手部。局部差异分析主要通过对已有的LBP纹理提取算子进行针对手部适应性改进为DLBP算法，提取手部纹理特征，分别使用传统纹理直接对比与机器学习分类两种方法进行比较，得到更适合检测手部饰品的方法。
Description
技术领域
本发明主要涉及图像处理技术，具体涉及一种基于局部图像差异分析的手部饰品检测方法。
背景技术
近些年来，随着“智慧城市”“智慧厨房”等概念层出不穷，一方面反映了人们对科技进步的需求更胜从前；另一方面，关于手部的研究也随之有了新的发展进程。如今，智慧厨房的建设也是一个热点，缘由在于人们迫切的想要将最新的技术融入到自己的日常生活中，希望自己的生活“高科技”。智慧厨房的设计概念及物化实施过程中包含五个原则，分别是厨房设施智能化、操作人性化、低碳化、交流平台开放化、餐厨一体化。而关于设施智能化最为重要的设施可能就是晨检仪了，晨检仪就是检测厨师手部是否合格的智能设备，将手部内容的检测算法与晨检仪结合在一起才能实现其目的。但是纵观国内外，对于手部的研究无非就是手势的识别与关键点的检测，而对于我们手部内容的研究少之又少。因此在这种相对比较窘迫的情势下，手部彩色图像内容检测技术就显得意义重大。
手部内容检测一个重要的部分是对手部佩戴饰品的检测，戒指、手镯、手表，无论是男士还是女士，手饰的佩戴是非常常见的情况。要实现对于手部饰品的检测，饰品可大可小，质地差异可同可异，因此可以使用差异分析的方式来进行检测，而饰品是否可以检测到，最重要的一步是要提取到准确且完整的手部，这个直接影响到饰品的完整跟检测。
起初对于手部方面的研究是比较欠缺的，所以很多研究是参照脸部研究的，于是比较早的提取人手的算法是基于肤色的方法，将图像的颜色空间从RGB转换到YCrCb，然后进行Cr、Cb范围的肤色过滤；同期还有学者提出一种在肤色前提下基于手掌定位的手部自动检测算法，引入了多边形的概念；依靠肤色往往提取的不够准确，因此后期有人提出基于手部比较明显的关节特征，手腕，来进行局部最小值检测手腕位置进行手部定位从而将手部提取，并加入了手部的验证算法，使其更加完整与合理。
发明内容
本发明的目的在于提出一种基于局部图像差异分析的手部饰品检测方法，以达到在复杂背景下的手部图像可以检测到是否有饰品存在。在该发明中，这个实现过程都是由计算机自动完成的，用户只需要输入目标图像，就可让计算机自动分析，便可以获得是否有饰品的结果。
本发明的技术方案如下：
步骤S1，使用区域生长技术对原图像进行手部提取，获得手部提取图。
区域生长技术在该方法中也称作皮肤种子技术，主要是以皮肤像素为种子来得到手部区域并进行提取。
步骤S2，对步骤S1获得的手部提取图进行完整性验证，如果手部完整就进入下一个步骤，如果不完整就返回步骤S1重新进行手部提取。
完整性验证技术实质上仍然是一次手部提取，主要是基于手腕定位的手部提取并验证。
步骤S3，对步骤S2得到的完整手部进行局部图像差异分析，使用基于LBP算子改进的DLBP算子对图像进行纹理特征提取，得到手部的DLBP纹理图。
LBP算子是最基本的图像纹理提取算法，但是并不是正好适合于所有的纹理提取，基于本数据集的特点将其改进并命名为DLBP算子，来达到更好的效果。
步骤S4，对步骤S3得到的手部纹理图进行传统方法与机器学习两种方式的手部是否有饰品的判断，并进行比较，结果为机器学习的效果更好。
传统方法主要是通过步骤S3得到的纹理图与手部的轮廓图进行像素相减，这样能得到疑似饰品或异常的纹理图像，然后通过多次试验进行阈值的选择来可以将饰品纹理判别。
机器学习的方式是比较常见的，主要将步骤S3得到的纹理图作为机器学习方法的输入，然后进行学习判别，得到是否有饰品的结果。
附图说明
读者在参照附图阅读了本发明的具体实施方式以后，将会更清楚地了解本发明的各个方面。其中，
图1为本发明基于局部图像差异分析的手部饰品检测方法的流程图；
图2为本发明的具体实施过程图；
图3为步骤S3纹理提取对比图；
图4为传统方法对比实验图；
图5为机器学习方法对比实验图。
具体实施方式
步骤S1，使用区域生长技术对原图像进行手部提取，获得手部提取图。
区域生长技术在该方法中也称作皮肤种子技术，主要是以皮肤像素为种子来得到手部区域并进行提取。
步骤S2，对步骤S1获得的手部提取图进行完整性验证，如果手部完整就进入下一个步骤，如果不完整就返回步骤S1重新进行手部提取。
完整性验证技术实质上仍然是一次手部提取，主要是基于手腕定位的手部提取并验证。
判断手部完整性的条件为：手腕线是否处于提取到的手部的边缘，检测其两边是否有皮肤像素。
步骤S3，对步骤S2得到的完整手部进行局部图像差异分析，使用基于LBP算子改进的DLBP算子对图像进行纹理特征提取，得到手部的DLBP纹理图。
LBP算子是最基本的图像纹理提取算法，但是并不是正好适合于所有的纹理提取，基于本数据集的特点将其改进并命名为DLBP算子，来达到更好的效果。
重新构造DLBP算子的公式为：
其中，(xa,ya)是中心像素，hn是相邻邻域像素的灰度值，ha是中心像素的灰度值，从而l是一个符号函数。
步骤S4，对步骤S3得到的手部纹理图进行传统方法与机器学习两种方式的手部是否有饰品的判断，并进行比较，结果为机器学习的效果更好。
传统方法主要是通过步骤S3得到的纹理图与手部的轮廓图进行像素相减，这样能得到疑似饰品或异常的纹理图像，然后通过多次试验进行阈值的选择来可以将饰品纹理判别。
传统方法判别公式如下：
机器学习的方式是比较常见的，主要将步骤S3得到的纹理图作为机器学习方法的输入，然后进行学习判别，得到是否有饰品的结果。
机器学习主要使用了支持向量机SVM算法、K-邻近算子KNN、随机森林RF、决策树DT、朴素贝叶斯MNB等算法，其中表现最好的是SVM算法。
Claims (5)
1.一种基于局部图像差异分析的手部饰品检测方法，其特征在于：对饰品检测时，进行以下步骤，
步骤S1，使用区域生长技术对原图像进行手部提取，获得手部提取图；
步骤S2，对步骤S1获得的手部提取图进行完整性验证，如果手部完整就进入下一个步骤，如果不完整就返回步骤S1重新进行手部提取；
步骤S3，对步骤S2得到的完整手部进行局部图像差异分析，使用基于LBP算子改进的DLBP算子对图像进行纹理特征提取，得到手部的DLBP纹理图；
步骤S4，对步骤S3得到的手部纹理图进行传统方法与机器学习两种方式的手部是否有饰品的判断，并进行比较，结果为机器学习的效果更好。
2.根据权利要求1所属的基于局部图像差异分析的手部饰品检测方法，其特征在于：步骤使用的区域生长技术核心内容是选择一个像素作为种子寻找与其相同或相似的像素进行合并，最后得到手部提取图。
3.根据权利要求1所属的基于局部图像差异分析的手部饰品检测方法，其特征在于：步骤S2对于步骤S1提取到的手部图进行完整性验证方法是基于手腕定位的手部提取法，对手部进行角点检测，找到手腕所在，判断手部是否完整主要通过检测手腕线两侧是否有皮肤像素。
其中，MRg表示手腕线，Cr、Cb均为YCrCb颜色空间下的像素取值。
4.根据权利要求1所属的基于局部图像差异分析的手部饰品检测方法，其特征在于：步骤S3对步骤S2得到的完整手部进行DLBP纹理特征提取，其DLBP是基于LBP算子改进的更加适合手部纹理的提取的算法，主要通过将原有LBP算子3×3领域扩大成9×9领域，计算每3×3领域的值，统计到9×9领域中，计算公式如下：
其中(xa,ya)是中心像素，hn是相邻邻域像素的灰度值，ha是中心像素的灰度值。
5.根据权利要求1所属的基于局部图像差异分析的手部饰品检测方法，其特征在于：步骤S4对于步骤S3得到的纹理图进行两种方式的判断，传统方式通过对手部DLBP图进行轮廓的像素相减，并进行有效像素的判断来得到结果，其计算过程如下：
机器学习方法通过对是否有饰品的DLBP图进行分类学习判别，最后表明SVM在饰品检测中效果是最好的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110794568.5A CN113343934A (zh) | 2021-07-14 | 2021-07-14 | 一种基于局部图像差异分析的手部饰品检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110794568.5A CN113343934A (zh) | 2021-07-14 | 2021-07-14 | 一种基于局部图像差异分析的手部饰品检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113343934A true CN113343934A (zh) | 2021-09-03 |
Family
ID=77479741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110794568.5A Pending CN113343934A (zh) | 2021-07-14 | 2021-07-14 | 一种基于局部图像差异分析的手部饰品检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343934A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504669A (zh) * | 2014-12-12 | 2015-04-08 | 天津大学 | 一种基于局部二值模式的中值滤波检测方法 |
| US20150220814A1 (en) * | 2014-02-06 | 2015-08-06 | Verto Analytics Oy | Behavioral event measurement system and related method |
| WO2017113736A1 (zh) * | 2015-12-27 | 2017-07-06 | 乐视控股（北京）有限公司 | 手指与手腕的区分方法及其装置 |
| CN110443137A (zh) * | 2019-07-03 | 2019-11-12 | 平安科技（深圳）有限公司 | 多维度身份信息识别方法、装置、计算机设备及存储介质 |
-
2021
- 2021-07-14 CN CN202110794568.5A patent/CN113343934A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150220814A1 (en) * | 2014-02-06 | 2015-08-06 | Verto Analytics Oy | Behavioral event measurement system and related method |
| CN104504669A (zh) * | 2014-12-12 | 2015-04-08 | 天津大学 | 一种基于局部二值模式的中值滤波检测方法 |
| WO2017113736A1 (zh) * | 2015-12-27 | 2017-07-06 | 乐视控股（北京）有限公司 | 手指与手腕的区分方法及其装置 |
| CN110443137A (zh) * | 2019-07-03 | 2019-11-12 | 平安科技（深圳）有限公司 | 多维度身份信息识别方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王景中;李萌;: "基于LBP和PCA机器学习的手势识别算法", 计算机测量与控制, no. 04 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A detection method for apple fruits based on color and shape features | |
| Luo et al. | Automated visual defect classification for flat steel surface: a survey | |
| Cho et al. | Adaptive skin-color filter | |
| CN108595636A (zh) | 基于深度跨模态相关性学习的手绘草图的图像检索方法 | |
| CN104881671B (zh) | 一种基于2D‑Gabor的高分遥感影像局部特征提取方法 | |
| CN101464948A (zh) | 一种基于关键点的仿射不变矩的目标识别方法 | |
| CN109190460B (zh) | 基于累积匹配和等错误率的手形手臂静脉融合识别方法 | |
| CN107169479A (zh) | 基于指纹验证的智能移动设备敏感数据防护方法 | |
| CN108537143B (zh) | 一种基于重点区域特征比对的人脸识别方法与系统 | |
| CN111985332B (zh) | 一种基于深度学习的改进损失函数的步态识别方法 | |
| Zhang et al. | Local feature extracted by the improved bag of features method for person re-identification | |
| CN115376159A (zh) | 一种基于多模态信息的跨外观行人重识别方法 | |
| Chai et al. | A palmprint ROI extraction method for mobile devices in complex environment | |
| CN105956581B (zh) | 一种快速的人脸特征点初始化方法 | |
| CN106295622A (zh) | 一种基于手背静脉的识别方法 | |
| Yuan et al. | A real time fingerprint recognition system based on novel fingerprint matching strategy | |
| Hu et al. | Fast face detection based on skin color segmentation using single chrominance Cr | |
| CN113343934A (zh) | 一种基于局部图像差异分析的手部饰品检测方法 | |
| Dhanuja et al. | Areca nut disease detection using image processing technology | |
| Zhang et al. | Key frame extraction of surveillance video based on fractional Fourier transform | |
| Sun et al. | Intelligent Site Detection Based on Improved YOLO Algorithm | |
| Jang et al. | Skin region segmentation using an image-adapted colour model | |
| Wei et al. | Detection of side-view faces in color images | |
| Yuan et al. | Fingerprint liveness detection based on multi-modal fine-grained feature fusion | |
| Sun et al. | Research on palm vein recognition algorithm based on improved convolutional neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210903 |
|
| WD01 | Invention patent application deemed withdrawn after publication |