nly Memory)、随机存取存储器（RAM，Random Access Memory)、 磁碟或者光盘等各种可以存储程序代码的介质。
[0126] 以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实 施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各 实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改 或者替换，并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的精神和范 围。
【主权项】
1. 一种基于Gabor特征的皮肤纹理检测方法，其特征在于，所述方法包括： 将待检测图像划分成多个图像块； 将每一个图像块的每一个色彩通道与预先建立的Gabor滤波器组依次在空域做卷积， 获得k*s*r个与该图像块尺寸大小相同的矩阵，其中k为所述Gabor滤波器组的方向的个 数，s为所述Gabor滤波器组的尺度的个数，r为所述色彩通道的个数，k、s、r为大于零的 整数； 计算每一个所述矩阵的均值和方差，并将所述均值和方差作为特征值，获得k*s*r*2 个特征值； 将所述k*s打*2个特征值作为该图像块的特征向量，并将所述特征向量通过预先建立 的分类器进行检测，以确定该图像块是否具有皮肤纹理特征。2. 如权利要求1所述的方法，其特征在于，所述方法还包括： 显示所述待检测图像中具有皮肤纹理特征的图像块。3. 如权利要求1所述的方法，其特征在于，所述建立分类器包括： 采集多个训练图像，所述训练图像包含皮肤纹理特征； 将所述训练图像划分成多个图像块； 获取每个图像块的特征向量，所述特征向量包含多个特征值； 根据所述特征值，采用高斯混合模型对所述图像块进行聚类，获得训练样本，并将所 述训练样本标记为皮肤和非皮肤两类； 将所述标记过的训练样本通过Adboost算法进行训练，生成分类器。4. 如权利要求3所述的方法，其特征在于，将所述标记过的训练样本通过Adboost算法 进行训练，生成分类器包括： 步骤1 :获取标记过的训练样本（X;，y;)，i= 1，. . .，N，其中X;eR,yie-1，+1，R表示 训练样本，-1，+1表示皮肤和非皮肤两类，N表示训练样本的个数； 步骤2 :设定每个训练样本的初始权值t= 1/N,i= 1，. ..，N: 步骤3 :循环执行以下步骤a、b、c、d，m= 1，. . .，M，M表示分类器的个数； 步骤a.使用权值为Wl的训练样本训练分类器fjx)e-1，+1 ; 步骤b.计算所述训练样本和所述分类器的当前错误库若errni为0， 则令errm = 2 52,并根据所述错误率errm修改所述分类器的权值cm =log((l-errm) /errm); 步骤c.根据所述分类器的权值Cni重新设置训练样本的权值h: =u:exp[rwl,,.，,,A ,,]，/ = 1，2,…，~，并将重新设置的权值Wi进行归一化处理，使得步骤d.利用已有m个分类器计算总体错误率，若总体错误率为0,则结束操作；否则， 返回步骤a循环执行，并在总体错误率不为0时循环执行M次结束操作； 步骤4:获得最终的分类器5. 如权利要求3所述的方法，其特征在于，所述高斯混合模型为： p(z) =aig(z；u!,E:) +a2g(z；u2,E2) 其中，g(z;ill，EJ和g(z;y2,E2)表示高斯模型的概率密度函数，z表示所述特征 值，a:、a2分别表示所述概率密度函数的系数，其中ai+a2 = 1，yy2分别表示所述概率密 度函数的中心点，EpE2分别表示所述概率密度函数的共变异矩阵，= <表示方 差，I表示单位矩阵，j= 1，2。6. -种基于Gabor特征的皮肤纹理检测装置，其特征在于，所述装置包括： 第一图像块划分单元，用于将待检测图像划分成多个图像块； 第一计算单元，用于将每一个图像块的每一个色彩通道与预先建立的Gabor滤波器组 依次在空域做卷积，获得k*s*r个与该图像块尺寸大小相同的矩阵，其中k为所述Gabor滤 波器组的方向的个数，s为所述Gabor滤波器组的尺度的个数，r为所述色彩通道的个数，k、 s、r为大于零的整数； 第二计算单元，用于计算每一个所述矩阵的均值和方差，并将所述均值和方差作为特 征值，获得k*s*r*2个特征值； 检测单元，用于将所述k*s*r*2个特征值作为该图像块的特征向量，并将所述特征向 量通过预先建立的分类器进行检测，以确定该图像块是否具有皮肤纹理特征。7. 如权利要求6所述的装置，其特征在于，所述装置还包括： 显示单元，用于显示所述待检测图像中具有皮肤纹理特征的图像块。8. 如权利要求6所述的装置，其特征在于，所述装置还包括： 图像采集单元，用于采集多个训练图像，所述训练图像包含皮肤纹理特征； 第二图像块划分单元，用于将所述训练图像划分成多个图像块； 特征提取单元，用于获取每个图像块的特征向量，所述特征向量包含多个特征值； 聚类单元，用于根据所述特征值，采用高斯混合模型对所述图像块进行聚类，获得训 练样本，并将所述训练样本标记为皮肤和非皮肤两类； 分类器生成单元，用于将所述标记过的训练样本通过Adboost算法进行训练，生成分 类器。9. 如权利要求8所述的装置，其特征在于，所述分类器生成单元包括： 样本获取模块，用于获取标记过的训练样本h，yi)，i= 1，. . .，N，其中XleR，yie-1，+1，R表示训练样本，-1，+1表示皮肤和非皮肤两类，N表示训练样本的个 数； 权值设置模块，用于设定每个训练样本的初始权值Wl = 1/N，i= 1，. ..，N: 控制模块，用于控制训练子模块、计算子模块、权值重设子模块以及结束子模块的执 行，并在结束子模块的总体错误率不为〇时，控制所述控制训练子模块、计算子模块、权值 重设子模块以及结束子模块循环执行M次，其中m= 1，...，M，M表示分类器的个数； 训练子模块，用于使用权值为Wl的训练样本训练分类器fjx)e-1，+1 ; 计算子模块，用于计算所述训练样本和所述分类器的当前错误_若errm为0,则令errm = 2 52,并根据所述错误率errm修改所述分类器的权值cm =log((l-errm)/errm)； 权值重设子模块，用于根据所述分类器的权值Cnl重新设置训练样本的权值n',. =n',.exp[c.,,, 1,、J,/ = 1义…,A? *并将重新设置的权值Wi进行归一化处理，使得结束子模块，用于利用已有m个分类器计算总体错误率，若总体错误率为0,则结束操 作； 分类器获得模块，用于获得最终的分类器地^10.如权利要求8所述的装置，其特征在于，所述高斯混合模型为：p(z) =(z；u!,E:) +a2g(z；u2,E2) 其中，g(z;ill，EJ和g(z;y2,E2)表示高斯模型的概率密度函数，z表示所述特征 值，a:、a2分别表示所述概率密度函数的系数，其中ai+a2 = 1，yy2分别表示所述概率密 度函数的中心点，EE2分别表示所述概率密度函数的共变异矩阵，:Ej= </，： <表示方 差，I表示单位矩阵，j= 1，2。
【专利摘要】本发明适用于图像处理技术领域，提供了一种基于Gabor特征的皮肤纹理检测方法及装置，所述方法包括：将待检测图像划分成多个图像块；将每一个图像块的每一个色彩通道与预先建立的Gabor滤波器组依次在空域做卷积，获得k*s*r个与该图像块尺寸大小相同的矩阵；计算每一个所述矩阵的均值和方差，并将所述均值和方差作为特征值，获得k*s*r*2个特征值；将所述k*s*r*2个特征值作为该图像块的特征向量，并将所述特征向量通过预先建立的分类器进行检测，以确定该图像块是否具有皮肤纹理特征。通过本发明可快速、准确的检测出具有皮肤纹理特征的图像。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN105095836
【申请号】CN201410203716
【发明人】王凌霄, 张敏, 秦召红, 刘冬, 朱定局, 杨望仙
【申请人】中国科学院深圳先进技术研究院
【公开日】2015年11月25日
【申请日】2014年5月14日