專利名稱：一種膚色檢測方法及裝置的制作方法
技術領域：
本發(fā)明涉及模式識別領域，尤其涉及一種膚色檢測方法及裝置。
技術背景人體膚色檢測的目標是從圖像中自動定位出人體棵露的皮膚區(qū)域。準確 地檢測出皮膚區(qū)域在現階段對人體檢測和圖像過濾具有非常重要的意義，此 外，人體膚色檢測在快速人臉檢測等場合中也有應用?，F有人體膚色檢測技術的主要依據是在相同光照條件下，人體皮膚的 色度可以較好地聚集成緊集，與非膚色背景的色度具有較好的可分性，從而 可通過膚色概率模型，將膚色與非膚色分開。膚色檢測中常用的顏色空間有RGB、 YCbCr、 HSV、 Lab等三維顏色空 間和CbCr、 HS、歸一化RB、 ab等二維顏色空間。RGB是圖像處理領域使用最廣泛的、直接面向硬件的顏色空間；YCbCr 是與RGB有線性變換關系的顏色空間；HSV代表亮度與色度、飽和度分離 的顏色空間；Lab則代表感知均勻空間。二維色度空間是在各自對應的三維 空間中去掉亮度分量后，由剩余的色度組成的空間，下文也稱作色度平面。 各個色度空間可相互轉換?，F有的主流膚色檢測方法包括固定膚色分布檢測方法、膚色概率分布與 貝葉斯(Bayes)決策聯合4企測方法。固定膚色分布檢測方法采集通常光照條件下的膚色樣本，利用采集到 的膚色樣本進行訓練，得到通常光照條件下、膚色在某一顏色空間中的分布 范圍，這一分布范圍可由若干直線或平面來界定；利用固定膚色分布檢測設 備檢測膚色時，凡是落入所述分布范圍內的像素，均被判別為膚色像素?？梢?，由于固定膚色分布檢測方法在大樣本集上歸納出膚色分布范圍， 對單個圖片樣本來說，這一分布范圍過于粗糙，必然導致過多的背景被誤檢 為膚色，且，該分布范圍內的顏色為膚色的概率并不相同，其中包含類似于 膚色的背景色，因此，對該分布范圍內的顏色均判定為膚色，必然會造成誤檢。對于膚色概率分布與Bayes決策聯合4企測方法，通常選4奪RGB空間、 二維的CbCr色度空間或者歸一化RB空間用于統計膚色概率分布，得到一 個膚色概率模型，即單膚色概率模型，因為在單膚色概率模型情況下，這幾 種空間分布是B ay e s決策方法的最佳三維或二維顏色空間。圖1為膚色概率分布與Bayes決策聯合檢測方法的流程圖，如圖l所示， 該方法包括如下步驟步驟IOI,對大樣本集進行統計，得到單膚色概率模型。對包含大量訓練樣本的大樣本集進行統計，得到膚色與非膚色在某個顏 色空間中的分布，由該分布得到單膚色概率模型。所述單膚色概率模型可以 為無參數的形式，如離散化的概率分布直方圖，也可為有參數的形式，如擬 合成混合高斯模型的概率密度函數。步驟102,根據步驟101得到的單膚色概率模型，對待檢測圖像中的像 素求膚色似然概率和非膚色似然概率。步驟103,根據步驟102得到的膚色似然概率和非膚色似然概率，使用 Bayes決策方法判別所述像素是否為膚色。步驟104，判斷是否已遍歷盡待檢測圖像中的所有像素，若是，則執(zhí)行 步驟105，否則返回步驟102。步驟105，由判別為膚色的像素組成膚色區(qū)域圖像，結束本流程。步驟103中用到的Bayes決策方法是模式識別領域的一個基本決策方 法，其基本規(guī)則是將樣本歸入風險最小(即錯誤率最低)的類別。使用Bayes決策方法的前提是待分樣本可屬的類別數、各類別的總體 概率分布(或者待分樣本屬于各個類別的似然概率)均已知。因此，若在膚色檢測中使用Bayes決策方法，則需要統計出膚色類別和非膚色類別的顏色 分布。下面以對像素;c進行膚色分類為例，介紹Bayes決策方法在膚色檢測中 的應用方法。在膚色檢測中，待分樣本可屬的類別包括膚色類別和非膚色類別兩類。 以像素x為待分樣本，假定像素;c的顏色為co/or, x屬于膚色類別的似然概 率為尸(co/or l^/w)，屬于非膚色類別的似然概率為尸(co/or卜5h'"),膚色類別 的先驗概率為，非膚色類別的先驗概率為尸(^h'")(通常假定P(^:!V2) 和尸(-^h'w)相等)，則像素x屬于膚色的后驗概率為同樣可得到像素x屬于非膚色的后驗概率P(，A/w \ co/or)。 采用 Bayes 決策方法對像素x進行膚色檢測時，若 尸0^lco/oO〉尸(，^/"lco/o/")，則像素x為膚色，否則像素x為非膚色。當膚色和非膚色這兩類的先驗概率相等時，由Bayes決策方法得到的后 驗概率與似然概率成正比?？梢宰C明，通過Bayes決策方法得到的分類結果 的總體風險(錯誤率)是最小的，因而Bayes決策是這個意義上的最優(yōu)分類可見，膚色概率分布與Bayes決策聯合檢測方法是在大樣本集的基礎 上，訓練得到單膚色概率模型。由于大樣本集涵蓋各種光照條件下的膚色樣 本，光照條件的變化使得膚色樣本在顏色空間中的分布發(fā)生偏移，且，即使 在相同光照條件下，樣本集越大，涵蓋的訓練樣本在相同顏色空間中的分布 也會有一定差異，因此，由大樣本集訓練得到的單膚色概率模型與特定樣本 個體的膚色分布差異較大。因此，膚色概率分布與Bayes決策聯合檢測方法存在如下不足 (1)若大樣本集中某一類訓練樣本占的比例較小，所含的膚色在單膚 色概率模型中的膚色概率較低，則含有這類膚色的待檢測圖像可能會被漏檢。(2)若大樣本集中某一光照條件下類似于膚色的非膚色背景為另一光 照條件下的膚色，所述另一光照條件下的訓練樣本在整個大樣本集中占的比 例較大，造成該背景色在單膚色概率模型中的膚色概率較高，則若待檢測樣 本中含有該背景色，該背景色可能會被誤檢為膚色。固定膚色分布4全測方法和膚色概率分布與Bayes決策聯合檢測方法均 為單膚色模型檢測方法，針對單膚色模型檢測方法存在的上述問題，現有技 術中提出了自適應膚色概率閾值等自適應膚色檢測技術，但這類自適應檢測 技術的時間復雜度較高。發(fā)明內容有鑒于此，本發(fā)明實施例的目的在于提供一種膚色檢測方法及裝置，以 降低膚色誤檢率或漏檢率。為達到上述目的，本發(fā)明實施例的技術方案具體是這樣實現的 一種膚色纟企測方法，該方法包括步驟將訓練樣本集中的膚色像素在顏色空間中聚集得到至少一個膚色色度類；提取訓練樣本中的候選膚色區(qū)域，計算候選膚色區(qū)域的色度均值與膚色色 度類中心的距離，將訓練樣本歸入所述距離最小的膚色色度類，得到與膚色色 度類對應的訓練子集；統計每一個訓練子集的膚色像素的概率分布和非膚色像素的概率分布，得 到每一膚色色度類對應的膚色概率模型；接收待檢測圖像，提取待檢測圖像的候選膚色區(qū)域，計算所述候選膚色區(qū) 域色度均值與膚色色度類中心的距離，根據所述距離最小的膚色色度類對應的 膚色概率模型對所述待檢測圖像中的像素進行膚色判別，由判別為膚色的像素 構成膚色區(qū)域圖像。一種膚色檢測裝置，該裝置包括待檢測圖像接收單元、候選膚色區(qū)域提取 單元和膚色區(qū)域圖像檢測單元；所述待檢測圖像接收單元用于，接收待檢測圖像；所述候選膚色區(qū)域提取單元用于，提取所述待檢測圖像的候選膚色區(qū)域圖像；所述膚色區(qū)域圖像檢測單元用于，計算所述候選膚色區(qū)域的色度均值，根 據色度中心與所述色度均值最近的膚色色度類對應的膚色概率模型，對所述待檢測圖像中的像素進行膚色判別，由判別為膚色的像素構成膚色區(qū)域圖像； 所述膚色色度類，通過將訓練樣本集在顏色空間中聚集得到； 所述膚色概率模型，通過計算每一訓練樣本的候選膚色區(qū)域的色度均值與 所述膚色色度類中心的距離，將訓練樣本歸入所述距離最小的膚色色度類，得 到與膚色色度類對應的訓練子集，統計每一個訓練子集的膚色像素為膚色概率 分布和非膚色像素為非膚色概率分布得到。由上述技術方案可見，本發(fā)明實施例所提供的技術方案，將訓練樣本集在 顏色空間中聚類得到至少一個膚色色度類，針對每一個膚色色度類均訓練一個 膚色概率模型，形成多膚色概率模型，在對待檢測樣本進行膚色檢測時，選擇 合適的膚色概率模型，因此，即使該待檢測樣本所包含的膚色在訓練樣本集中 出現概率較低，只要針對這類膚色訓練了膚色概率模型，則也可檢測出所述待 檢測樣本中的膚色區(qū)域圖像，降低漏檢率或誤檢率。


圖1為膚色概率分布與Bayes決策聯合^f全測方法的流程圖； 圖2是本發(fā)明方法實施例提供的多膚色概率模型訓練方法流程圖； 圖3是本發(fā)明方法實施例的仿真實驗效果圖；圖4(包括圖4A和圖4B)是采用概率直方圖形式的膚色概率模型示意圖； 圖5是本發(fā)明方法實施例提供的第一膚色檢測方法流程圖； 圖6是本發(fā)明方法實施例提供的第二膚色檢測方法流程圖； 圖7是本發(fā)明裝置實施例提供的膚色檢測裝置第一結構圖； 圖8是本發(fā)明裝置實施例提供的膚色檢測裝置第二結構圖；圖9是本發(fā)明裝置實施例提供的膚色才企測裝置第三結構圖。
具體實施方式
盡管相同光照條件下膚色的聚集性較好，但在網絡圖片自動過濾等應用中，由于圖片的來源多樣，或者經過加工，其膚色區(qū)域的色度鮮有一致的； 且雖然相同光照條件下膚色的聚集性較好，但不同個體膚色之間還是具有一 定差別的。這樣，若某一光照條件下的訓練樣本較少，或某一類膚色的訓練 樣本較少，則可能會會造成漏檢或誤檢。若通過對單個圖片進行顏色恒常性 (color constancy )估計和色度^喬正來解決上述問題，不^f又實現困難，而且 時間復雜度很高。因此，本發(fā)明提供的方法不試圖對圖片進行顏色矯正，而 是根據訓練樣本集在顏色空間中的聚類情況，訓練多個概率膚色模型，進行 膚色檢測時，從所述多個膚色概率模型中選擇合適的一種來檢測待檢測樣本 中的膚色區(qū)域圖像。所述某一類膚色是指，類內聚集性好，而與其他類膚色具有一定可分性 的膚色，例如，較白皙的膚色與較暗黃的膚色具有一定的可分性。經過仿真 實驗觀測，不同類膚色在顏色空間中聚類時，會形成不同的峰值。本發(fā)明實施例公開的技術方案，提供了多膚色概率模型的訓練方法，以及 利用多膚色概率模型進行膚色檢測的方法。與現有的單膚色概率模型不同，本 發(fā)明提供的多膚色概率模型是針對不同光照條件下的膚色或不同類的膚色訓練 得到的多個膚色概率模型，因此，在對待檢測圖像進行膚色檢測時，可為待檢 測圖像選擇合適的膚色概率模型，從而降低誤檢率或漏檢率。為使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下參照附圖并舉 實施例，對本發(fā)明進一步詳細說明。圖2是本發(fā)明方法實施例提供的多膚色概率模型訓練方法流程圖，如圖2 所示，該方法具體包括如下步驟步驟201，將包含各種光照條件下的訓練樣本集在顏色空間中聚集得到至 少一個膚色色度類，計算每一個膚色色度類的色度中心。將訓練樣本集的膚色像素在顏色空間中聚類時，可先手工標注出訓練樣本 中的膚色區(qū)域，用標注出的膚色區(qū)域中的膚色像素在顏色空間中聚類得到。本步驟中用到的顏色空間可以為RGB、 YCbCr、 HSV、 Lab等三維顏色 空間，也可以為CbCr、 HS、歸一化RB、 ab等二維顏色空間，只要相同光 照條件下的膚色在選定顏色空間中的聚集性好，而不同光照條件下的膚色在 所述選定顏色空間中的可分性較好即可。經過仿真實驗，發(fā)現包含各種光照條件下的訓練樣本在CbCr色度空間 中進行聚類時，相同光照條件下的訓練樣本的膚色像素的聚集性最好，而不 同光照條件下的訓練樣本的膚色像素能較好地聚集成的多個膚色色度類，因 此，選定CbCr色度空間作為本發(fā)明的顏色空間。各個顏色空間之間可相互轉換，例如，CbCr色度空間與其對應的YCbCr 三維顏色空間以及RGB空間的線性變換關系如下—Y = 0.299*R + 0.587*G + 0.114*B < Cr = (R-Y)*0.713 + 128 Cb = (B-Y)*0.564 + 128其中，Y為亮度分量，Cb、 Cr分別表示RGB顏色中藍、紅兩種基色的強度。各個顏色空間的相互轉換為現有技術，此處不再贅述。 圖3是本發(fā)明方法實施例的仿真實驗效果圖。在圖3所示的仿真實驗中，由包含大約2億個膚色像素的訓練樣本集在 CbCr色度平面上按照CbCr色度矢量進行聚類，得到各個膚色色度類。圖3中的橫坐標代表Cb值，縱坐標代表Cr值，垂直坐標代表CbCr色度 矢量出現的概率。在對圖3進行放大觀察的過程中，發(fā)現所述訓練樣本集在CbCr 色度平面中的CbCr色度矢量有6個明顯的峰值，因此，可得到6個膚色色度 類。在對訓練樣本在CbCr色度平面上聚類時，可綜合考慮CbCr色度平面上的 概率峰值、每個概率峰值涵蓋的樣本數、每個概率峰的方差等參數，劃分合適 的膚色色度類。劃分得到的一個膚色色度類能夠覆蓋同 一光照條件下的膚色像素或者屬于 同一類皮膚的膚色像素。對某個膚色色度類涵蓋的訓練樣本求色度均值，這一 色度均值就是該膚色 色度類的色度中心(可簡稱膚色色度類中心)，還可以將每個膚色色度類的峰 值近似看作該膚色色度類的色度中心。步驟202，提取訓練樣本中的候選膚色區(qū)域，計算候選膚色區(qū)域的色度均 值與色度中心M^,的距離，將訓練樣本歸入所述距離最小的膚色色度類，得到 與膚色色度類對應的訓練子集。圖3中，膚色像素在CbCr色度平面上能較好的聚集成緊集，實驗發(fā)現，該 緊集的邊界可以近似描述為一個三角形，其頂點的CbCr坐標為(140，120), (72,180), (96,200)。按照這個分布區(qū)域使用固定膚色分布檢測方法對訓練樣 本進行檢測，檢出的區(qū)域即為候選膚色區(qū)域。候選膚色區(qū)域色度均值的計算和色度均值與Mcw>的距離的計算均為現有 技術，此處不再贅述。所述距離可以為歐式距離，也可以采用馬式(mahalanobis) 距離，必要時需要根據訓練樣本集估計計算所選用的距離度量所需的參數，這 也可采用現有技術實現，此處不再贅述。步驟203，統計每一個訓練子集的膚色概率分布和非膚色概率分布，得到 膚色色度類對應的膚色概率模型。訓練子集的膚色概率分布可通過對該訓練子集中的訓練樣本中，已劃分出 (自動分割或手工標注)的膚色區(qū)域的像素進行概率統計得到，非膚色概率分 布可通過對該訓練子集中的訓練樣本中，除去已劃分出(自動分割或手工標注) 的膚色區(qū)域的部分，即非膚色部分的像素，進行概率統計得到。對指定圖像進 行概率統計為現有技術，此處不再贅述。本實施例中的膚色概率模型采用無參數的概率直方圖形式，即，每一個 膚色概率模型的膚色概率分布和非膚色概率分布都使用在CbCr色度空間的概率分布直方圖表示，如圖4所示。圖4(包括圖4A和圖4B)是采用概率直方圖形式的膚色概率模型示意圖， 其中，圖4A為CbCr色度空間上的膚色概率分布直方圖，圖4B為CbCr色度 空間上的非膚色概率分布直方圖。圖5是本發(fā)明方法實施例提供的第一膚色;f企測方法流程圖，如圖5所示， 該方法具體包括如下步驟步驟501，接收待檢測圖像，提取待檢測圖像的候選膚色區(qū)域。步驟502，計算候選膚色區(qū)域色度均值與膚色色度類中心的距離，根據所 述距離最小的膚色色度類對應的膚色概率模型對待檢測圖像中的像素進行膚色 判別。本步驟中采用Bayes決策方法對像素進行膚色判別，實際應用中也可采用 其他決策方法對像素進行膚色判別。采用Bayes決策方法對像素進行膚色判別時，由選定的膚色概率模型對待 檢測圖像中的每個像素求膚色似然概率P(co/or —的和非膚色似然概率/Vo/w卜5/b'")，采用步驟103中的Bayes決策方法對像素進行膚色判別。步驟5(B,由判別為膚色的像素構成膚色區(qū)域圖像。執(zhí)行完步驟503即可結束本流程，也可繼續(xù)執(zhí)行步驟504。步驟504，對步驟503得到的膚色區(qū)域圖像進行形態(tài)學閉合操作得到校正圖像，將該校正圖像作為最終的膚色區(qū)域圖像，結束本流程。圖5給出了對待檢測圖像中的像素采用多膚色概率模型進行膚色判別，由判別為膚色的像素構成最終的膚色區(qū)域圖像這一方法的實施例。實際應用中，還可根據膚色檢測的應用背景，對候選膚色區(qū)域和由判別為膚色的像素構成的膚色區(qū)域圖像進行邏輯運算，得到最終的膚色區(qū)域圖像，圖6就給出了這樣一種實施例。圖6是本發(fā)明方法實施例提供的第二膚色檢測方法流程圖，該方法以人體 膚色區(qū)域檢測為應用背景，如圖6所示，該方法具體包括如下步驟步驟601，同步驟501。步驟602,判斷步驟601得到的候選膚色區(qū)域的面積是否滿足預定條件， 若滿足，則確定該候選膚色區(qū)域即為檢出膚色區(qū)域或判定所述待檢測圖像中不 含檢出膚色區(qū)域圖像，并結束本流程，若不滿足，則執(zhí)行步驟603。由于人體膚色區(qū)域面積具有上限值，因此，在膚色區(qū)域檢測的精度要求不 高，但要求較快的檢測速度的應用背景下，若提取到的候選膚色區(qū)域的面積小 于該上限值，則可判定所述候選膚色區(qū)域為檢出膚色區(qū)域。根據膚色檢測方法 應用場景的不同，可采用不同的判決方法判定候選膚色區(qū)域是否為檢出膚色區(qū) 域圖像。如，若需要檢測面積在某一范圍內的膚色區(qū)域圖像，則在候選膚色區(qū) 域面積不在該范圍內(此時，候選膚色區(qū)域面積須滿足的條件是候選膚色區(qū) 域面積不在該范圍內)時，可判定所述待檢測圖像中不含檢出膚色區(qū)域圖像； 當候選膚色區(qū)域面積在該范圍內，可直接判定該候選膚色區(qū)域圖像為4企出膚色 區(qū)域圖像，也可進一步判斷該候選膚色區(qū)域圖像是否位于所述范圍(如該范圍為8cw2 20cm2)內更精確的一個小范圍(如10cm2 15cm2)內，若在，則 直接判定該候選膚色區(qū)域圖像為檢出膚色區(qū)域圖像，否則執(zhí)行步驟603。本步 驟所舉例子僅是對根據膚色檢測方法應用場景確定檢出膚色區(qū)域判決方法的示 范，并非用于限制本發(fā)明。 步驟603,同步驟502。步驟604,同步驟503。執(zhí)行完步驟604即可結束本流程，也可繼續(xù)執(zhí)行步 驟605。步驟605，對步驟604得到的膚色區(qū)域圖像進行形態(tài)學閉合操作后，與步 驟601得到的候選膚色區(qū)域求交集，得到膚色區(qū)域圖像，結束本流程。步驟601得到的候選膚色區(qū)域的膚色查全率較高，但常有大面積的混淆背 景；步驟604得到的膚色區(qū)域圖像混淆背景較少，但由于該膚色區(qū)域圖像是由 判別為膚色的像素組成的，而每一個像素在進行膚色判別時都有一定的錯誤率， 因此，步驟604得到的膚色區(qū)域圖像可能有局部殘缺，可通過對步驟604得到的膚色區(qū)域圖像進行形態(tài)學閉合操作來解決這一問題。若將步驟604得到的膚色區(qū)域圖像進行形態(tài)學閉合操作處理，然后再與步驟601得到的候選膚色區(qū)域求交集，將該交集作為最終的膚色區(qū)域圖像檢測結果，則即可提高膚色查全率， 又可解決膚色區(qū)域圖像有殘缺的問題。圖7是本發(fā)明裝置實施例提供的膚色檢測裝置第一結構圖，如圖7所示， 該裝置包括待檢測圖像接收單元701、候選膚色區(qū)域提取單元702和膚色區(qū)域 圖像檢測單元703。待檢測圖像接收單元701用于，接收待檢測圖像。候選膚色區(qū)域提取單元702用于，提取所述待檢測圖像的候選膚色區(qū)域圖像。膚色區(qū)域圖像檢測單元703用于，計算所述候選膚色區(qū)域的色度均值，根 據膚色色度類中心與所述色度均值最近的膚色色度類對應的膚色概率模型，對 所述待檢測圖像中的像素進行膚色判別，由判別為膚色的像素構成膚色區(qū)域圖像。所述膚色色度類，通過將訓練樣本集中的膚色像素在顏色空間中聚類得到。 所述膚色概率模型，通過計算每一訓練樣本的候選膚色區(qū)域的色度均值與 所述膚色色度類中心的距離，將訓練樣本歸入所述距離最小的膚色色度類，得 到與膚色色度類對應的訓練子集，統計每一個訓練子集的膚色概率分布和非膚 色概率分布得到。膚色區(qū)域圖像檢測單元703可包括膚色概率模型選擇模塊和膚色區(qū)域圖像 檢測模塊。所述膚色概率模型選擇模塊，用于計算所述候選膚色區(qū)域的色度均值，計 算所述色度均值與膚色色度類的色度中心的距離，選定所述距離最小的膚色色 度類對應的膚色概率模型。所述膚色區(qū)域圖像檢測模塊用于，根據選定的膚色概率模型對待檢測圖像 中的像素進行膚色判別，由判別為膚色的像素構成的膚色圖像。圖8是本發(fā)明裝置實施例提供的膚色檢測裝置第二結構圖，如圖8所示，該裝置包括待檢測圖像接收單元701 (與圖7中的待檢測圖像接收單元701結 構相同)、候選膚色區(qū)域提取單元802和膚色區(qū)域圖像;險測單元803。候選膚 色區(qū)域提取單元802包括提取模塊8021和判別模塊8022。 提取模塊8021用于，提取待檢測圖像的候選膚色區(qū)域。 判別模塊8022用于，判斷提取到的候選膚色區(qū)域的面積是否滿足預定條 件，若滿足，則判定所述候選膚色區(qū)域為檢出膚色區(qū)域或者判定所述待檢測圖 像中不含檢出膚色區(qū)域圖像，若不滿足，則向膚色區(qū)域圖像檢測單元803發(fā)送 檢測指示。膚色區(qū)域圖像檢測單元803用于，接收到檢測指示后，計算所述候選膚色 區(qū)域的色度均值，根據色度中心與所述色度均值最近的膚色色度類對應的膚色 概率模型，對所述待檢測圖像中的像素進行膚色判別，根據判別結果得到膚色區(qū)域圖像。圖9是本發(fā)明裝置實施例提供的膚色檢測裝置第三結構圖，如圖9所示， 該裝置包括待檢測圖像接收單元70(與圖7中的待檢測圖像接收單元701結 構相同)、候選膚色區(qū)域提取單元702、膚色區(qū)域圖像檢測單元703、校正圖像 獲得單元704和膚色區(qū)域圖像確定單元705。校正圖像獲得單元704用于，對由判別為膚色的像素構成的膚色圖像進行 形態(tài)學閉合操作，得到校正圖像，將該校正圖像發(fā)給膚色區(qū)域圖像確定單元 705。膚色區(qū)域圖像確定單元705用于，對候選膚色區(qū)域圖像和所述校正圖像求 交集，得到檢出膚色區(qū)域圖像。在圖7所示結構圖的基礎上，候選膚色區(qū)域提取單元702進一步用于，將 提取的候選膚色區(qū)域圖像發(fā)給膚色區(qū)域圖像確定單元705。在圖7所示結構圖的基礎上，膚色區(qū)域圖像檢測單元703進一步用于，將 由判別為膚色的像素構成的膚色圖像發(fā)給膚色區(qū)域圖像確定單元705。或，候選膚色區(qū)域提取單元702在候選膚色區(qū)域提取單元802的基礎上， 進一 步用于，將提取的候選膚色區(qū)域圖像發(fā)給膚色區(qū)域圖像確定單元705 。膚色區(qū)域圖像檢測單元703在膚色區(qū)域圖像檢測單元803的基礎上，進一步用于，將由判別為膚色的像素構成的膚色圖像發(fā)給膚色區(qū)域圖像確定單元705。本發(fā)明實施例所述的檢出膚色區(qū)域圖像，為膚色檢測方法和裝置確定的最 終檢出的膚色區(qū)域圖像。本發(fā)明還可應用于非膚色的其他顏色檢測，只要該顏色在顏色空間中具有 較好的聚集性，而與其他顏色具有較好的可分性，通過在顏色空間中聚類，能 夠得到至少一個顏色色度類即可。某一顏色在顏色空間中的聚集性可由仿真試 驗得到，這種仿真實施是本領域技術人員的公知常識。本發(fā)明實施例所提供的技術方案，將包含各種光照條件下膚色樣本的大 樣本集在顏色空間中聚類得到至少一個膚色色度類，針對每一個膚色色度類 均訓練一個膚色概率模型，形成多膚色概率模型，當聚集膚色色度類所采用 的大樣本集(該大樣本集可以只包含一種光照條件下的訓練樣本)中含有多 類膚色時，可針對每一類膚色訓練一個膚色概率模型，形成多膚色概率模型。 在對待檢測樣本進行膚色檢測時，通過估計待檢測圖像的膚色色度，從多個 膚色概率模型中選則適合的膚色概率模型來進行膚色檢測，相比單膚色模 型，能對不同光照條件下的膚色區(qū)域圖像以及不同類膚色的膚色區(qū)域圖像進 行更精細的檢測，降低漏檢率或誤檢率，且時間復雜度較低。以上所述，僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護 范圍，凡在本發(fā)明的精神和原則之內所做的任何修改、等同替換、改進等， 均應包含在本發(fā)明的保護范圍之內。
權利要求
1、一種膚色檢測方法，其特征在于，該方法包括步驟將訓練樣本集中的膚色像素在顏色空間中聚類得到至少一個膚色色度類；提取訓練樣本中的候選膚色區(qū)域，計算候選膚色區(qū)域的色度均值與膚色色度類中心的距離，將訓練樣本歸入所述距離最小的膚色色度類，得到與膚色色度類對應的訓練子集；統計每一個訓練子集的膚色概率分布和非膚色概率分布，得到每一膚色色度類對應的膚色概率模型；接收待檢測圖像，提取待檢測圖像的候選膚色區(qū)域，計算所述候選膚色區(qū)域色度均值與膚色色度類中心的距離，根據所述距離最小的膚色色度類對應的膚色概率模型對所述待檢測圖像中的像素進行膚色判別，由判別為膚色的像素構成膚色區(qū)域圖像。
2、 如權利要求l所述的方法，其特征在于，提取待檢測圖像的候選膚色區(qū) 域之后進一步包括步驟判斷所述候選膚色區(qū)域的面積是否滿足預定條件，若滿足，則判定所述候 選膚色區(qū)域為檢出膚色區(qū)域或者判定所述待檢測圖像中不含檢出膚色區(qū)域圖 像，結束膚色檢測，若不滿足，則計算所述候選膚色區(qū)域色度均值與膚色色度 類中心的距離。
3、 如權利要求1或2所述的方法，其特征在于，由判別為膚色的像素構成 膚色區(qū)域圖像之后進 一 步包括對由判別為膚色的像素構成的膚色區(qū)域圖像進行形態(tài)學閉合操作，得到校 正圖像；對候選膚色區(qū)域圖像和所述校正圖像求交集，得到檢出膚色區(qū)域圖像。
4、 如權利要求l所述方法，其特征在于，對所述待檢測圖像中的像素采用 貝葉斯Bayes決策方法進行膚色判別。
5、 如權利要求l所述的方法，其特征在于，所述顏色空間為CbCr顏色空間。
6、 一種膚色檢測裝置，其特征在于，該裝置包括待檢測圖像接收單元、候選膚色區(qū)域提取單元和膚色區(qū)域圖像檢測單元；所述待檢測圖像接收單元用于，接收待檢測圖像；所述候選膚色區(qū)域提取單元用于，提取所述待檢測圖像的候選膚色區(qū)域圖像；所述膚色區(qū)域圖像檢測單元用于，計算所述候選膚色區(qū)域的色度均值，根 據膚色色度類中心與所述色度均值最近的膚色色度類對應的膚色概率模型，對 所述待檢測圖像中的像素進行膚色判別，由判別為膚色的像素構成膚色區(qū)域圖 像；所述膚色色度類，通過將訓練樣本集中的膚色像素在顏色空間中聚類得到； 所述膚色概率模型，通過計算每一訓練樣本的候選膚色區(qū)域的色度均值與 所述膚色色度類中心的距離，將訓練樣本歸入所述距離最小的膚色色度類，得 到與膚色色度類對應的訓練子集，統計每一個訓練子集的膚色概率分布和非膚 色概率分布得到。
7、 如權利要求6所述的裝置，其特征在于，所述膚色區(qū)域圖像檢測單元包 括膚色概率模型選擇模塊和膚色區(qū)域圖像檢測模塊；所述膚色概率模型選擇模塊，用于計算所述候選膚色區(qū)域的色度均值，計 算所述色度均值與膚色色度類的色度中心的距離，選定所述距離最小的膚色色 度類對應的膚色概率模型；所述膚色區(qū)域圖像檢測模塊用于，根據選定的膚色概率模型對待檢測圖像 中的像素進行膚色判別，由判別為膚色的像素構成膚色區(qū)域圖像。
8、 如權利要求6所述的裝置，其特征在于，所述候選膚色區(qū)域提取單元包 括提取模塊和判別模塊；所述提取模塊用于，提取所述待檢測圖像的候選膚色區(qū)域； 所述判別模塊用于，判斷提取到的候選膚色區(qū)域的面積是否滿足預定條件， 若滿足，則判定所述候選膚色區(qū)域為檢出膚色區(qū)域或者判定所述待檢測圖像中不含檢出膚色區(qū)域圖像，若不滿足，則向所述膚色區(qū)域圖像檢測單元發(fā)送檢測指示；所述膚色區(qū)域圖像檢測單元用于，接收到檢測指示后，計算所述候選膚色 區(qū)域的色度均值，根據膚色色度類中心與所述色度均值最近的膚色色度類對應 的膚色概率模型，對所述待檢測圖像中的像素進行膚色判別，由判別為膚色的 像素構成膚色區(qū)域圖像。
9、如權利要求6或8所述的裝置，其特征在于，該裝置進一步包括校正圖 像獲得單元和膚色區(qū)域圖像確定單元；所述校正圖像獲得單元用于，對由判別為膚色的像素構成的膚色圖像進行 形態(tài)學閉合操作，得到校正圖像，將該校正圖像發(fā)給膚色區(qū)域圖像確定單元；所述膚色區(qū)域圖像確定單元用于，對候選膚色區(qū)域圖像和所述校正圖像求 交集，得到檢出膚色區(qū)域圖像；所述候選膚色區(qū)域提取單元進一步用于，將提取的候選膚色區(qū)域圖像發(fā)給 所述膚色區(qū)域圖像確定單元；所述膚色區(qū)域圖像檢測單元進一 步用于，將由判別為膚色的像素構成的膚 色區(qū)域圖像發(fā)給所述膚色區(qū)域圖像確定單元。
全文摘要
本發(fā)明實施例公開了一種膚色檢測方法及裝置，包括將訓練樣本集中的膚色像素在顏色空間中聚類得到至少一個膚色色度類；提取訓練樣本中的候選膚色區(qū)域，計算候選膚色區(qū)域的色度均值與膚色色度類中心的距離，將訓練樣本歸入所述距離最小的膚色色度類，得到與膚色色度類對應的訓練子集；統計每一個訓練子集的膚色概率分布和非膚色概率分布，得到每一膚色色度類對應的膚色概率模型；接收待檢測圖像，提取待檢測圖像的候選膚色區(qū)域，計算所述候選膚色區(qū)域色度均值與膚色色度類中心的距離，根據所述距離最小的膚色色度類對應的膚色概率模型對所述待檢測圖像中的像素進行膚色判別，由判別為膚色的像素構成膚色區(qū)域圖像。應用本發(fā)明可降低膚色漏檢率或誤檢率。
文檔編號G06K9/62GK101251898SQ200810084130
公開日2008年8月27日 申請日期2008年3月25日 優(yōu)先權日2008年3月25日
發(fā)明者付立波 申請人:騰訊科技(深圳)有限公司