專利名稱：基于半監(jiān)督學(xué)習(xí)和哈希索引的眉毛圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于半監(jiān)督學(xué)習(xí)技術(shù)和局部敏感的哈希索引方法相結(jié)合的從原始 眉毛圖像中提取出純眉毛圖像的方法，屬于電子信息技術(shù)領(lǐng)域。
背景技術(shù)：
在現(xiàn)代社會(huì)中，隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的高速發(fā)展和全球范圍內(nèi)電子商務(wù)的迅速興 起，信息安全顯示出前所未有的重要性，而生物特征識(shí)別作為信息安全的一個(gè)重要方
面開始越來越受到人們的重視。目前人們研究和使用的生物特征識(shí)別技術(shù)主要有:人臉 識(shí)別、虹膜識(shí)別、指紋識(shí)別、手形識(shí)別、掌紋識(shí)別、人耳識(shí)別、簽名識(shí)別、聲音識(shí)別、 步態(tài)識(shí)別、等等。眉毛作為人臉上的一個(gè)重要特征，具有作為識(shí)別特征的普遍性、唯 一性、穩(wěn)定性和可采集性。事實(shí)上，與人臉圖像相比，眉毛圖像不僅具有輪廓鮮明、 結(jié)構(gòu)簡(jiǎn)單和容易選取的優(yōu)點(diǎn)，而且受光照和表情的影響較小，具有更好的穩(wěn)定性和抗 干擾性；與虹膜圖像相比，眉毛圖像則又具有易于采集和使用方便的優(yōu)點(diǎn)。此外，人
類的眉毛具有多種多樣的形狀，無固定結(jié)構(gòu)，具有很好的身份特異性，因此能夠被有 效地應(yīng)用于身份鑒別。
應(yīng)用眉毛進(jìn)行識(shí)別， 一個(gè)重要的步驟就是眉毛圖像的分割。圖像分割歷來是圖像 分析和模式識(shí)別的首要問題，也是圖像處理的經(jīng)典難題之一，它是圖像分析和模式識(shí)別系 統(tǒng)的重要組成部分，并決定圖像的最終分析質(zhì)量和模式識(shí)別的判別結(jié)果。目前，雖然有眾
多的自動(dòng)分割圖像的方法，包括閾值法，聚類法，邊緣檢測(cè)等，但這些方法的分割結(jié)果 卻經(jīng)常不是人們所期望的。與這些自動(dòng)的分割方法相比，半自動(dòng)的圖像分隔技術(shù)更為實(shí)用， 因此也受到了更多的關(guān)注。半自動(dòng)或者交互的圖像分割指通過借助人的幫助完成圖像分 割，代表性的工作包括圖切，隨機(jī)漫步搜索，Lazy Snapping等。本質(zhì)上，這些工作都 可以納入半監(jiān)督學(xué)習(xí)分類的框架里面。
半監(jiān)督學(xué)習(xí)技術(shù)是介于有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)之間的一種學(xué)習(xí)技術(shù)，其中給定 的數(shù)據(jù)只有部分標(biāo)注了類別。比如，j-^，…,;c,，;cw,…,;cj是一個(gè)給定的點(diǎn)集，％中前/個(gè)點(diǎn)都有類別標(biāo)號(hào)Ov…，;^，其中兀€ = {1，...^}(!' = 1,...,/)，其余點(diǎn)沒有標(biāo)號(hào)，半 監(jiān)督學(xué)習(xí)的目標(biāo)就是以某種最優(yōu)準(zhǔn)則來標(biāo)注7中沒有標(biāo)號(hào)的點(diǎn)。到目前為止，半監(jiān)督 學(xué)習(xí)技術(shù)有以下幾種主要的實(shí)現(xiàn)方法:產(chǎn)生式模型(genemtive model),自訓(xùn)練 (self-training)，聯(lián)合訓(xùn)練(Co-training)，圖方法(graph based methods)等。本發(fā) 明的目的在于提供一種基于圖的半監(jiān)督學(xué)習(xí)技術(shù)的眉毛圖像分割技術(shù)。 一般地，眉毛 圖像的分割由于受到頭發(fā)、光照、姿勢(shì)及表情的影響比之普通的圖像分割更為困難。
自動(dòng)分割的方法幾乎不可能正確的提取出眉毛圖像，其他的眉毛圖像分割方法比如 主成分分析和模板匹配，雖然能基本定位，但是也都不能準(zhǔn)確標(biāo)定眉毛的邊界。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于半監(jiān)督學(xué)習(xí)技術(shù)和局部敏感的哈希方法，相結(jié)合的眉毛 圖像分割方法。
本發(fā)明是采用以下技術(shù)手段實(shí)現(xiàn)的 本發(fā)明依次包括以下步驟
步驟1;接受用戶的原始眉毛圖像，并將眉毛圖像劃分成大小相等的小像素塊sxs， s的值可根據(jù)速度和精度要求選擇s=2, 3, 4,...,10.
步驟2;通過計(jì)算機(jī)從原始眉毛圖像中選定一些眉毛點(diǎn)和非眉毛點(diǎn)，所有的像素 塊按照所包含的眉毛點(diǎn)與非眉毛點(diǎn)的多少給予相應(yīng)的標(biāo)號(hào)如果眉毛點(diǎn)數(shù)大于非眉毛 點(diǎn)數(shù)則該像素塊的標(biāo)號(hào)為1，反之為0;如果像素塊中不包含任何選定的眉毛點(diǎn)和非眉 毛點(diǎn)，則該像素塊沒有標(biāo)號(hào)；
步驟3;所有的像素塊均用向量表示，比如可以用五維向量(r， g, 6， ；c,力表示， 其中r， g， 6表示該像素塊的及G5值的平均值，jc， y表示該像素塊的中心相對(duì)于左 上角的坐標(biāo)值。記所有的像素塊對(duì)應(yīng)的向量組成的集合為X，有標(biāo)號(hào)的向量子集為丄。 通過局部敏感的哈希方法計(jì)算像素塊之間的相似度，生成相似距離矩陣『，并歸一化 該相似距離矩陣為S，具體步驟如下
步驟3.1;令J為像素塊的維數(shù)，^為分割閾值(歐式距離小于及的像素塊將于較
大的概率散列到哈希表中的同一位置)，i-5為希望成功做到距離小于A的像素塊散
列到哈希表中的同一位置的概率，w為哈希表的分割尺度，比如"^S4，0^A2^4，則
7認(rèn)為A，"2具有相同的哈希值；
步驟3.2;估算參數(shù)A和Z，使得查詢時(shí)間最少；
步驟3.2.1;通過計(jì)算機(jī)，從義中分別任意選出固定數(shù)目的向量，組成新的集合《 和々
步驟3.2.2;選定A為某固定常數(shù)，比如& = 16， /取為log^/log(l-;^)上取整，其 中A =
步驟3.2.3;通過計(jì)算機(jī)生成/個(gè)A:維復(fù)合向量c, =(^,￡^,...,^)(1^"/),其中 《K /,1《_/ 2 "為維向量，且c扭(l S / S /,1 2 A:，l《z《cZ)均為取自標(biāo)準(zhǔn)正態(tài)分布
的實(shí)數(shù)；記這/個(gè)A:維復(fù)合向量組成的集合為C;再通過計(jì)算機(jī)生成/個(gè)實(shí)數(shù)&(l2"/),
其中6,(l^W/)均取自均勻分布t/(0，w);
步驟3.2.4;對(duì)^中的每一個(gè)向量x,令
其中《表示向量的點(diǎn)積；令向量^=(幾1，^2,...，;^)(1^^)，則JC,的/個(gè)哈希鍵值可表 示為
<formula>formula see original document page 8</formula>
其中"「 l"表示上取整函數(shù)，A(l^")取自均勻分布"(0,/m/^e), /^fe/ze為哈希 表/f的長(zhǎng)度， 一般取為《的向量個(gè)數(shù)；哈希表/Z由每個(gè)哈希值到對(duì)應(yīng)哈希桶的索引構(gòu) 成，而每個(gè)哈希桶則由X,中具有相同哈希值的向量構(gòu)成；
步驟3.2.5;按照;c,的/個(gè)哈希鍵值，依次將x,裝入/f中該哈希鍵值對(duì)應(yīng)的哈希桶
中；
步驟3.2.6;對(duì)J^中的每一個(gè)向量 執(zhí)行步驟3.2.4計(jì)算 的/個(gè)哈希鍵值，并 用"9表示所需要的時(shí)間；根據(jù) 的/個(gè)哈希鍵值，査找哈希表z/中對(duì)應(yīng)的哈希桶^，
用7;表示所有^的向量個(gè)數(shù)之和，用、表示總的査找時(shí)間；令 -c/,/射，令v,-r,〃；
計(jì)算所有^的每個(gè)向量和 之間的歐氏距離，所花費(fèi)的時(shí)間記為A;令g《-G,/7;; 步驟3.2.7;令"=(2]、)/"， v = (J>g)/"， g = (2]g9)/"，其中"為集合J^中
￡ A € A ￡ "^"V
的向量個(gè)數(shù)；
步驟3.2.8;利用"、v和g的值，估算新的A:值，滿足條件A: = arg min{ Z(wxA:x/ + vx/ + gx co船/ow)〉，
其 中 / 為 1og^/log(1-a" 的 上 取 整 值 ， co〃&o"= Z f (1/w)(l/Oe-^2必'2(l-;c/JW)血(力W為與、之間的歐氏距離)；
步驟3.2.9;根據(jù)新的A:值，計(jì)算新的/為log^/log(1-A"的上取整值；
步驟3.3;令X,為^，執(zhí)行步驟3.2.3至步驟3.2.5重新生成哈希表/Z;
步驟3.4;遍歷整個(gè)哈希表//,對(duì)于JT中任意兩個(gè)向量;c,與x"若具有相同的哈
希鍵值，則定義^與 之間的相似度為
二 exp(— x,. — x乂 / 2cr2)
其中C為常數(shù)，否則定義^與。.之間的相似度為0，由此得到相似距離矩陣『；
步驟3.5;歸一化相似距離矩陣『，令
_i 」
其中Z)為斜對(duì)角矩陣，且D,, =2^.;
乂
步驟4，依據(jù)步驟3得到的歸一化相似矩陣S，采用基于圖的半監(jiān)督學(xué)習(xí)技術(shù)進(jìn)
行迭代計(jì)算，為沒有標(biāo)號(hào)的像素塊打上標(biāo)號(hào)，具體步驟如下
步驟4.1;構(gòu)造初始狀態(tài)矩陣i;a，其中"為X所含向量的總數(shù)，包括有標(biāo)號(hào)的和 無標(biāo)號(hào)的向量，若AeZ為己標(biāo)號(hào)向量中的眉毛塊，則&=1, &=0;若j^e丄是已
標(biāo)號(hào)向量中的非眉毛塊，則&=1， &=o;否則，&=:^2=0;
步驟4.2;迭代計(jì)算/^+1) = 5^(0+(1-")^直到收斂，其中F(o)-;r， a是個(gè)介
于0到l之間的常數(shù)；
步驟4.3;假設(shè)F'為迭代的結(jié)果，則無標(biāo)號(hào)向量、的標(biāo)號(hào)取決于《中最大的分量。 即若^'>巧2'，則該向量對(duì)應(yīng)的像素塊屬于眉毛區(qū)域，令像素塊的標(biāo)號(hào)為l;否則，
該向量對(duì)應(yīng)的像素塊屬于非眉毛區(qū)域，令該像素塊的標(biāo)號(hào)為o。
步驟5;根據(jù)迭代的結(jié)果，從原始眉毛圖像中提取出與原始標(biāo)號(hào)為1的像素塊相 連通且迭代結(jié)果為眉毛的像素塊，完成眉毛的提取工作；
步驟5.1;令集合^為空集；任意取出一個(gè)眉毛像素塊對(duì)應(yīng)的向量Oei:,將O加入 集合^，并將0的標(biāo)號(hào)改為2;
9步驟5.2;從集合乂中任意取出向量a，令^ = ^-{"};以a對(duì)應(yīng)的像素塊為起點(diǎn)， 在八個(gè)領(lǐng)域中查找標(biāo)號(hào)為1的所有像素塊加入集合」，并將這些像素塊的標(biāo)號(hào)改為2; 步驟5.3;執(zhí)行步驟5.2直到集合j為空；
步驟5.4;把標(biāo)號(hào)為2的像素塊連成眉毛區(qū)域，并通過計(jì)算機(jī)把眉毛區(qū)域放到一個(gè) 能夠包含它的最小矩形中生成一幅256色的純眉毛圖像，眉毛區(qū)域外部和最小矩形之
間的部分統(tǒng)一取為眉毛區(qū)域外部顏色的均值。
本發(fā)明的基本原理在于認(rèn)為某個(gè)像素塊是否屬于眉毛區(qū)域可以通過它的近鄰們判 斷，利用迭代的方法，把每個(gè)像素塊的標(biāo)號(hào)信息(是否屬于眉毛區(qū)域)擴(kuò)展到它的近 鄰直至達(dá)到一個(gè)全局穩(wěn)態(tài)。
本發(fā)明與現(xiàn)有技術(shù)相比，具有以下明顯的優(yōu)勢(shì)和有益效果
本發(fā)明由于利用了先驗(yàn)信息，分割效果要比自動(dòng)分割的方法具有更好的效果，此 外因?yàn)椴捎昧司植棵舾械墓７椒ㄓ?jì)算基于圖的半監(jiān)督方法中的相似距離矩陣，所以 具有比較快的分割速度。
實(shí)施例的實(shí)驗(yàn)效果明顯，說明本發(fā)明可以在實(shí)際應(yīng)用中進(jìn)行眉毛圖像的分割。在
一個(gè)具體的實(shí)驗(yàn)中，選擇5個(gè)人的40張?jiān)济济珗D像進(jìn)行實(shí)驗(yàn)，本發(fā)明都能正確的將
眉毛從原始圖像中的背景中切割出來。這么好的分割效果，是在室內(nèi)一般自然光照條 件下取得的，且對(duì)圖像的成像質(zhì)量并沒有非常高的要求。所以，可以認(rèn)為本發(fā)明具有 非常高的實(shí)用價(jià)值。事實(shí)上，與自動(dòng)分割圖像的方法相比，因?yàn)轭^發(fā)，眼睫毛與眉毛同 屬毛發(fā)，自動(dòng)分割的方法幾乎不可能把眉毛從背景中完全正確的分離出來。其他的人機(jī)交
互的圖像分割方法中與本發(fā)明比較相似的包括微軟的Lazy Snapping以及Fei Wang等人 在CVPR，06上提出的應(yīng)用LNP(Linear Neighborhood Propagation)進(jìn)行圖像分割的方法。
這兩個(gè)方法與本發(fā)明都是通過在原始圖像中畫上一些線或點(diǎn)標(biāo)注清楚背景和前景來完成 圖像分割。與Lazy Snapping相比，應(yīng)用Lazy Snapping進(jìn)行眉毛圖像分割，需要對(duì)眼睫
毛，頭發(fā)等與眉毛顏色相近的地方進(jìn)行特別的標(biāo)注，而本發(fā)明并不需要；此外，因?yàn)槊济?區(qū)域的邊緣比較細(xì)微，復(fù)雜，Lazy Snapping在某些邊界的標(biāo)定上沒有本發(fā)明準(zhǔn)確。與LNP 相比，LNP運(yùn)行比較緩慢，而本發(fā)明因?yàn)椴捎昧司植棵舾械墓７椒ㄇ笕∠嗨凭嚯x矩陣， 在運(yùn)算速度上有大幅度的提高。本發(fā)明在許多領(lǐng)域中具有重要的應(yīng)用價(jià)值。比如，在眉毛識(shí)別中，可以利用本發(fā) 明進(jìn)行前期預(yù)處理提取出純眉毛圖像，建立眉毛數(shù)據(jù)庫；又比如，可以作為某些圖像 處理軟件的插件，只需要簡(jiǎn)單的在原圖像上畫上幾筆，就能把需要的對(duì)象從背景中提 取出來。


圖1為本發(fā)明流程示意圖2為原始眉毛圖像的示意圖3為在原始眉毛圖像上進(jìn)行標(biāo)注的示意圖4為純眉毛圖像的示意圖5為原始眉毛圖像的效果圖6為在原始眉毛圖像上進(jìn)行標(biāo)注的效果圖7為純眉毛圖像的效果圖。
具體實(shí)施例方式
根據(jù)圖1配置本發(fā)明的實(shí)施例。本發(fā)明在實(shí)施時(shí)需要數(shù)碼相機(jī)或數(shù)碼攝像機(jī)之類 的數(shù)字圖像采集設(shè)備和具有一般圖像處理能力的普通臺(tái)式微機(jī)。具體實(shí)方案為
步驟1;采用圖像采集卡CG300、 CP240松下攝像機(jī)和75mm高精度日本進(jìn)口鏡 頭組裝成數(shù)字圖像采集設(shè)備，微機(jī)選為DELL GX620型計(jì)算機(jī)；在一般的光照條件下 采集原始眉毛圖像，并將原始眉毛圖像裝入計(jì)算機(jī)中；通過計(jì)算機(jī)把圖像處理成RGB 彩色圖像，并將眉毛圖像劃分成大小相等的一些小像素塊，小像素塊的大小為7x7;
步驟2;在計(jì)算機(jī)的顯示器上顯示出原始眉毛圖像，如圖2所示，并在圖像上通 過鼠標(biāo)注上一些眉毛區(qū)域中的點(diǎn)和一些非眉毛區(qū)域中的點(diǎn)，圖3是一個(gè)對(duì)圖像中的點(diǎn) 進(jìn)行標(biāo)注的例子，其中外圍的黑線(彩色圖像中的紅線)表示非眉毛區(qū)域，眉毛中的 白線(彩色圖像中的綠線)表示眉毛區(qū)域；所有的像素塊按照所包含的眉毛點(diǎn)與非眉 毛點(diǎn)的多少給予相應(yīng)的標(biāo)號(hào)如果眉毛點(diǎn)數(shù)大于非眉毛點(diǎn)數(shù)則該像素塊的標(biāo)號(hào)為1，
反之為O;如果像素塊中不包含任何選定的眉毛點(diǎn)和非眉毛點(diǎn)，則該像素塊沒有標(biāo)號(hào)。
11步驟3;所有的像素塊均用五維向量^"' & 6， X，力表示，其中。g， 6表示該 像素塊的^GB值的平均值，X， ^表示該像素塊的中心相對(duì)于左上角的坐標(biāo)值；記所 有的像素塊對(duì)應(yīng)的五維向量組成的集合為^，有標(biāo)號(hào)的向量組成集合Z;下面通過局 部敏感的哈希方法計(jì)算像素塊之間的相似度，生成相似距離矩陣『，并歸一化 該相似距離矩陣為S，具體步驟如下
步驟3.1;令"5, w = 4， "0.3， i = 20; 步驟3.2;估算參數(shù)A:和/;
步驟3.2.1;通過計(jì)算機(jī)，從X中任意選出IOOO和100個(gè)向量，分別組成新 的集合Z,和A;
步驟3.2.2 ;取定* = 16 ， /為logWlog(l-的上取整值，其中
A = f 〃，； 步驟3.2.3;通過計(jì)算機(jī)生成/個(gè)A:維復(fù)合向量c,. =(^^,.2,...,^)(12^/)，其中 ~(1^/2/,1^_/2"為J維向量，且c扭(l2/S/,1《)2A:,lSzS力均為取自標(biāo)準(zhǔn)正態(tài)分布 的實(shí)數(shù)；記這/個(gè)A維復(fù)合向量組成的集合為C;通過計(jì)算機(jī)生成/個(gè)實(shí)數(shù)6,(1^/2/), 6,. (1/)均取自均勻分布f/(0, W);
步驟3.2.4;對(duì)X,中的每一個(gè)向量;c,令
A = (q x, + W / vv(l化/,1《_/ ") 其中*表示向量的點(diǎn)積；令向量a-0^,/7,2,…,;^)(1^^/)，則、的/個(gè)哈希鍵值 可表示為
廣、
=i
其中"「 l"表示上取整函數(shù)，"u(l《w^)取自均勻分布t/(0,;^/w/ze)， /^/w&e為 哈希表//的長(zhǎng)度， 一般取為義,的向量個(gè)數(shù)；哈希表//由每個(gè)哈希值到對(duì)應(yīng)哈希桶的索 引構(gòu)成，而每個(gè)哈希桶則由X,中具有相同哈希值的向量構(gòu)成；
步驟3.2.5;按照x,的/個(gè)哈希鍵值，依次將JC,裝入/Z中該哈希鍵值對(duì)應(yīng)的哈希桶
中；
12步驟3.2.6;對(duì)％9中的每一個(gè)向量 執(zhí)行步驟3.2.4計(jì)算、的/個(gè)哈希鍵值，并 用^表示所需要的時(shí)間；根據(jù) 的/個(gè)哈希鍵值，査找哈希表/Z中對(duì)應(yīng)的哈希桶^^， 用7;表示所有&的向量個(gè)數(shù)之和，用、表示總的査找時(shí)間；令 ="9 /仏令= ^ 〃 ；
計(jì)算所有^的每個(gè)向量和、之間的歐氏距離，所花費(fèi)的時(shí)間記為(^;令^=<^/7;;
步驟3.2.7;令"=(^] )/"， v = (J>》/"， g-(Z^)/"，其中"為集合j^中 的向量個(gè)數(shù)；
步驟3.2.8;利用"、V和g的值，估算新的A值，滿足條件
A = argmin( Z(wxAx/ + vx/ + gxco〃z'57'o")},
i"， a
其 中 / 為 1og^/log(l-A" 的 上 取 整 值 ， co〃^"= Z f 力2^2(卜x/^ 0血(WW為；c,與、之間的歐氏距離)；
步驟3.2.9;根據(jù)新的A:值，計(jì)算新的/為log^/log(1-A"的上取整值； 步驟3.3;令X,為y，執(zhí)行步驟(3.2.3)至步驟(3.2.5)重新生成哈希表/f; 步驟3.4;對(duì)于X中任意兩個(gè)向量^與 ，若具有相同的哈希鍵值，則定義;c,.與
之間的相似度為
w" 二 exp(- 、 一 ;v乂 / 2<j2)
其中0" = 100為常數(shù)，否則定義^與。之間的相似度為0,由此得到相似距離矩陣 『。歸一化相似距離矩陣『， 步驟3.5;令
」 i
其中D為斜對(duì)角矩陣，iA,=2>r 步驟4;依據(jù)步驟3得到的歸一化k似矩陣S，采用基于圖的半監(jiān)督學(xué)習(xí)技術(shù)進(jìn) 行迭代計(jì)算，為沒有標(biāo)號(hào)的像素塊打上標(biāo)號(hào)，具體步驟如下
步驟4.i;構(gòu)造基于圖的半監(jiān)督學(xué)習(xí)技術(shù)中的初始狀態(tài)矩陣y"x2，其中"為^所含
向量的總數(shù)，包括有標(biāo)號(hào)的和無標(biāo)號(hào)的向量；若;^ei:為已標(biāo)號(hào)向量中的眉毛塊，則 }^=1, :=0;若X,.e丄是已標(biāo)號(hào)向量中的非眉毛塊，則^=1， &=0;否則， H0;步驟4.2;迭代計(jì)算i^ + l)-o^(0 + (l-a)y直到收斂，其中尸(0) = 7，a = 0.9;
步驟4.3;假設(shè)F'為迭代的結(jié)果，則無標(biāo)號(hào)向量x,的標(biāo)號(hào)取決于巧'中最大的分量。 即若F;〉i^'，則該向量對(duì)應(yīng)的像素塊屬于眉毛區(qū)域，令像素塊的標(biāo)號(hào)為l;否則， 該向量對(duì)應(yīng)的像素塊屬于非眉毛區(qū)域，令該像素塊的標(biāo)號(hào)為0;
步驟5;根據(jù)迭代的結(jié)果，從原始眉毛圖像中提取出與原始標(biāo)號(hào)為1的像素塊相 連通且迭代結(jié)果為眉毛的像素塊，完成眉毛的提取工作
步驟5.1;令集合」為空集；任意取出一個(gè)眉毛像素塊對(duì)應(yīng)的向量oeZ，將O加入 集合^，并將0的標(biāo)號(hào)改為2;
步驟5.2;從集合」中任意取出向量"，令^-J-(^;以fl對(duì)應(yīng)的像素塊為起點(diǎn)， 在八個(gè)領(lǐng)域中查找標(biāo)號(hào)為1的所有像素塊加入集合^，并將這些像素塊的標(biāo)號(hào)改為2;
步驟5.3;執(zhí)行步驟5.2直到集合^為空；
步驟5.4;把標(biāo)號(hào)為2的像素塊連成眉毛區(qū)域，并通過計(jì)算機(jī)把眉毛區(qū)域放到一個(gè) 能夠包含它的最小矩形中生成一幅256色的純眉毛圖像，眉毛區(qū)域外部和最小矩形之
間的部分統(tǒng)一取為眉毛區(qū)域外部顏色的均值。
最后應(yīng)說明的是以上實(shí)施例僅用以說明本發(fā)明而并非限制本發(fā)明所描述的技術(shù) 方案；因此，盡管本說明書參照上述的各個(gè)實(shí)施例對(duì)本發(fā)明已進(jìn)行了詳細(xì)的說明，但 是，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，仍然可以對(duì)本發(fā)明進(jìn)行修改或等同替換；而一
切不脫離發(fā)明的精神和范圍的技術(shù)方案及其改進(jìn)，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范 圍當(dāng)中。
1權(quán)利要求
1、一種基于半監(jiān)督學(xué)習(xí)和哈希索引的眉毛提取方法，其特征在于，依次包括以下步驟步驟1；接受用戶的原始眉毛圖像，并將眉毛圖像劃分成大小相等的小像素塊s×s，s的值可根據(jù)速度和精度要求選擇s＝2，3，4，...，10.步驟2；通過計(jì)算機(jī)從原始眉毛圖像中選定眉毛點(diǎn)和非眉毛點(diǎn)，所有的像素塊按照所包含的眉毛點(diǎn)與非眉毛點(diǎn)的多少給予相應(yīng)的標(biāo)號(hào)如果眉毛點(diǎn)數(shù)大于非眉毛點(diǎn)數(shù)則該像素塊的標(biāo)號(hào)為1，反之為0；如果像素塊中不包含任何選定的眉毛點(diǎn)和非眉毛點(diǎn)，則該像素塊沒有標(biāo)號(hào)；步驟3；所有的像素塊均用向量表示，比如可以用五維向量(r，g，b，x，y)表示，其中r，g，b表示該像素塊的RGB對(duì)應(yīng)分量的平均值，x，y表示該像素塊的中心相對(duì)于左上角的坐標(biāo)值；記所有像素塊對(duì)應(yīng)的向量組成的集合為X，其中有標(biāo)號(hào)的子集為L(zhǎng)；通過局部敏感的哈希方法計(jì)算像素塊之間的相似度，生成相似距離矩陣W，并歸一化該相似距離矩陣為S。
2、 根據(jù)權(quán)利要求l所述的基于半監(jiān)督學(xué)習(xí)和哈希索引的眉毛提取方法，其特征在于 所述的步驟3包括步驟3.1;令d為像素塊的維數(shù)，及為分割閾值(歐式距離小于及的像素塊將于較大的 概率散列到哈希表中的同一位置)，l-^為希望成功做到距離小于i 的像素塊散列到哈希 表中的同一位置的概率，w為哈希表的分割尺度，比如0S/^S4,0S&S4，則認(rèn)為/^,/^具 有相同的哈希值；步驟3.2;估算參數(shù)A:和/，使哈希表的查詢時(shí)間最少。
3、 根據(jù)權(quán)利要求2所述的基于半監(jiān)督學(xué)習(xí)和哈希索引的眉毛提取方法，其特征在于 所述的步驟3.2包括步驟3.2.1;通過計(jì)算機(jī)，從Z中分別任意選出固定數(shù)目的向量，組成新的集合義,和步驟3.2.2;選定A為某固定常數(shù)，比如^ = 16， /為log^/log(l-;^)的上取整值，其 中A = l"(l/w)(l/;rK'2，2(1-〃単；步驟3.2.3;通過計(jì)算機(jī)生成/個(gè)&維復(fù)合向量^=(^^,.2，...，^)(1《"/)，其中S /《/,1《_/ S A)為d維向量，且c"l《z' S /,1 S _/ S 、1《z 2力均為取自標(biāo)準(zhǔn)正態(tài)分布的 實(shí)數(shù)；記這/個(gè)A:維復(fù)合向量組成的集合為C;通過計(jì)算機(jī)生成/個(gè)實(shí)數(shù)^(1^^/)， 6,. (1 S / S /)均取自均勻分布f/(0, W);步驟3.2.4;對(duì)義,中的每一個(gè)向量;c,令-py = (Cy w(l《"/，B _/ S A:)其中*表示向量的點(diǎn)積；令向量A -(ApPc^/^XlSz^O,則&的/個(gè)哈希鍵值可表示 為/「 * 1、mod / os/m'ze (1 S / 2 /)其中"「 l"表示上取整函數(shù)，A(lS"^)取自均勻分布"(0,/^fo/ze)， /m/w/ze為哈希表// 的長(zhǎng)度， 一般取為^的向量個(gè)數(shù)；哈希表i/由每個(gè)哈希值到對(duì)應(yīng)哈希桶的索引構(gòu)成，而 每個(gè)哈希桶則由中具有相同哈希值的向量構(gòu)成；步驟3.2.5;按照:c,的/個(gè)哈希鍵值，依次將^裝入//中該哈希鍵值對(duì)應(yīng)的哈希桶中； 步驟3.2.6;對(duì)J^中的每一個(gè)向量、執(zhí)行步驟3.2.4計(jì)算、的/個(gè)哈希鍵值，并用C^表示所需要的時(shí)間；根據(jù)、的/個(gè)哈希鍵值，査找哈希表/Z中對(duì)應(yīng)的哈希桶^，用7;表示所有A的向量個(gè)數(shù)之和，用^表示總的査找時(shí)間；令"9="9/^/，令、=^〃；計(jì)算所有^的每個(gè)向量和、之間的歐氏距離，所花費(fèi)的時(shí)間記為G,;令g,-G"7;;步驟3,2.7;令"=(2>》/"， v=(J>"/"， g-(j;^)/"，其中"為集合J^中的 eA^ s^向量個(gè)數(shù)；步驟3.2.8;利用w、 v和g的值，估算新的&值，滿足條件-A: = argmin( 2(wxA:x/ + vx / + ,其中/為logS/log(1 —;^)的上取整值，co〃&o"= 2 j[(l/w)(l/;r)e-^2血2(l-;c/cfe)血(為JC,與 之間的歐氏距離)；步驟3.2.9;根據(jù)新的A值，計(jì)算新的/為l0g5/l0g(1-^)的上取整值；步驟3.3;令X,為I，執(zhí)行步驟3.2.3至步驟3.2.5重新生成哈希表i/;步驟3.4;遍歷整個(gè)哈希表i/，對(duì)于I中任意兩個(gè)向量;c,與x"若具有相同的哈希鍵值，則定義X,.與、之間的相似度為=exp(-|x, _jcy.| /2cr2)其中O"為常數(shù)，否則定義^與^之間的相似度為0，由此得到相似距離矩陣『； 步驟3.5;歸一化相似距離矩陣『，令其中d為斜對(duì)角矩陣，且￡> . = j>y.;
4、 根據(jù)權(quán)利要求1所述的基于半監(jiān)督學(xué)習(xí)和哈希索引的眉毛提取方法，其特征在于 所述得到的歸一化相似矩陣S，采用基于圖的半監(jiān)督學(xué)習(xí)技術(shù)進(jìn)行迭代計(jì)算，為沒有標(biāo)號(hào) 的像素塊打上標(biāo)號(hào)，具體步驟如下步驟4.1;構(gòu)造初始狀態(tài)矩陣1^2，其中W為X所含向量的總數(shù)，包括有標(biāo)號(hào)的和無標(biāo)號(hào)的向量，若^e丄為己標(biāo)號(hào)向量中的眉毛塊，則&=1，《2=0;若;c,. e丄是已標(biāo)號(hào)向 量中的非眉毛塊，則&=1， &=0;否則，i^=:p;2=o;步驟4.2;迭代計(jì)算FO + l)-aSF(0 + (l-a)y直到收斂，其中F(0)-y， a是個(gè)介于 0到1之間的常數(shù)；步驟4.3;假設(shè)F'為迭代的結(jié)果，則無標(biāo)號(hào)向量JC,.的標(biāo)號(hào)取決于^'中最大的分量。即若&'>《2'，則該向量對(duì)應(yīng)的像素塊屬于眉毛區(qū)域，令像素塊的標(biāo)號(hào)為l;否則，該 向量對(duì)應(yīng)的像素塊屬于非眉毛區(qū)域，令該像素塊的標(biāo)號(hào)為0。步驟5;根據(jù)迭代的結(jié)果，從原始眉毛圖像中提取出與原始標(biāo)號(hào)為1的像素塊相連通 且迭代結(jié)果為眉毛的像素塊，完成眉毛的提取工作；
5、 根據(jù)權(quán)利要求1所述的基于半監(jiān)督學(xué)習(xí)和哈希索引的眉毛提取方法，其特征在于 所述步驟5包括步驟5.1;令集合X為空集；任意取出一個(gè)眉毛像素塊對(duì)應(yīng)的向量oe丄，將O加入集 合^，并將0的標(biāo)號(hào)改為2;步驟5.2;從集合^中任意取出向量fl，令^ = ^-{fl};以fl對(duì)應(yīng)的像素塊為起點(diǎn)，在八個(gè)領(lǐng)域中查找標(biāo)號(hào)為1的所有像素塊加入集合」，并將這些像素塊的標(biāo)號(hào)改為2;步驟5.3;執(zhí)行步驟5.2直到集合^為空；步驟5.4;把標(biāo)號(hào)為2的像素塊連成眉毛區(qū)域，并通過計(jì)算機(jī)把眉毛區(qū)域放到一個(gè)能 夠包含它的最小矩形中生成一幅256色的純眉毛圖像，眉毛區(qū)域外部和最小矩形之間的部 分統(tǒng)一取為眉毛區(qū)域外部顏色的均值。
全文摘要
本發(fā)明公開了一種基于半監(jiān)督學(xué)習(xí)和哈希索引的眉毛圖像分割技術(shù)，依次包括以下步驟接受用戶的原始眉毛圖像，將眉毛圖像劃分成大小相等的小像素塊，并通過計(jì)算機(jī)在眉毛區(qū)域內(nèi)外分別選定一些像素塊賦予不同的標(biāo)號(hào)；將每個(gè)像素塊均表示成向量的形式，并通過局部敏感的哈希方法計(jì)算出這些像素塊之間的相似度，得到歸一化的相似距離矩陣；利用基于圖的半監(jiān)督學(xué)習(xí)技術(shù)為沒有標(biāo)號(hào)的像素塊打上標(biāo)號(hào)，并從中提取出標(biāo)號(hào)為眉毛的像素塊，完成眉毛的提取工作。本發(fā)明因?yàn)槔镁植棵舾械墓７椒ㄇ蠼饣趫D的半監(jiān)督學(xué)習(xí)技術(shù)中的相似距離矩陣，大大地提高了運(yùn)用半監(jiān)督技術(shù)進(jìn)行圖像分割的速度。
文檔編號(hào)G06K9/00GK101493887SQ200910079518
公開日2009年7月29日 申請(qǐng)日期2009年3月6日 優(yōu)先權(quán)日2009年3月6日
發(fā)明者張晨光, 李玉鑑 申請(qǐng)人:北京工業(yè)大學(xué)