基于支撑向量机的画像风格分类方法
【专利摘要】本发明公开了一种基于支撑向量机的画像风格分类方法，主要解决名画甄别中需要借助于专业的物理设备和刑侦破案中比对出的犯罪嫌疑人照片精确性差的问题。其技术方案是：(1)划分数据库样本集为训练集和测试集；(2)将划分训练集为五个部件训练集；(3)将每个部件训练集生成五组风格集和相应的类标；(4)在五组风格集和相应的类标之间生成支撑向量参数；(5)划分测试集为五个部件测试集；(6)用每个部件测试集生成部件向量；(7)由五个部件向量生成五个部件类标；(8)由五个部件类标生成测试画像的风格类标。本发明无需借助于专业的物理设备就可甄别出画像风格，并能比对出精确性高的犯罪嫌疑人照片，可用于名画甄别和刑侦破案。
【专利说明】基于支撑向量机的画像风格分类方法
【技术领域】
[0001] 本发明属于图像处理【技术领域】，更进一步涉及模式识别与计算机视觉【技术领域】中 的画像风格分类方法，可用于名画甄别和刑侦破案。
【背景技术】
[0002] 目前画像风格的分类在名画甄别和刑侦破案中发挥着重要的作用。在名画甄别领 域，国内外公私所藏传世名画数量巨大，它们的情况十分复杂，有真有假，有的作者不明，需 要对其进行严格的科学鉴定。近年艺术史学者越来越会利用科学工具鉴定艺术品真伪，他 们常用的鉴定技术有同位素分析技术和红外反射成像技术。其中红外反射成像鉴定技术是 先用红外线照射需要鉴定的画作上，然后利用红外热像仪帮助鉴定。红外线穿透颜料涂层 后，被最初轮廓草稿的材料所吸收，由于草稿只反射很少的热量，在红外图像上呈现出草稿 的黑色线条。每个人绘制草稿时都有自己的绘画风格，通过草稿的风格便可以揭示出画作 的真伪。但是这些鉴定技术都是物理分析手段，鉴定时需要专业的设备，这就给名画的鉴定 带来了不便。
[0003] 在刑侦破案中，一般是由画家通过目击证人的描述绘画出犯罪嫌疑人的画像，然 后把画像放到画像-照片数据库中合成照片，再与照片数据库中的照片比对出犯罪嫌疑人 的照片。由于画像-照片数据库中的画像风格不同，使该数据库具有多样性，合成照片不精 准，比对出的犯罪嫌疑人照片准确性差。
【发明内容】
[0004] 本发明的目的在于提出一种基于支撑向量机的画像风格分类方法，以辅助专家和 业余爱好者鉴定画像的作者和帮助刑侦破案人员比对出准确性高的犯罪嫌疑人照片。
[0005] 为实现上述目的，本发明的技术方案包括如下步骤：
[0006] (1)划分数据库样本集：将画像集划分为训练集U = {Up, p = 1，2, . . .，150}和测 试集
【权利要求】
1. 一种基于支撑向量机的画像风格分类方法，包括如下步骤： (1) 划分数据库样本集：将画像集划分为训练集u = {Up, P = 1，2,...，150}和测试集
其中Up表示训练集中的第p张画像，
表示测试集中的第q张画 像； (2) 划分训练集：将待处理的画像训练集U按部件的不同，划分为五个训练部件集
分别是脸、左眼、右眼、鼻和嘴部件训练集，
表示训练集中的第P 张画像的第i个部件； (3) 在每个部件训练集U1，i = 1，2,... 5上生成五组风格集和相应的类标； (4) 在五组风格集和相应的类标之间生成支撑向量参数：先将步骤（3)的五组风格集 作为支撑向量机的输入，并将相应的类标作为支撑向量机的输出；再在输入和输出之间生 成一组部件支撑向量参数和五个部件对应五组部件的支撑向量参数； (5) 划分测试集：将待处理的画像测试集
按部件的不同，划分为五个测试部件集
，分别是脸、左眼、右眼、鼻和嘴部件测试集，
分别表示测试集第q张 画像的第i个部件； (6) 在每个部件测试集
上生成测试部件向量集
(7) 用步骤￠)中的每张测试画像的五个测试部件向量集
和步骤（4)中的对应五个 部件支撑向量参数，作为支撑向量机的输入，获得五个部件类标； (8) 将步骤（7)的五个部件类标，通过"少数服从多数"的投票原则，获得测试画像的风 格类标。
2. 根据权利要求1所述的基于支撑向量机的画像风格分类的方法，其特征在 于：步骤⑵所述的将待处理的画像训练集U按部件的不同，划分为五个训练部件集
按如下步骤进行： (2a)将训练集U的每张画像的原图作为脸部件，大小设为176x239,将训练集U的所有 画像的脸部件作为脸部件训练集U1 ; (2b)以训练集U的每张画像的左眼瞳孔为中心，取大小为30x22的方形图像作为左眼 部件，以训练集U的所有画像的左眼部件作为左眼部件训练集U2 ; (2c)以训练集U的每张画像的右眼瞳孔为中心，取大小为30x22的方形图像作为右眼 部件，以训练集U的所有画像的右眼部件作为右眼部件训练集U3 ; (2d)以训练集U的每张画像的两眼瞳孔连线的中心到鼻头的中间点为中心，取大小为 30x22的方形图像作为鼻部件，以训练集U的所有画像的鼻部件作为鼻部件训练集U4 ; (2e)以训练集U的每张画像的嘴巴中心为中心，取大小为30x22的方形图像作为嘴部 件，以训练集U的所有画像的嘴部件作为嘴部件训练集U5。
3. 根据权利要求1所述的基于支撑向量机的画像风格分类的方法，其特征在于：步骤 (3)所述的在每个部件训练集U1上生成五组风格集和相应的类标，按如下步骤进行： (3a)将每个部件训练集U1中的每个部件分成训练方形块： (3b)在每个训练方形块上生成训练特征向量Vf : (3c)把每个部件训练集U1的每张画像的每个部件的所有训练方形块L的训练特征向 量Vf依次排列到一个列向量中，得到训练部件向量V。，进而用每个部件训练集U1的150张 训练画像的训练部件向量V。组成训练部件向量集
(3d)根据每个训练部件向量集
所属的150张画像包括五个画家的绘画 作品，将训练部件向量集
分为五组风格集，每组风格集对应一个画家，并为 每组风格集设定相应的类标。
4. 根据权利要求3所述的基于支撑向量机的画像风格分类的方法，其特征在于：步骤 (3a)所述的将每个部件训练集i = 1，2, ...，5中的每个部件分成训练方形块，按如下步 骤进行： (3al)将脸部件训练集U1的脸部件分为大小为32x32的训练方形块，块之间的重叠部 分为16x16的方形块； (3a2)将左眼部件训练集U2的左眼部件分为大小为22x22的训练方形块，块之间的重 叠部分为11x11的方形块； (3a3)将右眼部件训练集U3的右眼部件分为大小为22x22的训练方形块，块之间的重 叠部分为11x11的方形块； (3a4)将鼻部件训练集U4的鼻部件分为大小为22x22的训练方形块，块之间的重叠部 分为11x11的方形块； (3a5)将嘴部件训练集U5的嘴部件分为大小为22x22的训练方形块，块之间的重叠部 分大小为11x11的方形块。
5. 根据权利要求3所述的基于支撑向量机的画像风格分类的方法，其特征在于：步骤 (3b)所述的在每个训练方形块上生成训练特征向量V f，按如下步骤进行： (3bl)在每个训练方形块上提取灰度直方图特征，即对每个训练方形块的0-255个灰 度级的像素进行计数，得到一个维数是256的训练灰度直方图特征向量'，每维的数值是该 灰度级的像素数量； (3b2)在每个训练方形块上提取灰度矩特征，即对每个训练方形块计算灰度的一阶矩
、二阶矩
和三阶矩
，生成3维的训练灰度矩 特征向量V2，其中，ta表示部件块的第a个像素的灰度值，N为部件块的像素点个数； (3b3)在每个训练方形块上提取SURF特征，即以训练方形块中心为中心，构造一个 20x20的正方形窗口，将该窗口分成4x4个子区域，每个子区域有25个像素点；对子区域 的每个像素点计算水平和垂直方向的Haar小波响应，分别记做d x和dy ;将子区域的25个 像素点的响应值4, dy及其绝对值|dx|，|dy|进行累加，每个子区域得到如下4个矢量 ： Σ(1Χ，2dy，Σ |dx|，Σ |dy|，进而得到每个正方形窗口生成4x(4x4) =64维的训练SURF特征 向量V3 ; (3b4)在每个训练方形块上提取LBP特征：即将块中心的像素值与以块中心为圆心，半 径为5的环形上的8个点的像素值逐个进行比较，如果中心像素值比环形上点的像素值大， 则将该环形上的点赋值为1，否则为0,进而用环形领域上的8个点生成1个8位二进制数； 再将将该8位二进制数转换为256位的十进制数，生成256维的训练LBP特征向量V4 ; (3b5)将步骤（3bl)?（3b4)得到的训练灰度直方图特征向量'，训练灰度矩特征向量 V2，训练SURF特征向量V3，训练LBP特征向量V4这四个向量依次排列到一个列向量中，得到 训练特征向量V f。
6. 根据权利要求1所述的基于支撑向量机的画像风格分类的方法，其特征在 于：步骤（5)所述的将待处理的画像测试集
按部件的不同，划分为五个测试部件集
，按如下步骤进行： (5a)将测试集
的每张画像的原图作为脸部件，大小设为176x239,将测试集的所
有画像的脸部件作为脸部件测试集
(5b)以测试集
的每张画像的左眼瞳孔为中心，取大小为30x22的方形图像作为左眼 部件，以测试集的所有画像的左眼部件作为左眼部件测试集
(5c)以测试集的每张画像的右眼瞳孔为中心，取大小为30x22的方形图像作为右眼
部件，以测试集
的所有画像的右眼部件作为右眼部件测试集
(5d)以测试集
的每张画像的两眼瞳孔连线的中心到鼻头的中间点为中心，取大小为 30x22的方形图像作为鼻部件，以测试集的所有画像的鼻部件作为鼻部件测试集
(5e)以测试集的每张画像的嘴巴中心为中心，取大小为30x22的方形图像作为嘴部
件，以测试集的所有画像的嘴部件作为嘴部件测试集
7. 根据权利要求1所述的基于支撑向量机的画像风格分类的方法，其特征在于：步骤 (6)所述的在每个部件测试集
上生成测试部件向量集
按如下 步骤进行： (6a)将每个部件测试集
中的每个部件分成测试方形块； (6b)在每个测试方形块上生成测试特征向量
(6c)把每个部件测试集
中的每个部件的所有测试方形块的测试特征向量
依次排 列到一个列向量中，得到测试部件向量
进而用每个部件测试集G的50张测试画像的测 试部件向量6组成测试部件向量集
8. 根据权利要求7所述的基于支撑向量机的画像风格分类的方法，其特征在于：步骤 (6a)将每个部件测试集
中的每个部件分成测试方形块，按如下步骤进行： (6al)将脸部件测试集
的脸部件分为大小为32x32的测试方形块，块之间的重叠部 分为16x16的方形块； (6a2)将左眼部件测试集
的左眼部件分成大小为22x22的测试方形块，块之间的重 叠部分为11x11的方形块； (6a3)将右眼部件测试集
的右眼部件分成大小为22x22的测试方形块，块之间的重 叠部分为11x11的方形块； (6a4)将鼻部件测试集
的鼻部件分成大小为22x22的测试方形块，块之间的重叠部 分为11x11的方形块 (6a5)将嘴部件测试集
的嘴部件分成大小为22x22的测试方形块，块之间的重叠部 分为11x11的方形块。
9.根据权利要求7所述的基于支撑向量机的画像风格分类的方法，其特征在于：所述 步骤^b)中在每个测试方形块上生成测试特征向量
按如下步骤进行： (6bl)在每个测试方形块上提取灰度直方图特征，即对每个测试方形块的0-255个灰 度级的像素进行计数，得到一个维数是256的测试灰度直方图特征向量
每维的数值是 该灰度级的像素数量； (6b2)在每个测试方形块上提取灰度矩特征，即对每个测试方形块计算灰度的一阶矩
、二阶矩
和三阶矩
，生成3维的测试灰度矩特 征向量，其中，彳表示部件块的第r个像素的灰度值，N为部件块的像素点个数； (6b3)在每个测试方形块上提取SURF特征，即以测试方形块中心为中心，构造一个 20x20的正方形窗口，将该窗口分成4x4个子区域，每个子区域有25个像素点；对子区域 的每个像素点计算水平和垂直方向的Haar小波响应，分别记做
和
将子区域的25个 像素点的响应值
及其绝对值
进行累加，每个子区域得到如下4个矢量：
进而得到每个正方形窗口生成4x (4x4) = 64维的测试SURF特征向 量
(6b4)在每个测试方形块上提取LBP特征：即将块中心的像素值与以块中心为圆心，半 径为5的环形上的8个点的像素值逐个进行比较，如果中心像素值比环形上点的像素值大， 则将该环形上的点赋值为1，否则为〇,进而用环形领域上的8个点生成1个8位二进制数； 再将将该8位二进制数转换为256位的十进制数，生成256维的测试LBP特征向量
(6b5)将步骤（6bl)?（6b4)得到的测试灰度直方图特征向量
测试灰度矩特征向量
_测试SURF特征向量
，测试LBP特征向量
这四个向量依次排列到一个列向量中，得 到测试特征向量
【文档编号】G06T7/00GK104091174SQ201410330945
【公开日】2014年10月8日 申请日期:2014年7月13日 优先权日:2014年7月13日
【发明者】李洁, 张铭津, 高新波, 王楠楠, 张声传, 彭春蕾, 任文君, 胡彦婷 申请人:西安电子科技大学