[发明专利]基于半监督学习和哈希索引的眉毛图像分割方法

说明书

技术领域

本发明涉及一种基于半监督学习技术和局部敏感的哈希索引方法相结合的从原始 眉毛图像中提取出纯眉毛图像的方法，属于电子信息技术领域。

背景技术

在现代社会中，随着计算机网络技术的高速发展和全球范围内电子商务的迅速兴 起，信息安全显示出前所未有的重要性，而生物特征识别作为信息安全的一个重要方 面开始越来越受到人们的重视。目前人们研究和使用的生物特征识别技术主要有：人脸 识别、虹膜识别、指纹识别、手形识别、掌纹识别、人耳识别、签名识别、声音识别、 步态识别、等等。眉毛作为人脸上的一个重要特征，具有作为识别特征的普遍性、唯 一性、稳定性和可采集性。事实上，与人脸图像相比，眉毛图像不仅具有轮廓鲜明、 结构简单和容易选取的优点，而且受光照和表情的影响较小，具有更好的稳定性和抗 干扰性；与虹膜图像相比，眉毛图像则又具有易于采集和使用方便的优点。此外，人 类的眉毛具有多种多样的形状，无固定结构，具有很好的身份特异性，因此能够被有 效地应用于身份鉴别。

应用眉毛进行识别，一个重要的步骤就是眉毛图像的分割。图像分割历来是图像 分析和模式识别的首要问题，也是图像处理的经典难题之一，它是图像分析和模式识别系 统的重要组成部分，并决定图像的最终分析质量和模式识别的判别结果。目前，虽然有众 多的自动分割图像的方法，包括：阈值法，聚类法，边缘检测等，但这些方法的分割结果 却经常不是人们所期望的。与这些自动的分割方法相比，半自动的图像分隔技术更为实用， 因此也受到了更多的关注。半自动或者交互的图像分割指通过借助人的帮助完成图像分 割，代表性的工作包括：图切，随机漫步搜索，Lazy Snapping等。本质上，这些工作都 可以纳入半监督学习分类的框架里面。

半监督学习技术是介于有监督学习和无监督学习之间的一种学习技术，其中给定 的数据只有部分标注了类别。比如，χ＝{x₁，…，x_l，x_l+1，…，x_n}是一个给定的点集，χ中 前l个点都有类别标号{y₁，...，y_l}，其中y_i∈t＝{1，...，c}(i＝1，...，l)，其余点没有标号，半 监督学习的目标就是以某种最优准则来标注χ中没有标号的点。到目前为止，半监督 学习技术有以下几种主要的实现方法：产生式模型(generative model)，自训练 (self-training)，联合训练(Co-training)，图方法(graph based methods)等。本发 明的目的在于提供一种基于图的半监督学习技术的眉毛图像分割技术。一般地，眉毛 图像的分割由于受到头发、光照、姿势及表情的影响比之普通的图像分割更为困难。 自动分割的方法几乎不可能正确的提取出眉毛图像，其他的眉毛图像分割方法比如： 主成分分析和模板匹配，虽然能基本定位，但是也都不能准确标定眉毛的边界。

发明内容

本发明的目的是提供一种基于半监督学习技术和局部敏感的哈希方法，相结合的眉毛 图像分割方法。

本发明是采用以下技术手段实现的：

本发明依次包括以下步骤：

步骤1；接受用户的原始眉毛图像，并将眉毛图像划分成大小相等的小像素块s×s， s的值可根据速度和精度要求选择s＝2，3，4，...，10.

步骤2；通过计算机从原始眉毛图像中选定一些眉毛点和非眉毛点，所有的像素 块按照所包含的眉毛点与非眉毛点的多少给予相应的标号：如果眉毛点数大于非眉毛 点数则该像素块的标号为1，反之为0；如果像素块中不包含任何选定的眉毛点和非眉 毛点，则该像素块没有标号；

步骤3；所有的像素块均用向量表示，比如可以用五维向量(r，g，b，x，y)表示， 其中r，g，b表示该像素块的RGB值的平均值，x，y表示该像素块的中心相对于左 上角的坐标值。记所有的像素块对应的向量组成的集合为X，有标号的向量子集为L。 通过局部敏感的哈希方法计算像素块之间的相似度，生成相似距离矩阵W，并归一化 该相似距离矩阵为S，具体步骤如下：