本發(fā)明涉及一種基于增量自步學(xué)習(xí)和區(qū)域色彩量化的金絲猴面部檢測方法。

背景技術(shù)：

面部特征在動物個體識別研究中已有較多的研究成果，這些成果較多采用人臉檢測與識別的方法來解決動物面部檢測與識別過程中存在的問題，其中有關(guān)于猴類(主要是針對獼猴)面部特征的提取與定位算法。但這些方法只是利用傳統(tǒng)的圖像分割方法，在一定的條件下的圖像中簡單實現(xiàn)猴類面部區(qū)域的粗糙定位，不具有較高的精確性和通用性。而基于面部特征的動物個體識別方法基本都是直接(或稍加改進(jìn))地應(yīng)用現(xiàn)有的人臉檢測與識別的方法。現(xiàn)有技術(shù)中，在將現(xiàn)有的人臉檢測和識別方法直接應(yīng)用于動物面部檢測與識別中存在諸多問題。

在野外獲取的金絲猴圖像的場景大小不一，而不同場景下所含有的背景的復(fù)雜情況多變。在小場景情況下，金絲猴猴身能夠具有較多的信息量，此外，其毛發(fā)部分的色彩與背景之間存在一定的差異。而在大場景情況下，背景信息占據(jù)圖像的較大部分信息量，傳統(tǒng)的基于像素級的色彩量化方法不再適用，主要原因是背景中含有較多的與猴身毛發(fā)色彩接近的像素點，經(jīng)過色彩量化分割后的猴身疑似區(qū)域太多，不利于面部疑似區(qū)域的快速檢測。

技術(shù)實現(xiàn)要素：

針對上述現(xiàn)有技術(shù)中存在的問題或缺陷，本發(fā)明的目的在于，提供一種基于增量自步學(xué)習(xí)和區(qū)域色彩量化的金絲猴面部檢測方法，其能夠?qū)崿F(xiàn)金絲猴面部的準(zhǔn)確檢測。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

基于增量自步學(xué)習(xí)和區(qū)域色彩量化的金絲猴面部檢測方法，包括以下步驟：

步驟一，利用攝像機(jī)對多個場景中的金絲猴進(jìn)行拍攝，得到多張包含有金絲猴的待檢測RGB圖像；針對每一張RGB圖像均利用色彩空間轉(zhuǎn)換方法將其轉(zhuǎn)換為待檢測HSV圖像；重新利用攝像機(jī)對多個場景中的金絲猴進(jìn)行拍攝，得到多張包含有金絲猴的RGB圖像，提取多張金絲猴的面部皮膚樣本圖像和多張金絲猴的毛發(fā)樣本圖像；針對每一張面部皮膚樣本圖像和毛發(fā)樣本圖像，均利用色彩空間轉(zhuǎn)換方法分別將其轉(zhuǎn)換為面部皮膚樣本HSV圖像和毛發(fā)樣本HSV圖像；

步驟二，針對每一張待檢測HSV圖像進(jìn)行色彩量化，得到待檢測的色彩量化后的單通道圖像；針對每一張面部皮膚樣本HSV圖像和毛發(fā)樣本HSV圖像，進(jìn)行色彩量化，得到所有面部皮膚樣本圖像的色彩量化后的單通道圖像和所有毛發(fā)樣本圖像的色彩量化后的單通道圖像；

步驟三，針對所有面部皮膚樣本圖像的色彩量化后的單通道圖像，利用數(shù)學(xué)統(tǒng)計的方法得到面部皮膚色彩量化范圍，針對所有毛發(fā)樣本圖像的色彩量化后的單通道圖像，利用數(shù)學(xué)統(tǒng)計的方法得到面部毛發(fā)色彩量化范圍；

步驟四，針對步驟二得到的每一張待檢測的色彩量化后的單通道圖像，利用步驟三得到的面部皮膚色彩量化范圍和毛發(fā)色彩量化范圍，進(jìn)行圖像分割，以得到疑似猴臉圖像；

步驟五，采用增量自步學(xué)習(xí)方法訓(xùn)練得到分類器模型；

步驟六，針對步驟四得到的每一張疑似猴臉圖像，進(jìn)行圖像尺寸歸一化，得到歸一化后的疑似猴臉圖像；將歸一化后的疑似猴臉圖像均輸入到步驟五得到的分類器模型內(nèi)，輸出疑似猴臉圖像為猴臉圖像還是非猴臉圖像。

具體地，所述步驟二中的針對每一張待檢測HSV圖像進(jìn)行色彩量化，得到待檢測的色彩量化后的單通道圖像；所述色彩量化包括像素級色彩量化，所述的待檢測的色彩量化后的單通道圖像指的是像素級色彩量化后的單通道圖像，具體包括以下步驟：

其中，h(x,y)表示HSV圖像的色調(diào)h通道上，在像素點(x,y)處的像素值；s(x,y)表示HSV圖像的飽和度s通道上，在像素點(x,y)處的像素值；v(x,y)表示HSV圖像的亮度v通道上，在像素點(x,y)處的像素值；H(x,y)表示色彩量化后的圖像的色調(diào)H通道上，在像素點(x,y)處的像素值；S(x,y)表示色彩量化后的圖像的飽和度S通道上，在像素點(x,y)處的像素值；V(x,y)表示色彩量化后的圖像的亮度V通道上，在像素點(x,y)處的像素值；

像素級色彩量化后的單通道圖像用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分別表示3個通道色調(diào)H、飽和度S和亮度V的系數(shù)；L(x,y)表示像素級色彩量化后的單通道圖像L在像素點(x,y)處的像素值。

具體地，所述步驟二中的針對每一張待檢測HSV圖像進(jìn)行色彩量化，得到待檢測的色彩量化后的單通道圖像，所述的色彩量化還包含區(qū)域色彩量化，待檢測的色彩量化后的單通道圖像指的是經(jīng)過區(qū)域色彩量化后的單通道圖像，具體包括以下步驟：

針對像素級色彩量化后的單通道圖像L進(jìn)行如下處理，得到區(qū)域色彩量化后的單通道圖像L_Q：

其中，Q(x,y)表示以像素點(x,y)為中心的、大小為(2w+1)²的矩形區(qū)域；L_Q(x,y)表示區(qū)域色彩量化后的單通道圖像L_Q在以(x,y)為中心形成的矩形區(qū)域?qū)?yīng)的圖像值。

具體地，所述步驟四中的針對步驟二得到的每一張待檢測的色彩量化后的單通道圖像，利用步驟三得到的面部皮膚色彩量化范圍和毛發(fā)色彩量化范圍，進(jìn)行圖像分割，以得到疑似猴臉圖像；具體包括以下步驟：

針對步驟二得到的每一張像素級色彩量化后的單通道圖像L，選取像素值在毛發(fā)色彩量化范圍內(nèi)的像素點，得到猴身區(qū)域圖像；再在猴身區(qū)域圖像中選取像素值在面部皮膚色彩量化范圍內(nèi)的像素點，形成疑似猴臉圖像。

具體地，所述步驟四中的針對步驟二得到的每一張色彩量化后的單通道圖像，利用步驟三得到的面部皮膚色彩量化范圍和毛發(fā)色彩量化范圍，進(jìn)行圖像分割，以得到疑似猴臉圖像；具體包括以下步驟：

針對步驟二得到的區(qū)域色彩量化后的單通道圖像L_Q，選取圖像值在毛發(fā)色彩量化范圍內(nèi)的矩形區(qū)域，得到猴身區(qū)域圖像；再在猴身區(qū)域圖像中選取圖像值在面部皮膚色彩量化范圍內(nèi)的矩形區(qū)域，形成疑似猴臉圖像。

具體地，所述步驟五中的利用增量自步學(xué)習(xí)方法訓(xùn)練得到分類器模型，具體包括以下步驟：

步驟5.1，建立樣本庫，樣本庫中包含大量猴臉圖片樣本和非猴臉圖片樣本；

步驟5.2，判斷是否為第一次訓(xùn)練，若是，i＝0，i表示訓(xùn)練次數(shù)，則在樣本庫中根據(jù)經(jīng)驗人工選擇數(shù)量為N簡單樣本，將其作為初始訓(xùn)練樣本集合S⁽ⁱ⁾，i＝0，轉(zhuǎn)到步驟5.3；若否，i＞0，則根據(jù)前一次訓(xùn)練得到的分類器模型ISPL_MODEL^(i-1)對當(dāng)前樣本庫中剩余的樣本進(jìn)行預(yù)測，即當(dāng)前樣本庫中剩余的樣本分別輸入到分類器模型ISPL_MODEL^(i-1)中，分類器模型ISPL_MODEL^(i-1)自動輸出當(dāng)前樣本庫中剩余的樣本的難易程度的得分，選取其中N個得分較高的樣本，加入當(dāng)前的樣本集合S^(i-1)中，形成新的樣本集合S⁽ⁱ⁾；轉(zhuǎn)到步驟5.3；

步驟5.3，利用樣本集合S⁽ⁱ⁾采用自步學(xué)習(xí)方法進(jìn)行訓(xùn)練，得到分類器模型ISPL_MODEL⁽ⁱ⁾；

步驟5.4，判斷樣本庫中的樣本數(shù)是否為0，若是，則結(jié)束，得到訓(xùn)練好的分類器模型ISPL_MODEL，否則，返回步驟5.2。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下技術(shù)效果：本發(fā)明提出基于區(qū)域色彩量化的猴身檢測方法，區(qū)域色彩量化用以增大背景與猴身色彩特征之間的差異，以更準(zhǔn)確地進(jìn)行猴身區(qū)域的分割，減少檢測的猴身疑似區(qū)域的面積和個數(shù)。然后，在檢測出猴身之后的區(qū)域內(nèi)，進(jìn)行面部皮膚疑似區(qū)域檢測。最后利用提出的增量自步學(xué)習(xí)方法進(jìn)行面部的準(zhǔn)確檢測。

附圖說明

圖1是本發(fā)明的方法流程圖；

圖2是不同年齡階段的金絲猴的面部皮膚區(qū)域圖；

圖3是金絲猴的面部皮膚區(qū)域色彩分布的條帶圖；

圖4是金絲猴毛發(fā)樣本圖；

圖5是金絲猴毛發(fā)的色彩條帶圖；

圖6是小場景下的金絲猴圖像；

圖7是小場景下經(jīng)過像素級色彩量化后的金絲猴圖像；

圖8是金絲猴毛發(fā)色彩量化分布值曲線圖；

圖9是金絲猴面部皮膚色彩量化分布值曲線圖；

圖10是小場景下的經(jīng)過像素級色彩量化后分割得到的猴身區(qū)域圖像；

圖11是小場景下的經(jīng)過像素級色彩量化后分割得到的面部疑似區(qū)域圖像；

圖12是小場景下的經(jīng)過像素級色彩量化后的面部疑似區(qū)域定位圖像；

圖13是大場景下的金絲猴圖像；

圖14是大場景下的經(jīng)過像素級色彩量化后分割得到的猴身區(qū)域圖像；

圖15是大場景下的經(jīng)過區(qū)域色彩量化后分割得到的猴身區(qū)域圖像；

圖16是大場景下的經(jīng)過區(qū)域色彩量化后分割得到的面部疑似區(qū)域；

圖17是大場景下的經(jīng)過區(qū)域色彩量化后的面部疑似區(qū)域定位圖像；

圖18是基于區(qū)域色彩量化的金絲猴面部疑似區(qū)域檢測結(jié)果圖；其中，(a₁)表示原始圖像a，(a₂)表示原始圖像a色彩量化結(jié)果圖，(a₃)表示原始圖像a猴身分割結(jié)果圖，(a₄)表示原始圖像a面部皮膚分割結(jié)果圖；(a₅)表示原始圖像a面部皮膚區(qū)域定位圖；

(b₁)表示原始圖像b,(b₂)表示原始圖像b色彩量化結(jié)果圖，(b₃)表示原始圖像b猴身分割結(jié)果圖，(b₄)表示原始圖像b面部皮膚分割結(jié)果圖；(b₅)表示原始圖像b面部皮膚區(qū)域定位圖；

(c₁)表示原始圖像c,(c₂)表示原始圖像c色彩量化結(jié)果圖，(c₃)表示原始圖像c猴身分割結(jié)果圖，(c₄)表示原始圖像c面部皮膚分割結(jié)果圖；(c₅)表示原始圖像c面部皮膚區(qū)域定位圖；

圖19是采用不同方法進(jìn)行猴臉檢測的結(jié)果圖；其中，(a₁)表示采用ISPCL針對原始圖像a的猴臉檢測結(jié)果圖，(a₂)表示采用ISPCL針對原始圖像b的猴臉檢測結(jié)果圖，(a₃)表示采用ISPCL針對原始圖像c的猴臉檢測結(jié)果圖；(b₁)表示采用SPCL針對原始圖像a的猴臉檢測結(jié)果圖，(b₂)表示采用SPCL針對原始圖像b的猴臉檢測結(jié)果圖，(b₃)表示采用SPCL針對原始圖像c的猴臉檢測結(jié)果圖；(c₁)表示采用SVM針對原始圖像a的猴臉檢測結(jié)果圖，(c₂)表示采用SVM針對原始圖像b的猴臉檢測結(jié)果圖，(c₃)表示采用SVM針對原始圖像c的猴臉檢測結(jié)果圖；

圖20是ISPCL,SPCL與SVM的F值比較圖；

圖21是ISPCL,SPCL與SVM的檢測準(zhǔn)確率(Accuracy)比較圖。

下面結(jié)合附圖和具體實施方式對本發(fā)明的方法作進(jìn)一步詳細(xì)地解釋和說明。

具體實施方式

金絲猴的面部與人臉具有一定的相似之處，其中之一就是其面部也具有一定面積的皮膚區(qū)域，并且皮膚具有金絲猴所獨特的色彩—淡藍(lán)色，隨著年齡的增加，藍(lán)色的深淺度逐漸變淡。為此，本發(fā)明采集不同年齡階段的金絲猴的面部皮膚部分，如圖2所示，并對其色彩特征進(jìn)行分析，圖3為面部區(qū)域色彩分別的條帶圖。

但是要想僅僅通過面部皮膚區(qū)域的色彩特征進(jìn)行面部檢測，難度較大。主要原因在于：金絲猴的面部不像人臉面部具有較大面積的皮膚區(qū)域，金絲猴的面部除了皮膚區(qū)域之外，還有較多的毛發(fā)區(qū)域，導(dǎo)致其皮膚區(qū)域較小。在整個金絲猴的身體部分，其面部皮膚與毛發(fā)之間色彩存在一定的差異，此外，金絲猴的毛發(fā)也具有一定的色彩特征。在不同年齡階段、金絲猴身體不同的區(qū)域，其毛發(fā)的色彩都不盡相同。為此，本發(fā)明采集了不同年齡階段，不同區(qū)域的猴毛部分，包括頭部、四肢外側(cè)、腹部和背部的猴毛，如圖4所示，并對其色彩特征進(jìn)行分析，圖5為其毛發(fā)區(qū)域色彩分布的條帶圖。

傳統(tǒng)的臉部檢測方法中可以直接利用顏色條帶進(jìn)行膚色區(qū)域的檢測，這種方法計算量大，并且難以確定面部皮膚色彩具體在哪一個區(qū)域。此外，在金絲猴圖像中，其背景以及金絲猴毛發(fā)中都含有較多的像素也存在于顏色條帶中，導(dǎo)致檢測結(jié)果準(zhǔn)確性較差。

根據(jù)提取的皮膚樣本和毛色樣本及其相應(yīng)的顏色條帶，可以看出：皮膚色彩較多的像素顯現(xiàn)淡藍(lán)色(深淺不一)，毛發(fā)較多的像素顯現(xiàn)棕色(深淺不一)，但是他們各自的色調(diào)特征變化不大，變化的是深淺度。

根據(jù)上述分析，為了充分利用金絲猴身體毛發(fā)及其臉部皮膚的色彩特征，并能夠快速計算相應(yīng)的區(qū)域，本發(fā)明的基于增量自步學(xué)習(xí)和區(qū)域色彩量化的金絲猴面部檢測方法，參見圖1，包括以下步驟：

步驟一，利用攝像機(jī)對多個場景中的金絲猴進(jìn)行拍攝，得到多張包含有金絲猴的RGB圖像；針對每一張RGB圖像均利用色彩空間轉(zhuǎn)換方法將其轉(zhuǎn)換為HSV圖像；重新利用攝像機(jī)對多個場景中的金絲猴進(jìn)行拍攝，得到多張包含有金絲猴的RGB圖像，提取多張金絲猴的面部皮膚樣本圖像和多張金絲猴的毛發(fā)樣本圖像，針對每一張面部皮膚樣本圖像和毛發(fā)樣本圖像，均利用色彩空間轉(zhuǎn)換方法分別將其轉(zhuǎn)換為面部皮膚樣本HSV圖像和毛發(fā)樣本HSV圖像；HSV圖像包含有3個通道，分別為色調(diào)h、飽和度s和亮度v；

步驟二，針對每一張HSV圖像進(jìn)行色彩量化，得到待檢測的色彩量化后的單通道圖像。具體實現(xiàn)方法如下：

若金絲猴所處場景是較小場景(較小場景指的是在拍攝得到的包含有金絲猴的RGB圖像中，金絲猴所占比例較大)，則實現(xiàn)方法如下：

色彩量化后的單通道圖像同樣包含3個通道，分別為色調(diào)H、飽和度S和亮度V；其中，h(x,y)表示HSV圖像的色調(diào)h通道上，在像素點(x,y)處的像素值；s(x,y)表示HSV圖像的飽和度s通道上，在像素點(x,y)處的像素值；v(x,y)表示HSV圖像的亮度v通道上，在像素點(x,y)處的像素值；H(x,y)表示色彩量化后的圖像的色調(diào)H通道上，在像素點(x,y)處的像素值；S(x,y)表示色彩量化后的圖像的飽和度S通道上，在像素點(x,y)處的像素值；V(x,y)表示色彩量化后的圖像的亮度V通道上，在像素點(x,y)處的像素值。

為了快速計算猴身和猴臉的色彩特征，將得到的三個矢量H(x,y)、S(x,y)和V(x,y)相疊加合成一維矢量，得到色彩量化后的單通道圖像L：

L(x,y)＝α×H(x,y)+β×S(x,y)+γ×V(x,y) (4)

其中，α，β，γ分別表示3個通道色調(diào)H、飽和度S和亮度V的系數(shù)，三者的比值為7:2:1；L(x,y)表示色彩量化后的單通道圖像L在像素點(x,y)處的像素值。上述色彩量化方法稱為像素級色彩量化方法。

參見圖6為小場景下的金絲猴圖像，圖7為小場景下經(jīng)過像素級色彩量化后的圖像，由圖6和圖7可以看出，原始圖像經(jīng)過色彩量化后，不同顏色區(qū)域能夠較好地進(jìn)行分割區(qū)分開，并且猴身、猴臉與背景之間存在較大差異，本發(fā)明的色彩量化方法，不僅簡化了基于色彩量化的圖像分割問題，同時大大降低了計算量。

當(dāng)金絲猴處于大場景中時(大場景即在拍攝到的包含有金絲猴的RGB圖像中，金絲猴所占比例較小)，采用上述像素級色彩量化的方法難以有效地得到猴臉疑似區(qū)域，其原因在于，背景中可能存在較多的與猴身和猴臉面部皮膚色彩相似的像素。參見圖13和圖14，圖13的原始圖像中存在大量背景像素與金絲猴毛發(fā)色彩相似，經(jīng)過上述像素級色彩量化方法處理后的圖14中殘留大量的背景像素。因此，對應(yīng)大場景下的金絲猴圖像，本發(fā)明在得到像素級色彩量化后的單通道圖像L后，進(jìn)一步進(jìn)行區(qū)域色彩量化，得到區(qū)域色彩量化后的單通道圖像L_Q，采用的公式如下：

其中，Q(x,y)表示以像素點(x,y)為中心的、大小為(2w+1)²的矩形區(qū)域；L_Q(x,y)表示區(qū)域色彩量化后的單通道圖像L_Q在以(x,y)為中心形成的矩形區(qū)域?qū)?yīng)的圖像值。

針對每一張面部皮膚樣本HSV圖像和毛發(fā)樣本HSV圖像，利用上述色彩量化方法，得到所有面部皮膚樣本圖像的色彩量化后的單通道圖像L1和所有毛發(fā)樣本圖像的色彩量化后的單通道圖像L2。

步驟三，若金絲猴所處的場景是小場景，則針對圖像L1中的每個像素點的像素值L1(x,y)和圖像L2中的每個像素點的像素值L2(x,y)，分別利用數(shù)學(xué)統(tǒng)計的方法對不同像素值進(jìn)行統(tǒng)計記錄并標(biāo)明每個像素值出現(xiàn)的頻率次數(shù)，較大的頻率次數(shù)對應(yīng)的像素值的范圍即為面部皮膚色彩量化范圍和毛發(fā)色彩量化范圍。統(tǒng)計結(jié)果圖如圖8和圖9所示，根據(jù)統(tǒng)計結(jié)果可以看出，面部皮膚色彩量化范圍為350～360，面部毛發(fā)色彩量化范圍為70～80；

若金絲猴所處的場景為大場景，則針對圖像L1中的每個矩形區(qū)域的圖像值L1(x,y)和圖像L2中的每個矩形區(qū)域的像素值L2(x,y)，分別利用數(shù)學(xué)統(tǒng)計的方法對不同圖像值進(jìn)行統(tǒng)計記錄并標(biāo)明每個圖像值出現(xiàn)的頻率次數(shù)，較大的頻率次數(shù)對應(yīng)的圖像值的范圍即為面部皮膚色彩量化范圍和毛發(fā)色彩量化范圍。

步驟四，若金絲猴所處場景是小場景，則針對步驟二得到的每一張像素級色彩量化后的單通道圖像L，選取像素值在毛發(fā)色彩量化范圍內(nèi)的像素點，得到猴身區(qū)域圖像；再在猴身區(qū)域圖像中選取像素值在面部皮膚色彩量化范圍內(nèi)的像素點，形成疑似猴臉圖像。參見圖10～圖12。

若金絲猴所處場景是大場景，則針對步驟二得到的經(jīng)過區(qū)域色彩量化后的單通道圖像L_Q，選取圖像值在毛發(fā)色彩量化范圍內(nèi)的矩形區(qū)域，得到猴身區(qū)域圖像；再在猴身區(qū)域圖像中選取圖像值在面部皮膚色彩量化范圍內(nèi)的矩形區(qū)域，形成疑似猴臉圖像。參見圖15～圖17。

上述選取疑似猴臉圖像的方法，減少了無關(guān)信息的干擾，給之后的面部檢測工作減少一定的負(fù)擔(dān)，能夠在一定程度上提高檢測結(jié)果的正確率。

步驟五，利用增量自步學(xué)習(xí)方法(ISPCL)訓(xùn)練得到分類器模型；具體方法如下：

步驟5.1，建立樣本庫，樣本庫中包含大量猴臉圖片樣本和非猴臉圖片樣本；

步驟5.2，判斷是否為第一次訓(xùn)練，若是(i＝0)，i表示訓(xùn)練次數(shù)，則在樣本庫中根據(jù)經(jīng)驗人工選擇數(shù)量為N簡單樣本，將其作為初始訓(xùn)練樣本集合S⁽ⁱ⁾，i＝0，轉(zhuǎn)到步驟5.3；若否(i＞0)，則根據(jù)前一次訓(xùn)練得到的分類器模型ISPL_MODEL^(i-1)對當(dāng)前樣本庫中剩余的樣本進(jìn)行預(yù)測，即當(dāng)前樣本庫中剩余的樣本分別輸入到分類器模型ISPL_MODEL^(i-1)中，分類器模型ISPL_MODEL^(i-l)自動輸出當(dāng)前樣本庫中剩余的樣本的難易程度的得分，選取其中N個得分較高的樣本，加入當(dāng)前的樣本集合S^(i-1)中，形成新的樣本集合S⁽ⁱ⁾；轉(zhuǎn)到步驟5.3；

步驟5.3，利用樣本集合S⁽ⁱ⁾采用自步學(xué)習(xí)(SPCL)方法進(jìn)行訓(xùn)練，得到分類器模型ISPL_MODEL⁽ⁱ⁾；

步驟5.4，判斷樣本庫中的樣本數(shù)是否為0，若是，則結(jié)束，得到訓(xùn)練好的分類器模型ISPL_MODEL，否則，返回步驟5.2。

步驟六，針對步驟四得到的每一張疑似猴臉圖像，進(jìn)行圖像尺寸歸一化，以縮小面部檢測的搜索范圍，得到歸一化后的疑似猴臉圖像；將歸一化后的疑似猴臉圖像均輸入到步驟五得到的分類器模型ISPL_MODEL內(nèi)，輸出該疑似猴臉圖像為猴臉圖像還是非猴臉圖像。

上述步驟中的簡單樣本指的是樣本中的猴臉顯示較為清楚，樣本的難易程度包括圖片中猴臉為正面、側(cè)面或者猴臉前存在遮擋，若猴臉為正面，該樣本的得分較高，側(cè)面的情況次之，猴臉前存在遮擋其得分最低。

實驗與分析

為驗證本發(fā)明提出的方法的有效性。本發(fā)明使用在陜西省安康市寧陜縣皇冠自然保護(hù)區(qū)獲取的不同大小場景的金絲猴圖像作為測試圖像。在這些圖像中含有不同家族、不同年齡階段、不同性別的金絲猴，并且每幅圖像中背景差異較大。首先利用3幅圖像進(jìn)行猴臉檢測，以驗證提出的區(qū)域色彩量化和ISPCL算法的有效性，并根據(jù)實驗結(jié)果給出主觀評價。與本發(fā)明方法進(jìn)行對比的現(xiàn)有算法主要有SVM和SPCL兩種算法。實驗中，金絲猴面部特征采用Gabor小波特征。

進(jìn)一步，為驗證本發(fā)明提出的ISPCL性能的優(yōu)越性，利用皇冠保護(hù)區(qū)的33只金絲猴共計5012張猴臉樣本(包括不同性別，不同年齡階段，不同視角的猴臉樣本)以及5463張非猴臉樣本(主要來自背景區(qū)域樣本和金絲猴身體的毛發(fā)樣本)進(jìn)行實驗。并用檢測準(zhǔn)確率(Accuracy)和F值兩個指標(biāo)對各算法的性能進(jìn)行客觀評價。

(1)對本發(fā)明提出的區(qū)域色彩量化方法的有效性進(jìn)行驗證

首先我們利用3幅具有不同尺寸、不同場景的金絲猴圖像進(jìn)行金絲猴面部疑似區(qū)域檢測的實驗。在圖18中的(a₁)和圖18中的(b₁)中，由于圖像場景較小，其中含有較少的背景像素，而金絲猴猴身區(qū)域占據(jù)圖像較多的信息。因此我們對這些圖像進(jìn)行像素級的色彩量化，即w＝0。量化后的結(jié)果圖如圖18中的(a₂)和圖18中的(b₂)所示。然后根據(jù)步驟二中的猴毛色彩量化的L(x,y)值對猴身區(qū)域進(jìn)行分割提取，分割后的結(jié)果圖如圖18中的(a₃)和圖18中的(b₃)所示。而對于場景較大的圖像(如圖18中的(c₁))，則適當(dāng)增大w的值，即有像素級的色彩量化轉(zhuǎn)變?yōu)榫哂幸欢▍^(qū)域大小的區(qū)域色彩量化，在本實驗中w＝2，量化后的結(jié)果圖如圖18中的(c₂)所示。然后采用相同的方法即可分割出圖像中的金絲猴的身體區(qū)域，分割后的結(jié)果圖如圖18中的(c₃)所示。從實驗結(jié)果可以看出，根據(jù)不同場景大小，相適應(yīng)地取w的值以對圖像進(jìn)行色彩量化，進(jìn)而進(jìn)行猴身分割，能夠較為準(zhǔn)確地確定金絲猴身體部分在圖像中的位置，只殘留少量的背景信息，較大程度上縮小了后期面部皮膚區(qū)域的檢測搜索范圍。

進(jìn)一步，在分割出的猴身區(qū)域，依據(jù)金絲猴面部皮膚的L(x,y)值主要集中在350～360之間的特點，分割出面部皮膚的疑似區(qū)域，分割結(jié)果如圖18中的(a₄),(b₄)和(c₄)所示，猴臉皮膚區(qū)域在圖像中的定位如圖18中的(a₅)，(b₅)和(c₅)。從實驗結(jié)果圖可以看出，圖像中大部分猴臉皮膚疑似區(qū)域都能夠被正確地分割，但同時結(jié)果圖也含有少量的背景區(qū)域或者猴身的毛發(fā)區(qū)域。

(2)對本發(fā)明提出的ISPCL方法的有效性進(jìn)行驗證

分割得到金絲猴疑似面部區(qū)域后，在原始圖像中，將分割后區(qū)域的范圍擴(kuò)展為原有尺寸的2倍。然后，將這些擴(kuò)展后的區(qū)域都全部送入訓(xùn)練后的ISPCL中進(jìn)行測試，以檢測出真實的猴臉，檢測的結(jié)果圖，如圖19所示。從實驗結(jié)果可以看出：在分割結(jié)果中的背景或猴身毛發(fā)區(qū)域都能被準(zhǔn)確地判別為非猴臉區(qū)域；而不同情況下的猴臉疑似區(qū)域在檢測結(jié)果上，不同算法性能有所不同。其中，SPCL具有較好的檢測性能，能夠檢測出具有一定角度變化的金絲猴面部圖像，但對于面部偏角較大、具有部分遮擋或者面部分辨率較低的面部圖像，SPCL也不能正確地檢測。相對而言，ISPCL具有更好的檢測性能，能夠?qū)哂胁糠终趽跻约跋鄬Ω竺娌拷嵌茸兓慕鸾z猴面部圖像進(jìn)行正確地檢測，但對于側(cè)面角度接近90度左右以及分辨率較低的面部圖像也難以準(zhǔn)確檢測。在三種算法中，SVM的性能最差。SVM對于猴臉角度變化，遮擋等情況比較敏感。

(3)ISPCL性能的客觀評價

進(jìn)一步，為驗證ISPCL性能的優(yōu)越性，本實驗利用5012張猴臉樣本以及5463張非猴臉樣本進(jìn)行實驗。并在Accuracy和F值方面對各算法的性能進(jìn)行客觀評價。實驗中，各算法選擇50％的猴臉樣本作為訓(xùn)練正樣本，50％的非猴臉樣本作為訓(xùn)練負(fù)樣本；剩余樣本作為測試樣本。實驗中訓(xùn)練樣本采用隨機(jī)選擇的方法，并進(jìn)行10次實驗，分別計算出測試結(jié)果的Accuracy，F(xiàn)值等指標(biāo)。

F值是綜合這二者指標(biāo)的評估指標(biāo)，用于綜合反映整體的指標(biāo)。F值即為正確率和召回率的調(diào)和平均值。本實驗中F值的計算公式如下：

其中，P表示檢測精確率，TP表示正樣本被正確檢測的數(shù)量；FP表示樣本為負(fù)樣本，卻被錯誤檢測為正樣本的數(shù)量；R表示召回率，其中FN表示樣本為正樣本，卻被錯誤檢測為負(fù)樣本的數(shù)量。F綜合了P和R的結(jié)果，當(dāng)F較高時則能說明實驗方法比較有效。

從實驗結(jié)果可以看出，ISPCL和SPCL相對于傳統(tǒng)的SVM，在F值和Accuracy方面具有明顯的優(yōu)勢，如圖20和圖21所示。而相對于SPCL和ISPCL在整體性能上有所提升。