在特征提取后使用 SVM 进行裸体检测算法

Question

裸体检测算法

• 正常化
• 分区制
• 特征提取
• 使用 SVM 进行分类

使用以下方法

1.标准化：将第一张图片转换为.jpg格式和大小为256X256。然后它被转换为YCbCr色彩空间，为此我使用OpenCV python。这是代码。

2.分区：然后将规范化图像划分为三个区域。这是因为假设是"图像的裸体主要在中心区域发现"。

3.特征提取：在该模块中，图像在YCbCr中，皮肤像素通过范围（0,133,77），（255,173,127）的阈值过滤并划分为三个区域，然后为每个区域计算2个颜色特征（连接的外观像素数和皮肤像素占总像素的比例）和2个纹理特征（均匀性和相关性）。

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]

现在我已经检索了代码中给出的各种功能的列表。如何从 python 列表中为 svm 制作特征向量。如何使用SVM通过使用裸体和非裸体图像（我有5000张图像）进行训练，然后进行检测。？任何人都可以建议我。

Answer 1

1. 您创建一个 SVM 对象。
训练
2. 您的 SVM，将拟合方法与您的训练图片一起使用。
3. 使用预测方法对测试/数据进行预测。

法典：

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

对于特征向量 X，只需将每个训练数据的特征合并到一个 np 数组中即可。

Answer 2

经过交叉验证策略，C=100.00 和 gamma=0.07

这是我的代码看起来的样子：

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)