面向中医面诊诊断信息提取的若干关键技术研究

论文摘要

面诊是中医望诊的重要内容,为中医临床必察之项。中医学认为,人体是一个有机的整体,面部犹如反映人体生理病理的一面镜子,望五官神色变化,可直接诊察脏腑病变。面诊的优点在于它的方便和快捷:无论多么复杂的病症,通过查看患者的面部,就能快速地阐明主要的病理过程。因此,在临床应用、自我诊断方面具有重要的价值。按照21世纪医学最有前景的诊断方向:无痛、无伤,面诊是很少的诊法之一。然而,传统的面诊方法依赖于医生直观的定性观察。人眼难以分辨细小的差异,判断结果容易因人而异,具有主观性,重复性也差。这些缺点给面诊的进一步发展带来严重的困难。因此,对中医面诊的客观化进行研究,对于中医辩证规范化,及中医教学、科研手段的现代化,具有重要的理论和实际意义。中医面诊客观化在本文中具体指的是对面色与眼神这两种主要的面诊诊断信息的自动识别、量化及其辩证推演。本研究意在填补国内在中医诊断信息自动提取中有关头面望诊方面的空白。研究的目标是建立自动提取面色和眼球运动信息的计算方法,为中医面诊诊断信息的量化、分析与处理提供理论和方法上的支持。研究内容为面色、眼神信息自动提取中涉及的若干关键技术,主要包括:多姿人脸检测、人脸特征定位、中医面色识别和针对面诊的眼动跟踪。主要研究成果归纳如下:（1）提出了一种在复杂背景下的多姿人脸检测方法。该方法直接利用角点构造疑似人脸窗口,避免了因角度估计失败带来的检测率下降。在检测方法上还做了以下改进:（a）引入目标物体边缘先验规则,加快了检测速度:（b）利用LAB颜色空间的L分量对图像做光线校正。在CMU正面和平面旋转测试集上分别取得了95.1%和94.6%的检测率,误检窗口数分别为43和24,在Feret侧转测试集上取得了89.7%的检测率,误检窗口数15。实验结果表明,该方法解决了正面、平面旋转和侧转人脸的检测问题,同时还在遮挡、光照、图像分辨率等多方面具有较高的鲁棒性。另外,在中医面诊人脸库中的检测率达到了100%、误检窗口0个,表明该方法可用在中医面诊图像处理与分析上。（2）提出了一种称为FC-ASM的物体轮廓提取方法。该方法首先以FCM聚类结果作为C-V分割模型的初始位置,加快了C-V模型的收敛速度,同时提高了准确性;其次,改进了ASM模型:将由C-V模型分割出的物体局部轮廓作为匹配过程中的固定点,得到物体的全局轮廓。该方法充分利用了物体的几何信息和统计模型的先验知识,对于几何信息较强的区域做精确分割,而对于几何信息较弱的区域利用统计知识有目的地获取轮廓。该方法成功地应用于人脸特征轮廓提取,在正面人脸图像上,定位精度较目前主流的AAM模型高出27.2%,且具有较高的鲁棒性,这为中医面色信息的自动提取提供了准确的参考位置。（3）根据中医面色脏腑分属图,首次提出中医面色识别的方法并取得了84.6%的识别率。该方法在标准化的条件下,以面色脏腑分属图上特征点的LAB颜色作为面色特征,通过FCM聚类区分基色和面色,从图像上自动提取面诊特征向量并利用支持向量机自动归类识别,为面诊自动逻辑推理提供依据,也具有一定的临床诊断参考价值。（4）建立了一个面向中医面诊的眼动跟踪模型。该模型在标准化的光照条件下,以鼻孔作为参考点,充分利用Camshift跟踪算法和Lucas-Kanade光流的实时性,快速地计算眼球运动速率和轨迹。在分辨率为640×480的视频上,取得了25帧/秒的跟踪速度,该研究成果为中医眼神分析奠定了基础。各项实验结果表明,本文提出的解决方法是有效的,基本达到了预期的研究目标。该研究对于扩大四诊客观化研究的范围、丰富中医诊断信息提取方法有着重要的科研研究价值,对于推动中医诊断信息技术的应用前景同样有着重要的实际应用意义。另外,在模式识别领域,与人脸相关的技术如人脸检测、识别、特征定位和跟踪等,因其难度大、应用面广,一直是近年来的研究热点,本文的研究成果还可为其它相关的应用研究提供借鉴。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• §1.1 选题的背景和意义
• §1.2 面诊及其客观化研究
• 1.2.1 面诊
• 1.2.2 计算机视觉在中医望诊研究中的优势
• 1.2.3 面诊客观化研究
• 1.2.4 基于图像分析技术的面诊客观化研究的难点
• 1.2.5 中医面诊系统的应用前景
• §1.3 研究目标和内容
• 第二章 多姿人脸检测
• §2.1 引言
• 2.1.1 问题描述
• 2.1.2 研究现状
• 2.1.3 检测结果的评价标准
• 2.1.4 技术路线
• §2.2 基于AdaBoost算法的物体检测系统
• 2.2.1 基于Adaboost算法的物体检测系统框架图
• 2.2.2 Haar型特征与积分图
• 2.2.3 训练分类器
• 2.2.4 检测方法
• 2.2.5 引入目标物体边缘先验规则加快物体检测速度
• §2.3 训练正面和侧转层叠型人脸检测器
• §2.4 角点与多姿人脸检测
• 2.4.1 Hessian矩阵与角点检测
• 2.4.2 疑似人脸区域的计算与检测
• §2.5 基于LAB颜色模式的光线校正
• §2.6 实验及分析
• 2.6.1 实验设计
• 2.6.2 实验结果
• 2.6.3 实验分析
• §2.7 本章小结
• 第三章 人脸特征定位
• §3.1 引言
• 3.1.1 问题描述
• 3.1.2 研究进展
• 3.1.3 技术路线
• §3.2 基于AdaBoost和FCM聚类算法的人脸特征粗定位
• 3.2.1 基于AdaBoost算法的眼睛、眉毛和嘴巴检测
• 3.2.2 基于FCM聚类算法的初始区域分割
• §3.3 基于梯度Hough圆变换的虹膜和瞳孔中心定位
• §3.4 基于C-V模型的眼眉和嘴巴轮廓提取
• 3.4.1 曲线演化与水平集理论
• 3.4.2 基于Voronoi图的符号距离函数快速生成方法
• 3.4.3 利用C-V分割模型提取眼睛、眉毛和嘴巴轮廓
• §3.5 基于改进的ASM模型的鼻子和下巴轮廓提取
• 3.5.1 ASM模型
• 3.5.2 利用改进的ASM模型提取鼻子和下巴轮廓
• 3.5.3 ASM与AAM的比较
• §3.6 实验与分析
• 3.6.1 实验设计
• 3.6.2 实验结果
• 3.6.3 实验分析
• §3.7 本章小结
• 第四章 中医面色识别
• §4.1 引言
• 4.1.1 问题描述
• 4.1.2 面像采集
• 4.1.3 技术路线
• §4.2 基于中医面色脏腑分属图的面部特征分割
• 4.2.1 对一般面部特征点编号
• 4.2.2 面向中医面诊的关键点定位
• 4.2.3 面诊特征区域分割
• §4.3 基于FCM的面色提取
• 4.3.1 胡须检测
• 4.3.2 颜色空间理论及LAB颜色空间概述
• 4.3.3 基于FCM的面色与基色分离
• §4.4 基于支持向量机的面色识别
• 4.4.1 支持向量机
• 4.4.2 基于支持向量机的面色识别
• §4.5 实验与分析
• 4.5.1 SVM软件包的选择
• 4.5.2 训练集
• 4.5.3 核函数选择和参数选取
• 4.5.4 分类预测
• 4.5.5 实验结果
• 4.5.6 实验分析
• §4.6 本章小结
• 第五章 面向中医面诊的眼动跟踪
• §5.1 引言
• 5.1.1 问题描述
• 5.1.2 目标跟踪技术研究现状
• 5.1.3 眼动跟踪研究现状
• 5.1.4 技术路线
• §5.2 基于CamShift算法的实时人脸跟踪
• 5.2.1 Mean-Shift概述
• 5.2.2 颜色概率分布
• 5.2.3 面向目标跟踪的Mean-Shift算法
• 5.2.4 基于Camshift算法的实时人脸跟踪
• §5.3 基于Lucas-Kanade光流的鼻孔跟踪
• 5.3.1 鼻孔跟踪点定位
• 5.3.2 光流基本概念
• 5.3.3 基于Lucas-Kanade光流的鼻孔跟踪
• §5.4 眼球运动速率和轨迹计算
• 5.4.1 重要变量
• 5.4.2 基于鼻孔的人脸侧转角度估计
• 5.4.3 瞳孔中心跟踪
• 5.4.4 运动速率和轨迹计算
• §5.5 实验与分析
• 5.5.1 实验设计
• 5.5.2 实验结果
• 5.5.3 实验分析
• §5.6 本章小结
• 第六章 总结与展望
• §6.1 主要研究工作
• §6.2 主要创新点
• §6.3 后续工作展望
• 参考文献
• 攻读学位期间发表的学术论文及参与的项目
• 致谢