[发明专利]一种基于SURF算法的老年人护理需求识别方法

权利要求书

1.一种基于SURF算法的老年人护理需求识别方法，其特征在于，具体步骤如下：

步骤1、获取老年人的面部表情图像，并生成训练集、测试集；

步骤2、利用SURF特征提取算法对训练集进行特征提取，确定表情类型；

步骤3、采用词袋模型Bag-of-words，结合K-means聚类算法对训练集的所有图像中提取出的特征向量进行聚类，将每一个聚类中心作为视觉词word，再将所有聚类中心所对应的视觉词集合形成码本dictionary；以码本为规范，将同一幅图像的SURF特征向量映射到码本生成Bow向量，并使用该Bow向量来描述这副图像；

步骤4、将训练集所有特征向量聚类生成的视觉词序列构成的码本放入SVM支持向量机中进行训练，从而得到训练好的模型；提取测试集中测试图像的SURF特征，将这些SURF特征映射为Bow向量并作为测试数据，使用SVM算法得到分类结果，完成老年人护理需求识别。

2.根据权利要求1所述的基于SURF算法的老年人护理需求识别方法，其特征在于，步骤2所述的利用SURF特征提取算法对训练集进行特征提取，确定表情类型，具体如下：

(2-1)构建Hessian矩阵生成特征点；

(2-2)构建尺度空间；

(2-3)定位特征点；

(2-4)分配特征点主方向；

(2-5)生成特征点描述子即SURF特征向量。

3.根据权利要求2所述的基于SURF算法的老年人护理需求识别方法，其特征在于，(2-1)所述构建Hessian矩阵生成特征点，具体如下：

Hessian矩阵的作用是对函数的局部曲率进行描述，SURF特征提取算法利用原图每个像素的Hessian矩阵行列式的近似值构成变换图从而提取特征点；

在进行Hessian矩阵构造前，需要对其进行高斯滤波，因此选用二阶标准高斯函数作为滤波器；经过滤波后的像素点x＝(x，y)在σ尺度上的Hessian矩阵H(x，σ)定义为：

式中，L_xx(x，σ)是高斯二阶偏导数与图像在X点的卷积，L_xy(x，σ)是高斯二阶偏导数与图像在X点的卷积，L_yy(x，σ)是高斯二阶偏导数与图像在X点的卷积；

经过高斯滤波的Hessian矩阵的秩为：

det(H)＝L_xx(x，σ)*L_yy(x，σ)-L_xy(x，σ)*L_xy(x，σ)

SURF特征提取算法使用盒式滤波器来近似替代高斯滤波器，经过盒式滤波器滤波后的Hessian矩阵的秩Det(H_approx)通过下式计算，为了平衡因使用盒式滤波器近似所带来的误差，在D_xy(x，σ)上乘了一个加权系数0.9：

Det(H_approx)＝D_xx(x，σ)D_yy(x，σ)-(0.9D_xy(x，σ))²

式中，D_xx(x，σ)是盒子滤波器与图像在X点的卷积，D_xy(x，σ)是盒子滤波器与图像在X点的卷积，D_yy(x，σ)是盒子滤波器与图像在X点的卷积，H_approx是利用盒子滤波器近似高斯滤波器后的Hessian矩阵的秩。

4.根据权利要求3所述的基于SURF算法的老年人护理需求识别方法，其特征在于，(2-2)所述构建尺度空间，具体如下：

在(2-1)特征点查找时滤波器的尺寸不变，将此滤波器映射到图片每个局部区域的不同尺寸，得到尺度空间，提取像素点周围的图像特征。

5.根据权利要求4所述的基于SURF算法的老年人护理需求识别方法，其特征在于，(2-3)所述定位特征点，具体如下：

将经过Hessian矩阵处理过的每个像素点与其周围的26个像素点进行大小比较，如果该点是最大值或最小值，则保留下来，作为特征点。