人脸肤色检测技术

一种基于肤色的复杂背景人脸检测方法1.人脸肤色模板提取复杂背景的彩色图像中,总存在类肤色区域,裸露的非人脸肤色区域以及类肤色区域和肤色区域或者多个肤色区域紧密连接在一起.单纯使用肤色分割定位，人脸不能排除这些因素的影响，因此，肤色分割通常只是对人脸图像进行粗定位。要确定肤色区域是否为人脸，则需对区域上的其他特征进行验证。在人脸肤色分割图中，眼睛、嘴等特征因其为非肤色区域而被漏掉，而在肤色范围内的其他区域可能与人脸区域相连，这不利于人脸特征验证。特征验证需要一个准确的人脸区域（只包括必要的人脸特征而没有背景等其他干扰）。2.肤色块分类肤色分割可能在人脸区域形成独立块，区域边缘分割也可能将完整面部分割诚若干个小块，因此需要进行肤色块的合并，重新组合属于同一人脸的独立块。同一人连区域中像素点古色在变换Ycbcr空间中对应的矢量值相近，在空间位置上应小于一定距离。根据以上原理提出如下算法：（1）按照块面积从大到小排列各块（忽略面积小于一定阈值的小块）。(2)寻找每个块的重心（X,Y）；（3）计算各块间距离的（重心连线减去在各块内部部分的长度）。（4）从大块开始，将距离小于一定阈值的归位一类。（5）在没一类中，计算各块重心连线在各块边缘附近的Ycbcr值。（6）去除面积小于一定阈值的类。对所有块分类完成后，按各类中肤色块所占区域的大小，建立包含类中所有块的最小矩形，将类中所有块复制到矩形内，后续操作则在该矩形内进行。基于肤色模型的人脸检测研究2.1建立肤色样本建立肤色模型需要大量包含不同肤色、不同大小人脸的RGB图像。本文从互联网、人脸库和日常的生活照中选用了100副肤色不相同的人脸图像，然后从中裁剪出人脸皮肤区域的一小部分作为肤色的样本。接着将其从RGB色彩空间转换为Ycrcb色彩空间。经过色彩空间转换之后，人脸图像不可避免地会出现噪声。本文采用滑动窗口为3X3的二维中值滤波来去除噪声，并在速度和效果上都取得了很好的结果。2.2建立肤色模型消除噪声后，先用二维高斯分布来描述这种cbcr的色度分布，然后对肤色样本进行训练，以此得到一个分布中心，再根据所观察的香色离该中心的远近来得到一个肤色的相似度。最后利用均值和方差的计算得到高斯分布模型，这就是实验中的肤色模型。2.3光照预处理由于受外界光照坏境的影响，尤其是光源颜色，采集来的彩色图像经常会发生彩色偏移。本文使用彩色均衡方法来消除这种彩色偏移。该方法首先通过图像的RGB三个分量中各自的平均值确定出图像的平均灰度值，然后调整每个像素的RGB值，使得调整后图像的RGB三个分量中各自的平均值都趋于平均灰度值。实验结果表明，消除彩色偏移能有效提高算法的检测率和准确率。2.4类肤色检测本文算法最为关键的一步是人体皮肤区域的检测。检测方法是计算图像像素与肤色模型的相似度，这个值描述了像素与肤色的相似程度。通过计算图像中每个像素与肤色模型的相似度，生成一副类肤色灰度图像。基于肤色的人脸检测与识别方法的研究肤色检测技术1.肤色检测肤色检测是指在图像中选取对应于人体皮肤像素的过程，随着视频图像采集设备的普及，今年来对图像中肤色区域分割的研究日趋活跃。肤色在人脸检测和跟踪中是一种有效的特征，尽管对于不同的人肤色差异可能很大，但是差异主要存在于亮度上，而不是色度上，在色彩空间中，肤色只是其中很窄的一部分频带，因此可以根据颜色信息来检测像素点是否具有肤色特征，通过边通量分析和区域增长，对肤色像素点归类并且找到可能的人脸区域。基于颜色的系统可以在不同的视角中均能检测到人脸，不收人脸姿态变化的影响。根据颜色进行人脸检测的问题在于人所感知到的颜色与到达视网膜的光线的频率并不是一样的，在同一天中的不同时候，同一个物体所反射出的光的频率是不同的，这使得在彩色图像中的香色有着不同的颜色值。而且，不同的摄像机得到的香色也有着不同的色彩偏差，这样当使用不同的成像设备时，就需要对颜色信息进行重新校准。由此看来，不同的检测方法各有优劣。由于人脸在空间中的分布非常复杂，要建立人脸在高维空间中的精确分布模型是一项非常困难的任务，要建立一个高鲁棒性，在各种情况下都通用的人脸检测系统目前来说非常困难。因此，如何根据实际需要，综合运用各种方法，增长补短，减少问题的复杂度是解决人脸检测问题的一条切实可行的途径。在与人有关的各种机器视觉系统中，肤色检测技术正得到越来越多的应用，具有巨大的市场潜力。目前比较典型的应用包括人脸检测与识别、表情识别、手势识别、基于内容的图像与视频检索、人机接口技术、肌体检测等方面；也包括视频监控、皮肤病诊断等。可见，肤色检测不仅是人脸或手势等身份、情感和行为识别系统的重要组成，而且在安全防范、反恐。医疗保健、人脸的化妆盒整容的检测中的应用也日趋重要。1.肤色建模肤色模型是关肤色知识的计算机表示，通过训练样本集建立肤色模型是肤色检测技术的关键。基于统计肤色建模的肤色检测技术，包括静态和动态肤色检测，由于本文研究的是静态图像的人脸检测技术，所以这里仅讨论静态肤色建模的方法。目前常用的静态肤色建模基本方法有三种：肤色范围、高斯密度函数估计和直方图统计，三者分别对应阈值化、参数化和非参数化方法。3.规定肤色范围用数学表达式明确规定肤色范围是一种简单的肤色建模方法，采用Ycbcr颜色空间的cbcr平面，如果输入像素的颜色落入规定的矩形区域，就认为是属于肤色像素。由于在不同的亮度分量上的矩形区域不同，因此在Y分量上分段定义肤色矩形区域。规定彩色范围虽然快捷，但要取得好的效果需要解决两个问题：（1）如何选择合适的颜色空间；（2）怎么确定规则中的参数。选择颜色空间不仅要考虑肤色样本在颜色空间中的聚集程度，还要注意在该空间的色域，因为有些颜色空间的色域没有规则边界。基于新的肤色模型的人脸检测方法肤色分割直方图分割后可得到若干区域，然后根据肤色模型来确定可能为肤色点的区域。可将HsuRL的椭圆模型的中心点设为标准的中心点，然后比较各个区域的峰值点与标准中心点的距离，距离越近，为肤色区域的可能性越大，可将其保留。最后，对输入图像的每个像素进行检测，若其在Ycbcr空间中的cbcr属于肤色区域，则定义为肤色值，否则为非肤色值。阈值分割由于人体皮肤区域的像素与肤色模型的相似度较高，计算得到的相似度值就比较大，因此，在类肤色灰度图中，皮肤区域显得比其他部分更亮。这样一来，通过选取合适的阈值即可分割出肤色区域。本文实验选择的阈值一0.1为间隔，从0.65逐渐减小到0.05，通过对选择的相邻两个阈值的图像相减，可以找到分割区域数量变化最小的阈值取值点，这个阈值就是最佳阈值，根据这个阈值，就可以将类肤色灰度图转换为二值图。基于肤色的人脸检测系统RGB色彩空间肤色统计在RGB色彩空间中，每种颜色出现在红、绿、蓝的原色光滑分量中，所以该模型也称为红、绿、蓝基色模型，它是最常见的色彩空间模型，在RGB色彩空间中，不同的颜色都处在RGB彩色立方体上或者内部。为方便起见，假定所有的颜色值都归一化，则彩色立方体就是一个单位立方体，原点表示黑色，代表各个颜色分量上的亮度都为零。当RGB三个分量亮度都达到最大时为白色，RGB位于3个角上，青、品红和黄位于另外3个角上。Ycrcb色彩空间肤色统计与肤色分割Ycbcr色彩空间从YUV色彩空间衍生而来，其中Y是亮度信息，cb、cr是色度信息代表了蓝色、红色的强度。Ycbcr色彩空间具有计算、便是简单，亮度分离，被MPEG、JPEG等标准采用的特点，广泛的应用在数字电视的色彩显示灯领域中，AnilKJain等人绘制了包括853571个肤色像素点的统计同学，该图像表明样本肤色在Ycbcr空间下聚类效果较好。本文所做的统计结果和实验数据也表明了这一点。Ycbcr色彩空间与RGB色彩空间的转换关系如公式：a)RGB转换为YcbcrY=(77/256)R+(150/256)G+(29/256)BCr=(131/256)R-(110/256)G-(21/256)B+128Cb=-（44/256）R-(87/256)G+(131/256)B+128b)YCbCr转换为RGBR=Y+1.371(Cr-128)G=y-0.698(cr-128)-0.336(cb-128)B=Y+1.732(Cb-128)