的裸体检测算法

Question

裸体检测算法

• 正常化
• 区划
• 特征提取
• 使用SVM

以下方法使用的分类特征提取后使用SVM

1.标准化：将第一张图像转换成.jpg格式，大小为256X256。然后将其转换为YCbCr色彩空间，为此我使用OpenCV python.Here是代码。

2.Zoning：归一化图像然后分为三个区域。这是因为假设是“裸露的图像主要发现在中央区域”。

3.Feature提取：在该模块中的图像是在的YCbCr，皮肤像素由阈值在范围（0,133,77），（255173127）过滤并分为三个zones.and然后针对每个区域的特征计算2个颜色特征（连接的皮肤像素的数量和皮肤像素与总像素的比例）和2个纹理特征（均匀性和相关性）。使用glcm（skimage.features模块）计算纹理特征。其中代码

import os 
import numpy as np 
import cv2 
from cv2 import cv 
import skimage.feature as sf 
total_pixels=256.0*256.0 

class normalize: 
    def __init__(self,src,dst): 
     self.src=src 
     self.dst=dst+"_1.jpg" 
    def resize(self): 
     x,y=256,256 
     src=cv2.imread(self.src,1) 
     src=cv2.resize(src,(x,y)) 
     cv2.imwrite(self.dst,src) 
     dst=cv2.imread(self.dst,1) 
     return dst 
"""Segmentation module is used to segment out skin pixels in YCrCb color space""" 

def segmentation(src): 
    img=src.copy() 
    img=cv2.cvtColor(src,cv.CV_BGR2YCrCb) 
    dst=cv2.inRange(img,(0,133,77),(255,173,127)) 
    return dst 

"""Image Zoning and feature extraction module""" 

class features: 
    def __init__(self,src): 
     self.zone1=src 
     self.zone2=src[30:226,30:226] 
     self.zone3=src[60:196,60:196] 

    def createglcm(self,zone): 
     return sf.greycomatrix(zone,[1],[0,np.pi/4,np.pi/2,-np.pi/2,-np.pi/4,np.pi*25/12],normed=True) 

    def getCorrelation(self,glcm): 
     return sf.greycoprops(glcm,'correlation') 

    def getHomogeneity(self,glcm): 
     return sf.greycoprops(glcm,'homogeneity') 

    def getcolorfeatures(self,zone): 
     contours, hierarchy = cv2.findContours(zone,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) 

     skin_pixel_connected=0 

     for i in range(len(contours)): 
      skin_pixel_connected=skin_pixel_connected+cv2.contourArea(contours[i]) 

     return [skin_pixel_connected,skin_pixel_connected/total_pixels] 

现在我已经检索了各种fe如代码中所示。如何从python列表中为svm制作特征向量。如何使用SVM进行训练，使用裸体和非裸体图像（我有5000张图像），然后进行检测。任何机构都可以暗示我。

Answer 1

交叉验证策略之后，C = 100.00和γ= 0.07

这是我的代码如下：

from sklearn.svm import SVC 
classifier=SVC(kernel='rbf',C=100.0,gamma=0.07,cache_size=800) 
classifier.fit(np.array(featurespace),np.array(classes)) 
classifier.predict(X_test) 

Answer 2

1. 您创建了一个SVM对象。
2. 训练您的SVM，使用适合您的训练图片的方法。
3. 使用预测方法来预测您的测试/数据。

代码：

from sklearn import svm 
clf = svm.SVC() 
clf.fit(X,y) 
clf.predict(X_test) 

为特征向量x简单地合并功能集成到一个NP阵列的每列火车的数据。