Pixel-based Classification

Pixel Classification Project Steps
1. Collect images, each containing pixels from only one class of interest

Use 3-5 images per person,
2. Extract samples (small windows surrounding pixels of interest) from images 

exact several windows of size..., either hair, or face.
3. Calculate derived features
4. Train classifier to distinguish between "foliage" and "not foliage" classes
5. Apply learned classifier to test images containing pixels from both classes

 

对于3，原文提出了以下11中特征, 我使用如下9个特征，其中7,8,9是统计特征，需要使用待识别像素的3x3近邻

 

1. red
2. green
3. blue
4. hue
5. saturation
6. value
7. mean
8. std

9. entorpy 

 

对于分类器，可能会选择one-class svm。

http://www.isprs.org/proceedings/XXXVII/congress/4_pdf/203.pdf 这篇文章使用one-class svm进行图像识别。

使用gaussian kernel。

使用one-class libsvm对hair和face分别进行训练，得到正例。也许可以使用two-class svm对face和hair进行分类。

如果使用one-class进行的话，流程如下：

1. 首先要选择较好的参数，训练得到较满意效果的hair和face svm。

可能需要使用形态学运算，refine结果。http://www.mathworks.com/help/images/ref/strel.html， imdilate, imerode.

手动标注一些测试图像，label信息是hair或者face，与svm预测的结果比较，取最好的参数，得到svm；

2. 对待聚类图像，首先使用hair svm标记处hair像素；

3. 再使用face svm标记处face像素；

4. 剩余未标记的为背景或者衣服。。不用管了。

这样分割过程就完成了，下一步是进行人脸识别。

 

face recognition：

有了上一步的工作，人脸识别的步骤如下：

1. 特征提取

face区域的面积（像素数), hair vs. face ratio, 矩统计量（刻画形状）， face的color， hair的color。等等。

2. svm multiclass classifier

3. svm test

 

转载于:https://www.cnblogs.com/czhang/archive/2012/09/11/2679977.html