[发明专利]基于光谱反射率的面部色泽适应性自动识别方法

摘要

基于光谱反射率的面部色泽适应性自动识别方法属于中医色诊的客观化研究领域，用于实现面部色泽的分析，并针对不同人的正常色表现不同，进行面色及其清浊、微甚、散抟、泽夭的适应性识别。本发明通过采集各类面色的光谱反射率，采用有限维模型方法确定面色光谱反射率基函数。将面部光谱反射率采用基函数的线性组合来表示。以颈部肤色为参考色，将面色与参考色的基函数系数差作为面色的特征向量。采用支持向量机识别方法，得到整体面色及色部面色所属类别。同时，通过反射率累积和、在系数空间特征向量位置、邻域系数变化幅值、系数图梯度变化规律，分别判断面色的清浊、微甚、散抟、泽夭。

主权项

基于光谱反射率的面部色泽适应性自动识别方法，其特征在于，步骤如下：1)面色光谱反射率基函数的确定：(1)、采集各类中医面色的光谱反射率样本，需要包含正常色、白色、黄色、赤色、青色、黑色各类用例，共6类；每类用例需要包含100例以上的实例，且由三位以上中医医师给出所属类型标定；(2)、采用PCA方法，对采集到的所有面色光谱反射率提取能量占总能量99.5％以上的基函数；2)面色特征向量的提取：(1)、将被测面部各色部光谱反射率与被测者颈部光谱反射率均采用基函数的线性组合表示，即计算它们在基函数空间的投影系数，该投影系数即为线性组合中的基函数加权系数；(2)、以颈部光谱反射率为参考色，将面色与参考色的基函数系数差作为面色的特征向量；其中，各色部与参考色的基函数系数差作为色部色特征向量；各色部光谱反射率平均值与参考色的基函数系数差作为整体面色特征向量；3)面部面色属性识别：(1)、采用支持向量机方法构建多类分类模型，采用各类面色特征向量样本集训练分类器；(2)、利用训练好的分类器，对整体面色和色部色进行所属类别判断；4)面色清浊的识别与量化：若被测面色识别为某一类面色，则计算该面色各波段光谱反射率和；计算被测面色反射率和与正常反射率和的差值，即为清浊程度；若差值为正，则为清；若差值为负，则为浊；差值越大，清浊程度越重；其中，正常反射率和通过计算正常色样本集中样本的各波段光谱反射率之和，并求平均值来确定；5)面色微甚的识别与量化：若被测面色识别为某一类面色，则计算该面色特征向量与正常色特征向量的欧式距离，即为该类面色的微甚程度；距离越大，表示属该类面色越甚，反之则表示属该类面色越微；其中，正常色特征向量通过计算正常色样本集中样本的特征向量的平均值来确定；6)面色泽夭的识别与量化：若被测面色识别为某一类面色，则提取色部邻域多点的光谱反射率，并计算各点的特征向量；求所有点的特征向量平均值，计算各点特征向量与平均特征向量的差向量；计算所有点差向量绝对值的平均值，得到平均差向量；平均差向量各元素的平均值，即为面色泽夭程度；该平均值越大，表示面色越夭，反之越泽；7)面色散抟的识别与量化若被测面色识别为某一类面色，则提取色部邻域多点的光谱反射率，并计算各点的特征向量；各点特征向量的对应元素，构成基元素图；计算各基元素图的梯度图，阈值分割得到各基元素梯度二值图；将各基元素梯度二值图采用并操作合并；将合并二值图分块，计算各块像素平均值，并计算最大平均值与最小平均值之差；计算合并二值图像素整体平均值；计算整体平均值与分块平均值差的比值，即为面色散抟程度；比值越大表示面色越散，反之越抟；以上步骤4)‑7)步骤为并列关系。