申请/专利权人：平安科技(深圳)有限公司

申请日：2019-08-09

公开（公告）日：2024-03-15

公开（公告）号：CN110569879B

主分类号：G06V40/10

分类号：G06V40/10;G06V40/16;G06V10/26;G06V10/74;G06V10/762;G06V10/764;G06V10/77

优先权：

专利状态码：有效-授权

法律状态：2024.03.15#授权;2021.04.30#实质审查的生效;2019.12.13#公开

摘要：本方案涉及人工智能，提供一种舌头图像提取方法：利用LNMF算法进行训练，将训练图像对应的矩阵V分解为非负特征矩阵W与权值矩阵H的乘积；非负特征矩阵W的维数为n*r，r列为特征基图像，该非负特征矩阵W构成非负子空间；权值矩阵H的维数为r*m；将训练图像和测试图像分别向非负子空间投影，分别得到特征系数，利用最近邻准则来求取训练图像与测试图像对应的特征系数的相似度，将相似度高于阈值的测试图像中的特征提取出来，从而利用边框将代表舌头特征的图像区域从各测试图像中分割出来。本方案还提供舌头图像提取装置及计算机可读存储介质。本方案基于LNMF算法更加强调了原图像分解过程中基本特征成分的局部化，运算速度更快。

主权项：1.一种舌头图像提取方法，应用于电子装置，其特征在于，该方法包括以下步骤：S110，将包含舌头的训练图像转换为矩阵V，其中，一张图像的所有的非负灰度值对应V中的一列，利用LNMF算法进行训练，将矩阵V分解为非负特征矩阵W与权值矩阵H的乘积，即V＝WH；非负特征矩阵W的维数为n*r，r列为特征基图像，所述特征基图像是指代表舌头特征的非负特征矩阵W，该非负特征矩阵W构成非负子空间；权值矩阵H的维数为r*m，其每一列为编码；S120，采用EHMM模型识别测试图像是否包含人脸图像，如包含，将训练图像和测试图像分别向所述非负子空间投影，分别得到特征系数，利用最近邻准则来求取训练图像与测试图像对应的特征系数的相似度，并将相似度高于相似度阈值的测试图像中的代表舌头的特征提取出来作为舌头特征；S130，经过投影会将包含舌头特征的特征区域和不含舌头特征的非特征区域分别用不同标签标识出来，其中，标签集合对应有特征区域的边界信息，提取边界信息中的上下左右方向的极值，确定包含特征区域的边框，其中，LNMF算法的公式如下：构建目标函数 其中，α、β为正常数；V、W、H≥0； ||Wj||＝1，Wj表示特征基矩阵W的第j列向量，表示对特征基矩阵W的每一列都进行归一化处理；V＝[V1,V2…Vi…Vm]表示m幅训练图像集合，列向量Vi表示第i幅训练图像，Vij表示第i幅图像的第j个灰度值，每幅训练图像的尺寸为n，V的大小为n*m；W＝[W1,W2,…Wj…Wr]为特征矩阵，大小为n*r；H＝[H1,H2…Hj…Hm]为权值矩阵，Hj为H的第j列向量，大小为r*m；采用下式迭代更新W和H，实现目标函数最小化， 其中，i＝1,2，…m；j＝1,2，…，r；l＝1,2，…n，在迭代过程中W，H始终保持为非负数；其中，采用EHMM模型识别测试图像中的包含人脸的图像包括以下步骤：选取人脸的多个特征点形成特征序列；将测试图像输入EHMM模型，EHMM模型通过移动的窗口从上到下和从左到右扫描测试图像，得到多组特征向量，多组特征向量组成观察值序列；利用前向算法求出观察值序列与人脸的多个特征点组成的特征序列相似的或然率，相似的或然率大于判定阈值，则认为检测的图像包含人脸，其中，所述EHMM模型包含一组超状态集合，超状态集合中的超状态的数量与人脸在竖向的切片图片数量相同，每个超状态封装对应一组嵌入式状态集合，嵌入式状态集合中的嵌入式状态的数量与人脸在横向的切片图片数量相同。

全文数据：

权利要求：

百度查询： 平安科技(深圳)有限公司 舌头图像提取方法、装置及计算机可读存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD