用于识别口红色号的方法与流程

本发明涉及一种用于识别口红色号的方法。

背景技术：

现有的口红色号分类方法多为利用深度学习，训练一个卷积神经网络的模型对口红色号进行识别，现有方法的弊端在于：通过卷积的方法提取的特征为形状特征，而口红的分类依靠的是颜色特征，根据形状进行分类的结果非常不准，且使用深度学习的神经网络层数普遍过深，对于差异极小又数量不足的数据极容易过拟合，既对训练数据识别非常准确，而未训练过的数据非常不准确，而如果网络层数不深对于差别小的图片分辨能力极弱。

技术实现要素：

本发明提供了一种用于识别口红色号的方法，采用如下的技术方案：

一种用于识别口红色号的方法，包含以下步骤:

获取训练图片；

对训练图片进行预处理；

通过预处理后的训练图片训练决策森林，决策森林包含多个决策树；

通过预处理后的训练图片训练svm分类器；

获取待识别图片；

对待识别图片进行预处理；

将预处理后的待识别图片输入至训练好的svm分类器和决策森林得到判断结果；

对svm分类器和决策森林的判断结果进行投票得到最终识别结果。

进一步地，对训练图片进行预处理的具体方法为：

对训练图片进行降噪处理；

将降噪处理后的训练图片进行hsv转换；

识别并提取出转换后的训练图片中的口红膏体区域。

进一步地，对训练图片进行预处理的具体方为：

对训练图片使用双边滤波去除突变以及噪声；

将降噪处理后的训练图片进行hsv转换；

设定h的阈值识别和提取训练图片中的口红膏体区域。

进一步地，通过预处理后的训练图片训练决策森林的具体方法为：

将提取出的转换后的训练图片中的口红膏体区域输入决策森林对其进行训练。

进一步地，决策森林包含3-6个决策树。

进一步地，通过预处理后的训练图片训练svm分类器的具体方法为：

统计训练图片中的口红膏体区域的所有点的h值的分布结果；

将分布结果输入svm分类器对其进行训练。

进一步地，分布结果为统计直方图；

统计直方图的横坐标为h值且纵坐标为对应h值的点的个数；

其中，横坐标的精度的范围为大于等于4且小于等于6。

进一步地，获取训练图片的具体方法为：

将用于训练的口红放置在白色背景前；

通过rgb相机获取用于训练的口红的第一图像；

将第一图像打上对应的色号标记得到训练图片；

获取待识别图片的具体方法为：

将待分析色号的口红放置在白色背景前；

通过rgb相机获取待分析色号的口红的第二图像作为待识别图片。

进一步地，对待识别图片进行预处理的具体方法为：

对待识别图片进行降噪处理；

将降噪处理后的待识别图片进行hsv转换；

识别并提取出转换后的待识别图片中的口红膏体区域。

进一步地，对待识别图片进行预处理的具体方法为：

对待识别图片使用双边滤波去除突变以及噪声；

将降噪处理后的待识别图片进行hsv转换；

设定h的阈值识别和提取待识别图片中的口红膏体区域。

本发明的有益之处在于提供的用于识别口红色号的方法将图片进行hsv转换，去除了形状和亮度对识别结果的干扰，且同时采用svm分类器和决策森林进行综合判断，提高了口红色号识别的准确度。

附图说明

图1是本发明的用于识别口红色号的方法的流程图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

如图1所示为本发明的一种用于识别口红色号的方法，用于自动识别口红的色号。用于识别口红色号的方法包含以下步骤:s1：获取训练图片。s2:对训练图片进行预处理。s3:通过预处理后的训练图片训练决策森林，决策森林包含多个决策树。s4:通过预处理后的训练图片训练svm(supportvectormachine,支持向量机)分类器。s5:获取待识别图片。s6:对待识别图片进行预处理。s7:将预处理后的待识别图片输入至训练好的svm分类器和决策森林得到判断结果。s8:对svm分类器和决策森林的判断结果进行投票得到最终识别结果。

对于s1：获取训练图片。

首先需要获取一定数量的训练图片对后续步骤中的svm分类器和决策森林进行训练。为了便于对训练图片进行处理，将用于训练的口红放置在白色背景前，通过rgb相机获取用于训练的口红的第一图像，再将该第一图像打上对应的口红的色号标记得到训练图片。背景颜色可以根据实际情况进行选择。

对于s2:对训练图片进行预处理。

通过步骤s1获取到训练图片后，再对训练图片进行预处理，预处理的具体方法为：对训练图片进行降噪处理，将降噪处理后的训练图片进行hsv转换，识别并提取出转换后的训练图片中的口红膏体区域。

具体而言，对训练图片使用双边滤波去除突变以及噪声。双边滤波的核函数是空间域核与像素范围域核的综合结果，在图像的平坦区域，像素值变化很小，对应的像素范围域权重接近于1，此时空间域权重起主要作用，相当于进行高斯模糊，在图像的边缘区域，像素值变化很大，像素范围域权重变大，从而保持了边缘的信息。

进一步地，获取到的训练图片为rgb图片，每个点对应的值为(r,g,b),而hsv(hue,saturation,value)是根据颜色的直观特性创建的一种颜色空间,也称六角锥体模型，这个模型中颜色的参数分别是：色调(h)，饱和度(s)和明度(v),图片中每个点的值为(h，s，v)。将rgb图像进行hsv转换的具体方法为：首先将训练图片每个点的rgb值归一化，即将范围从0-255缩放到0-1。针对每个像素，取rgb中最大值计为max，即max＝max(r,g,b)，最小值计为min，即min＝min(r,g,b)，则(h，s，v)中每个值分别为：

v＝max(r,g,b)；

s＝0(如果max＝0)，s＝(max-min)/max(如果max不等于0)；

h＝0(如果max＝min)，h＝60*(g-b)/(max-min)(如果max＝r并且g>＝b)，h＝60*(g-b)/(max-min)+360(如果max＝r并且g<b)，h＝60*(b-r)/(max-min)+120(如果max＝g)，h＝60*(r-g)/(max-min)+240(如果max＝b)；

根据以上换算关系，将训练图片进行hsv转换。对转转换后的训练图片设定h的阈值识别和提取训练图片中的口红膏体区域。具体为在全图中挑选出所有符合阈值的点，对这些点进行findcontours(查找轮廓)的处理，找到最大的轮廓，轮廓内部作为口红膏体区域。

对于s3:通过预处理后的训练图片训练决策森林，决策森林包含多个决策树。

将步骤s2中将提取出的转换后的训练图片中的口红膏体区域输入决策森林对其进行训练。

具体而言，提取膏体上所有点的hsv特征，将每一个点作为一条数据，每条数据为hsv值的3个维度的特征，假设每种颜色有1000个点，则该颜色的训练数据为1000条，由于每个点所处的位置和拍摄角度均不同，故同一色号的口红膏体不同位置的点的hsv的值有细小的偏差，所以使用每种颜色的所有点进行训练，可得出具备颜色分类能力的决策树，决策树为一个5层的判断器，每一层均对输入特征进行分类，最终得出最终结果，训练多个决策树组成决策森林，一般选择3-6个决策树组成决策森林，优选为5个决策树组成决策森林。

对于s4:通过预处理后的训练图片训练svm分类器。

通过预处理后的训练图片训练svm分类器的具体方法为：统计训练图片中的口红膏体区域的所有点的h值的分布结果。将分布结果输入svm分类器对其进行训练。

进一步地，分布结果为统计直方图。统计直方图的横坐标为h的值，纵坐标为对应h值的点的个数。其中，横坐标精度默认为1，对微小变化过于敏感，造成误差太大，因此，在本实施例中，将横坐标的精度的范围设为大于等于4且小于等于6，优选为5。例如1-5,6-10为一个个分段，统计各个分段的点的个数作为特征值。

对于s5:获取待识别图片。

将待分析色号的口红放置在白色背景前，通过rgb相机获取待分析色号的口红的第二图像作为待识别图片，背景颜色可以根据实际情况进行选择。

对于s6:对待识别图片进行预处理。

对待识别图片进行预处理的方法和对训练图片进行预处理的方法基本相同，对待处理图片进行降噪处理，将降噪处理后的待处理图片进行hsv转换，识别并提取出转换后的待处理图片中的口红膏体区域。

具体而言，对待处理图片使用双边滤波去除突变以及噪声。双边滤波的核函数是空间域核与像素范围域核的综合结果，在图像的平坦区域，像素值变化很小，对应的像素范围域权重接近于1，此时空间域权重起主要作用，相当于进行高斯模糊，在图像的边缘区域，像素值变化很大，像素范围域权重变大，从而保持了边缘的信息。将待处理图片进行hsv转换，对转转换后的待处理图片设定h的阈值识别和提取待处理图片中的口红膏体区域。具体为在全图中挑选出所有符合阈值的点，对这些点进行findcontours(查找轮廓)的处理，找到最大的轮廓，轮廓内部作为口红膏体区域。

对于s7:将预处理后的待识别图片输入至训练好的svm分类器和决策森林得到判断结果。

将预处理后的待识别图片输入到训练好的svm分类器和决策森林，svm分类器和决策森林分别输出结果，其中，决策森林输出的结果的个数与其包含的决策树的个数相同。

对于s8:对svm分类器和决策森林的判断结果进行投票得到最终识别结果。

当svm分类器和决策森林均输出判断结果后，再通过投票的方法对svm分类器和决策森林的判断结果进行投票，投票最高的结果最后最终识别结果。

通过以上所有步骤，可以非常精确的识别口红的色号。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。