[发明专利]一种肤色检测方法及装置

说明书

技术领域

本发明涉及模式识别领域，尤其涉及一种肤色检测方法及装置。

背景技术

人体肤色检测的目标是从图像中自动定位出人体裸露的皮肤区域。准确地检测出皮肤区域在现阶段对人体检测和图像过滤具有非常重要的意义，此外，人体肤色检测在快速人脸检测等场合中也有应用。

现有人体肤色检测技术的主要依据是：在相同光照条件下，人体皮肤的色度可以较好地聚集成紧集，与非肤色背景的色度具有较好的可分性，从而可通过肤色概率模型，将肤色与非肤色分开。

肤色检测中常用的颜色空间有RGB、YCbCr、HSV、Lab等三维颜色空间和CbCr、HS、归一化RB、ab等二维颜色空间。

RGB是图像处理领域使用最广泛的、直接面向硬件的颜色空间；YCbCr是与RGB有线性变换关系的颜色空间；HSV代表亮度与色度、饱和度分离的颜色空间；Lab则代表感知均匀空间。二维色度空间是在各自对应的三维空间中去掉亮度分量后，由剩余的色度组成的空间，下文也称作色度平面。各个色度空间可相互转换。

现有的主流肤色检测方法包括固定肤色分布检测方法、肤色概率分布与贝叶斯(Bayes)决策联合检测方法。

固定肤色分布检测方法：采集通常光照条件下的肤色样本，利用采集到的肤色样本进行训练，得到通常光照条件下、肤色在某一颜色空间中的分布范围，这一分布范围可由若干直线或平面来界定；利用固定肤色分布检测设备检测肤色时，凡是落入所述分布范围内的像素，均被判别为肤色像素。

可见，由于固定肤色分布检测方法在大样本集上归纳出肤色分布范围，对单个图片样本来说，这一分布范围过于粗糙，必然导致过多的背景被误检为肤色，且，该分布范围内的颜色为肤色的概率并不相同，其中包含类似于肤色的背景色，因此，对该分布范围内的颜色均判定为肤色，必然会造成误检。

对于肤色概率分布与Bayes决策联合检测方法，通常选择RGB空间、二维的CbCr色度空间或者归一化RB空间用于统计肤色概率分布，得到一个肤色概率模型，即单肤色概率模型，因为在单肤色概率模型情况下，这几种空间分布是Bayes决策方法的最佳三维或二维颜色空间。

图1为肤色概率分布与Bayes决策联合检测方法的流程图，如图1所示，该方法包括如下步骤：

步骤101，对大样本集进行统计，得到单肤色概率模型。

对包含大量训练样本的大样本集进行统计，得到肤色与非肤色在某个颜色空间中的分布，由该分布得到单肤色概率模型。所述单肤色概率模型可以为无参数的形式，如离散化的概率分布直方图，也可为有参数的形式，如拟合成混合高斯模型的概率密度函数。

步骤102，根据步骤101得到的单肤色概率模型，对待检测图像中的像素求肤色似然概率和非肤色似然概率。

步骤103，根据步骤102得到的肤色似然概率和非肤色似然概率，使用Bayes决策方法判别所述像素是否为肤色。

步骤104，判断是否已遍历尽待检测图像中的所有像素，若是，则执行步骤105，否则返回步骤102。

步骤105，由判别为肤色的像素组成肤色区域图像，结束本流程。

步骤103中用到的Bayes决策方法是模式识别领域的一个基本决策方法，其基本规则是：将样本归入风险最小(即错误率最低)的类别。

使用Bayes决策方法的前提是：待分样本可属的类别数、各类别的总体概率分布(或者待分样本属于各个类别的似然概率)均已知。因此，若在肤色检测中使用Bayes决策方法，则需要统计出肤色类别和非肤色类别的颜色分布。

下面以对像素x进行肤色分类为例，介绍Bayes决策方法在肤色检测中的应用方法。

在肤色检测中，待分样本可属的类别包括肤色类别和非肤色类别两类。以像素x为待分样本，假定像素x的颜色为color，x属于肤色类别的似然概率为P(color|skin)，属于非肤色类别的似然概率为P(color|skin)，肤色类别的先验概率为P(skin)，非肤色类别的先验概率为P(skin)(通常假定P(skin)和P(skin)相等)，则像素x属于肤色的后验概率为：

同样可得到像素x属于非肤色的后验概率P(skin/color)。

采用Bayes决策方法对像素x进行肤色检测时，若则像素x为肤色，否则像素x为非肤色。

当肤色和非肤色这两类的先验概率相等时，由Bayes决策方法得到的后验概率与似然概率成正比。可以证明，通过Bayes决策方法得到的分类结果的总体风险(错误率)是最小的，因而Bayes决策是这个意义上的最优分类器。