2

裸露检测算法

  • 正常化
  • 分区
  • 特征提取
  • 使用 SVM 进行分类

使用以下方法

1.标准化：第一张图片转换为.jpg格式，大小为256X256。然后转换为YCbCr色彩空间，为此我使用OpenCV python。这是代码。

2.Zoning：归一化图像然后分为三个区域。这是因为假设是“图像的裸露主要在中央区域发现”。

3.特征提取：在这个模块中图像在YCbCr中，皮肤像素在（0,133,77），（255,173,127）范围内通过阈值过滤并分为三个区域。然后为每个区域计算2个颜色特征（数量连接的皮肤像素和皮肤像素与总像素的比例）和2个纹理特征（同质性和相关性）。纹理特征使用glcm（skimage.features模块）计算。这里是代码

import os
import numpy as np
import cv2
from cv2 import cv
import skimage.feature as sf
total_pixels=256.0*256.0

class normalize:
    def __init__(self,src,dst):
        self.src=src
        self.dst=dst+"_1.jpg"
    def resize(self):
        x,y=256,256
        src=cv2.imread(self.src,1)
        src=cv2.resize(src,(x,y))
        cv2.imwrite(self.dst,src)
        dst=cv2.imread(self.dst,1)
        return dst
"""Segmentation module is used to segment out skin pixels in YCrCb color space"""

def segmentation(src):
    img=src.copy()
    img=cv2.cvtColor(src,cv.CV_BGR2YCrCb)
    dst=cv2.inRange(img,(0,133,77),(255,173,127))
    return dst

"""Image Zoning and feature extraction module"""

class features:
    def __init__(self,src):
        self.zone1=src
        self.zone2=src[30:226,30:226]
        self.zone3=src[60:196,60:196]

    def createglcm(self,zone):
        return sf.greycomatrix(zone,[1],[0,np.pi/4,np.pi/2,-np.pi/2,-np.pi/4,np.pi*25/12],normed=True)

    def getCorrelation(self,glcm):
        return sf.greycoprops(glcm,'correlation')

    def getHomogeneity(self,glcm):
        return sf.greycoprops(glcm,'homogeneity')

    def getcolorfeatures(self,zone):
        contours, hierarchy = cv2.findContours(zone,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

        skin_pixel_connected=0 

        for i in range(len(contours)):
            skin_pixel_connected=skin_pixel_connected+cv2.contourArea(contours[i])

        return [skin_pixel_connected,skin_pixel_connected/total_pixels]

现在我已经检索到代码中给出的各种功能的列表。如何从 python 列表中为 svm 制作特征向量。如何使用 SVM 通过使用裸图像和非裸图像（我有 5000 张图像）进行训练，然后进行检测。？任何机构都可以建议我。

4

2 回答 2

1

交叉验证策略后，C=100.00，gamma=0.07

这是我的代码的样子：

from sklearn.svm import SVC
classifier=SVC(kernel='rbf',C=100.0,gamma=0.07,cache_size=800)
classifier.fit(np.array(featurespace),np.array(classes))
classifier.predict(X_test)
于 2013-11-05T14:14:32.190 回答
1
  1. 您创建一个 SVM 对象。
  2. 使用适合您的训练图片的方法来训练您的 SVM。
  3. 使用 predict 方法来预测您的测试/数据。

代码：

from sklearn import svm
clf = svm.SVC()
clf.fit(X,y)
clf.predict(X_test)

对于特征向量 X，只需将每个训练数据的特征合并到一个 np 数组中。

于 2013-11-05T08:47:34.413 回答