基于膚色的人手檢測方法及裝置的制造方法
【專利摘要】本發(fā)明實(shí)施例提供一種基于膚色的人手檢測方法。將獲取到的待檢測圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間以獲取HSV圖像，并將所述待檢測圖像從RGB顏色空間轉(zhuǎn)換到r-g顏色空間以獲取r-g圖像；將所述HSV圖像轉(zhuǎn)化為第一二值圖像，將所述r-g圖像轉(zhuǎn)化為第二二值圖像；對所述第一二值圖像和所述第二二值圖像進(jìn)行按位與運(yùn)算從而獲得綜合二值圖像；對所述綜合二值圖像進(jìn)行濾波以獲取優(yōu)化后的二值圖像；分析所述優(yōu)化后的二值圖像中最大的連通區(qū)域，將所述最大的連通區(qū)域作為皮膚區(qū)域；使用預(yù)先訓(xùn)練的K近鄰分類器判斷所述最大的連通區(qū)域是否為手形，從而實(shí)現(xiàn)人手的識別。檢測速度快，有效解決了手勢識別中人手的誤檢測。
【專利說明】
基于膚色的人手檢測方法及裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明實(shí)施例涉及計(jì)算機(jī)視覺領(lǐng)域，尤其涉及一種基于膚色的人手檢測方法及裝 置。
【背景技術(shù)】
[0002] 在與人有關(guān)的各種機(jī)器視覺系統(tǒng)中，手勢識別越來越多的被重視，例如在基于手 勢的人機(jī)交互系統(tǒng)中，需要首先圖像中獲取手的位置。而當(dāng)前最常用的方法就是通過對膚 色進(jìn)行檢測從而獲取手勢信息。將手從圖像分割出來，目前最常用的分割方法就是基于膚 色的分割。
[0003] 根據(jù)有沒有涉及成像的過程，膚色檢測的方法分成兩種基本類型：基于統(tǒng)計(jì)的方 法和基于物理的方法?；诮y(tǒng)計(jì)的膚色檢測方法主要通過建立膚色統(tǒng)計(jì)模型進(jìn)行膚色檢 測，主要包括兩個(gè)步驟:顏色空間變換和膚色建模;基于物理的方法則在膚色檢測中引入光 照與皮膚間的相互作用，通過研究膚色反射模型和光譜特性進(jìn)行膚色檢測。
[0004] 然而現(xiàn)有的基于統(tǒng)計(jì)的膚色檢測方法中，人手形的識別效率低、誤檢率高且非常 容易受到光照的影響，從而導(dǎo)致手勢識別的準(zhǔn)確度受到限制。
[0005] 因此，一種快速且高質(zhì)量的人手檢測方法亟待提出。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明實(shí)施例提供一種基于膚色的人手檢測方法及裝置，用以解決現(xiàn)有技術(shù)中基 于統(tǒng)計(jì)的膚色檢測及人手識別方法效率低、誤檢率高且非常容易受到光照的影響的缺陷， 實(shí)現(xiàn)了基于膚色檢測的人手高效率、高準(zhǔn)確性的識別，從而進(jìn)一步提高了手勢識別的準(zhǔn)確 度。
[0007] 本發(fā)明實(shí)施例提供一種基于膚色的人手檢測方法，包括：
[0008] 將獲取到的待檢測圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間以獲取HSV圖像，并將 所述待檢測圖像從RGB顏色空間轉(zhuǎn)換到r-g顏色空間以獲取r-g圖像；
[0009] 遍歷讀取所述HSV圖像中的每一像素點(diǎn)，并根據(jù)預(yù)先建立的HSV直方圖模型將所述 HSV圖像轉(zhuǎn)化為第一二值圖像，并遍歷讀取所述r-g圖像中的每一像素點(diǎn)，根據(jù)預(yù)先建立的 混合高斯模型將所述r-g圖像轉(zhuǎn)化為第二二值圖像；
[0010]對所述第一二值圖像和所述第二二值圖像進(jìn)行按位與運(yùn)算從而獲得綜合二值圖 像；
[0011] 對所述綜合二值圖像進(jìn)行濾波以獲取優(yōu)化后的二值圖像；
[0012] 分析所述優(yōu)化后的二值圖像中最大的連通區(qū)域，將所述最大的連通區(qū)域作為皮膚 區(qū)域；
[0013] 使用預(yù)先訓(xùn)練的K近鄰分類器判斷所述最大的連通區(qū)域是否為手形，從而實(shí)現(xiàn)人 手的識別。
[0014] 本發(fā)明實(shí)施例提供一種基于膚色的人手檢測裝置，包括：
[0015] 圖像轉(zhuǎn)換模塊，用于將獲取到的待檢測圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間以 獲取HSV圖像，并將所述待檢測圖像從RGB顏色空間轉(zhuǎn)換到r-g顏色空間以獲取r-g圖像；
[0016] 二值圖獲取模塊，用于遍歷讀取所述HSV圖像中的每一像素點(diǎn)，并根據(jù)預(yù)先建立的 HSV直方圖模型將所述HSV圖像轉(zhuǎn)化為第一二值圖像，并遍歷讀取所述r-g圖像中的每一像 素點(diǎn)，根據(jù)預(yù)先建立的混合高斯模型將所述r-g圖像轉(zhuǎn)化為第二二值圖像；
[0017] 按位運(yùn)算模塊，用于對所述第一二值圖像和所述第二二值圖像進(jìn)行按位與運(yùn)算從 而獲得綜合二值圖像；
[0018] 濾波模塊，用于對所述綜合二值圖像進(jìn)行濾波以獲取優(yōu)化后的二值圖像；
[0019]連通區(qū)域判斷模塊，用于分析所述優(yōu)化后的二值圖像中最大的連通區(qū)域，將所述 最大的連通區(qū)域作為皮膚區(qū)域；
[0020] 人手識別模塊，用于使用預(yù)先訓(xùn)練的K近鄰分類器判斷所述最大的連通區(qū)域是否 為手形，從而實(shí)現(xiàn)人手的識別。
[0021] 本發(fā)明實(shí)施例提供的膚色檢測方法及裝置，通過綜合運(yùn)用HSV直方圖、混合高斯模 型、濾波去噪以及連通域提取的方法，實(shí)現(xiàn)了皮膚區(qū)域的高準(zhǔn)確度檢測，與此同時(shí)，通過K近 鄰分類器實(shí)現(xiàn)了快速精準(zhǔn)的人手提取。
【附圖說明】
[0022] 為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明 的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù) 這些附圖獲得其他的附圖。
[0023]圖1為本發(fā)明實(shí)施例一的技術(shù)流程圖；
[0024]圖2為本發(fā)明實(shí)施例二的技術(shù)流程圖；
[0025] 圖3為本發(fā)明實(shí)施例三的技術(shù)流程圖；
[0026] 圖4為本發(fā)明實(shí)施例四的裝置結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0027] 為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例 中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是 本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員 在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0028]需要說明的是，本發(fā)明的各個(gè)實(shí)施例并非獨(dú)立存在，若干個(gè)實(shí)施例之間可以相互 補(bǔ)充或組合存在。
[0029] 實(shí)施例一
[0030]圖1是本發(fā)明實(shí)施例一的技術(shù)流程圖，結(jié)合圖1，本發(fā)明實(shí)施例一種基于膚色的人 手檢測方法包括如下的步驟：
[0031]步驟110:將獲取到的待檢測圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間以獲取HSV圖 像，并將所述待檢測圖像從RGB顏色空間轉(zhuǎn)換到r-g顏色空間以獲取r-g圖像；
[0032]以下部分為了使邏輯描述更加清楚，將步驟110拆分為兩個(gè)步驟:步驟111和步驟 112,需要說明的是，步驟111和步驟112之間并無先后順序，以下的描述對其執(zhí)行順序并不 構(gòu)成限制。
[0033]步驟111:將獲取到的待檢測圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間以獲取HSV圖 像；
[0034] RGB顏色空間是通過對紅(R)、綠(G)、藍(lán)(B)三個(gè)顏色通道的變化以及它們相互之 間的疊加來得到各式各樣的顏色的，RGB即是代表紅、綠、藍(lán)三個(gè)通道的顏色值，這個(gè)標(biāo)準(zhǔn)幾 乎包括了人類視力所能感知的所有顏色。
[0035] HSV(Hue Saturation Value:色度飽和度值)顏色空間是根據(jù)顏色的直觀特性而 創(chuàng)建的一種顏色空間，H、S和V分別代表色調(diào)，飽和度和亮度。將待檢測的圖像從RGB顏色空 間轉(zhuǎn)化到HSV顏色空間，在一定程度上克服了光照變化對膚色檢測的影響。
[0036]在HSV色彩空間中，色調(diào)H表示色彩信息，即所處的光譜顏色的位置。H用角度度量， 取值范圍為0°~360°，從紅色開始按逆時(shí)針方向計(jì)算，紅色為0°，綠色為120°，藍(lán)色為240°。 它們的補(bǔ)色是:黃色為60°，青色為180°，品紅為300° ;飽和度S表示成所選顏色的純度和該 顏色最大的純度之間的比率，S的取值范圍為0.0~1.0，值越大，顏色越飽和，S = 0時(shí)，只有 灰度;亮度V通常用百分比度量，從〇 % (黑）到100 % (白）AGB和CMY顏色模型都是面向硬件 的，而HSV(Hue Saturation Value)顏色模型是面向用戶的。HSV模型的三維表示從RGB立方 體演化而來。設(shè)想從RGB沿立方體對角線的白色頂點(diǎn)向黑色頂點(diǎn)觀察，就可以看到立方體的 六邊形外形。六邊形邊界表示色彩，水平軸表示純度，明度沿垂直軸測量。
[0037]本發(fā)明實(shí)施例中采用如下的公式將所述待檢測圖像從RGB顏色空間轉(zhuǎn)換到HSV顏 色空間：
[0041]其中，R為所述像素點(diǎn)的紅色值、G為所述像素點(diǎn)的綠色值、B為所述像素點(diǎn)的藍(lán)色 值;max〇表示取最大值運(yùn)算，min〇表示取最小值運(yùn)算，V為R、G、B中的最大值;H、S、V分別為 轉(zhuǎn)化后所述像素點(diǎn)對應(yīng)的顏色值。
[0042]步驟112:將所述待檢測圖像從RGB顏色空間轉(zhuǎn)換到r-g顏色空間以獲取r-g圖像；
[0043]本發(fā)明實(shí)施例中，采用如下公式將所述RGB圖像從由RGB顏色空間轉(zhuǎn)換到r-g顏色 空間：
[0047]其中，R為所述像素點(diǎn)的紅色值、G為所述像素點(diǎn)的綠色值、B為所述像素點(diǎn)的藍(lán)色 值;r、g、b分別為轉(zhuǎn)化后所述像素點(diǎn)對應(yīng)的顏色值。
[0048] 此處的RGB顏色空間是指通過對紅(R)、綠(G)、藍(lán)(B)三個(gè)顏色通道的變化以及它 們相互之間的疊加來得到各式各樣的顏色。通常情況下，RGB各有256級亮度，用數(shù)字表示為 從0、1、2...直到255。一個(gè)RGB顏色值指定紅、綠、藍(lán)三原色的相對亮度，生成一個(gè)用于顯示 的特定顏色，即任何一個(gè)顏色都可以由一組RGB值來記錄和表達(dá)。例如，某一像素點(diǎn)對應(yīng)的 RGB值為（149,123,98)，這一像素點(diǎn)的顏色為RGB三種顏色的不同亮度的疊加。
[0049]本發(fā)明實(shí)施例中，使用OpenCv可直接獲得圖片中每一像素點(diǎn)對應(yīng)的RGB值，實(shí)現(xiàn)代 碼可以是這樣：
[0050] CvScalar p；
[0051] p = cvGet2D( Image In, j , i)；
[0052] double a = p.val[0]；
[0053] double b = p.val[l]；
[0054] double c = p.val[2]；
[0055] 其中，i、j分別是像素點(diǎn)在圖像上的橫縱坐標(biāo);通道0、1、2分別對應(yīng)的是藍(lán)、綠、紅 三種顏色的亮度數(shù)值；
[0056]當(dāng)值像素值由RGB空間轉(zhuǎn)化到r-g空間后，可以一定程度上克服光照變化對膚色檢 測的影響。本發(fā)明實(shí)施例中，將顏色空間由RGB轉(zhuǎn)化為r-g，實(shí)際上是對RGB色彩的歸一化過 程。在這個(gè)歸一化的過程中，當(dāng)某個(gè)像素受光照或陰影的影響而產(chǎn)生顏色通道R、G、B值變化 時(shí)，歸一化公式中的分子分母同時(shí)變化，得到的歸一化值實(shí)際浮動(dòng)并不大，這種變換方式從 圖像上移除了光照的信息，因此可以減弱光照的影響。
[0057]例如：歸一化前T1時(shí)刻的像素A的像素值為:RGB(30，60，90)，T2時(shí)刻，由于受光照 影響，RGB三個(gè)顏色通道的顏色值產(chǎn)生了變化，像素A的像素值變?yōu)镽GB(60，120，180)。
[0058]經(jīng)歸一化公式轉(zhuǎn)化為r-g空間之后，T1時(shí)刻的像素A的像素值為:rgb(l/6，l/3,2/ 3)，T2時(shí)刻的像素A的像素值為:rgb(l/6，1/3，2/3)。由此可見，T1和T2時(shí)刻的歸一化RGB的 值并沒有發(fā)生變化。
[0059]步驟120:遍歷讀取所述HSV圖像中的每一像素點(diǎn)，并根據(jù)預(yù)先建立的HSV直方圖模 型將所述HSV圖像轉(zhuǎn)化為第一二值圖像，并遍歷讀取所述r-g圖像中的每一像素點(diǎn)，根據(jù)預(yù) 先建立的混合高斯模型將所述r-g圖像轉(zhuǎn)化為第二二值圖像；
[0060]以下部分為了描述更加清楚，將步驟120拆分為四個(gè)步驟:步驟121~步驟125。其 中，步驟122~步驟125構(gòu)成的整體與步驟121在實(shí)際執(zhí)行中并無固定的先后順序，本發(fā)明實(shí) 施例不做限制。
[00611步驟121:讀取所述像素點(diǎn)的HSV值，計(jì)算所述HSV值分別與所述皮膚像素的HSV直 方圖模型以及所述非皮膚像素的HSV直方圖模型的匹配概率值，并根據(jù)所述匹配程度值判 斷所述像素點(diǎn)是否屬于皮膚區(qū)域；
[0062]若所述像素點(diǎn)屬于皮膚區(qū)域，則以x為所述像素點(diǎn)賦值，若所述像素點(diǎn)不屬于皮膚 區(qū)域，則以y為所述像素點(diǎn)賦值，從而得到所述第一二值圖像。其中，x-般取255，y-般取0。 [0063]預(yù)先訓(xùn)練的所述HSV直方圖模型中保存有皮膚像素和非皮膚像素的HSV值的直方 圖分布，本發(fā)明實(shí)施例中將這種分布作為判斷一個(gè)新的像素點(diǎn)是否為皮膚像素的一種參 考。具體實(shí)現(xiàn)為:讀取待檢測圖像中的所述像素點(diǎn)的HSV值，計(jì)算所述HSV值分別與所述皮膚 像素的HSV直方圖模型以及所述非皮膚像素的HSV直方圖模型的匹配概率值，并根據(jù)所述匹 配程度值判斷所述像素點(diǎn)是否屬于皮膚區(qū)域。
[0064]本實(shí)施例中，通過將RGB圖像轉(zhuǎn)化至HSV顏色空間，使得進(jìn)行膚色檢測時(shí)，檢測結(jié)果 對光照的變化具有一定的穩(wěn)定性。
[0065] S122:計(jì)算所述像素點(diǎn)在皮膚混合高斯模型下的第一概率密度以及所述像素點(diǎn)在 非皮膚混合高斯模型下的第二概率密度；
[0066] 混合高斯模型GMM，也稱M0G，是單高斯模型的擴(kuò)展，它使用K(基本為3到10個(gè))個(gè)高 斯模型來表征圖像中各個(gè)像素點(diǎn)的特征。
[0067] 單高斯模型的公式表述如下所示：
[0069] 其中，x屬于d維歐幾里得空間，a是單高斯模型的均值向量，S是單高斯模型的協(xié)方 差矩陣，（)T表示矩陣的轉(zhuǎn)置運(yùn)算，（r 1表示矩陣的逆運(yùn)算。
[0070] 混合高斯模型的公式由K個(gè)單高斯模型按照權(quán)重累加而成，用下述公式體現(xiàn)：
[0072]其中，M是第k個(gè)高斯模型的權(quán)重，m是預(yù)設(shè)的高斯模型的個(gè)數(shù)，pk(x)是第k個(gè)單高 斯模型。其中，對于第k個(gè)單高斯模型，其公式表述如下：
[0074] 如上所述，x屬于d維歐幾里得空間，m是預(yù)設(shè)的高斯模型的個(gè)數(shù)，pk(x)是第k個(gè)高 斯模型的概率密度，a k是第k個(gè)高斯模型的均值向量，Sk是第k個(gè)高斯模型的協(xié)方差矩陣，M 是第k個(gè)高斯模型的權(quán)重；
[0075] 需要說明的是，p(X;ak，Sk，3ik)和p k(x)實(shí)際計(jì)算結(jié)果表征的是x在相應(yīng)模型下的概 率密度。
[0076]本發(fā)明實(shí)施例中，對皮膚像素和非皮膚像素分別建立混合高斯模型，兩種模型的 公式表述相同，不同之處在于模型中的參數(shù)，即均值向量ak和協(xié)方差矩陣Sk不同。
[0077] 對于待檢測圖像中的每一個(gè)像素點(diǎn)，本發(fā)明實(shí)施例在皮膚混合高斯模型下計(jì)算其 第一概率密度，在非皮膚混合高斯模型下計(jì)算其第二概率密度，直至遍歷所有的像素點(diǎn)。
[0078] 本發(fā)明實(shí)施例中，所述遍歷的過程可以是按行按列逐個(gè)遍歷，也可以是隨機(jī)選取 一個(gè)像素點(diǎn)，判斷其是否為皮膚區(qū)域的像素點(diǎn)，若是，則首先對其一定尺寸鄰域內(nèi)的像素點(diǎn) 進(jìn)行遍歷，本發(fā)明并不限制。
[0079]當(dāng)皮膚混合高斯模型的均值向量為akl、協(xié)方差矩陣為Skl以及多個(gè)單高斯模型分 別對應(yīng)的權(quán)重為Jiki時(shí)，
[0081]當(dāng)非皮膚混合高斯模型的均值向量為ak2、協(xié)方差矩陣為Sk2以及多個(gè)單高斯模型 分別對應(yīng)的權(quán)重為3Tk2時(shí)，
[0083] S123:根據(jù)所述像素點(diǎn)的所述第一概率密度和所述第二概率密度計(jì)算所述像素點(diǎn) 屬于皮膚區(qū)域的后驗(yàn)概率；
[0084]本發(fā)明實(shí)施例中，后驗(yàn)概率的計(jì)算公式如下：
[0086] 其中，P為所述后驗(yàn)概率的值，Pskin為所述第一概率密度;p_-sklA所述第二概率 密度。
[0087] S124:當(dāng)判定所述后驗(yàn)概率大于預(yù)設(shè)的后驗(yàn)概率閾值時(shí)，將所述像素點(diǎn)歸屬于皮 膚區(qū)域；
[0088] 優(yōu)選地，本發(fā)明實(shí)施例將所述后驗(yàn)概率閾值設(shè)為0.5，即當(dāng)所述后驗(yàn)概率的值超過 〇. 5時(shí)，判斷所述后驗(yàn)概率對應(yīng)的像素點(diǎn)屬于皮膚區(qū)域。后驗(yàn)概率閾值0.5是一個(gè)經(jīng)驗(yàn)值，經(jīng) 大量的實(shí)驗(yàn)判斷得出，若一個(gè)像素點(diǎn)屬于皮膚像素的后驗(yàn)概率超過〇. 5時(shí)，這一像素點(diǎn)屬于 圖像的皮膚區(qū)域。當(dāng)然，根據(jù)不同的圖片樣本，所述后驗(yàn)概率閾值也可以是動(dòng)態(tài)調(diào)整的，本 發(fā)明并不限于此。
[0089] S125:若所述像素點(diǎn)屬于皮膚區(qū)域，則以x為所述像素點(diǎn)賦值，若所述像素點(diǎn)不屬 于皮膚區(qū)域，則以y為所述像素點(diǎn)賦值，從而得到所述第一二值圖像和所述第二二值圖像。
[0090] 本發(fā)明實(shí)施例的步驟120中，令(1，7) = (255,0)，即以255為皮膚像素點(diǎn)賦值，以0 為非皮膚像素點(diǎn)賦值，則分別得到HSV直方圖模型下的所述第一二值圖像以及混合高斯模 型下的所述第二二值圖像。
[0091] 步驟130:對所述第一二值圖像和所述第二二值圖像進(jìn)行按位與運(yùn)算從而獲得綜 合二值圖像；
[0092] 具體的，按位與運(yùn)算的操作原理為，相同位置的兩個(gè)數(shù)字都為1，則運(yùn)算結(jié)果為1; 若有一個(gè)不為1，則運(yùn)算結(jié)果為〇。在本發(fā)明實(shí)施例中，對于同一個(gè)像素點(diǎn)，若通過與所述HSV 直方圖模型和所述混合高斯模型的匹配結(jié)果均判斷所述像素點(diǎn)屬于皮膚區(qū)域，則按位操作 的結(jié)果為所述像素點(diǎn)屬于皮膚像素;若所述HSV直方圖模型和所述混合高斯模型的匹配結(jié) 果不一致，則按位操作的結(jié)果為所述像素點(diǎn)屬于非皮膚像素。
[0093] 使用按位與運(yùn)算綜合兩個(gè)檢測結(jié)果，得到更精確的檢測的結(jié)果，減少誤檢測的概 率。
[0094]步驟140:對所述綜合二值圖像進(jìn)行濾波以獲取優(yōu)化后的二值圖像；
[0095]本發(fā)明實(shí)施例中，采用中值濾波對所述綜合二值圖像進(jìn)行去噪，用以去除二值化 的圖像中一些零散的像素點(diǎn)從而提高后續(xù)尋找連通區(qū)域的效率。
[0096] 中值濾波是很成熟的算法，它可以消除圖像的噪聲，其基本原理是目標(biāo)圖像中某 個(gè)位置的像素值取決于原圖像同樣位置及其附近的像素值，例如原圖像某個(gè)位置的像素及 其附近有9個(gè)像素，則對這9個(gè)像素值排序后，取位于中間得像素值作為目標(biāo)圖像像素的像 素值。
[0097] 步驟150:分析所述優(yōu)化后的二值圖像中最大的連通區(qū)域，將所述最大的連通區(qū)域 作為皮膚區(qū)域。
[0098] 連通區(qū)域(Connected Component)-般是指圖像中具有相同像素值且位置相鄰的 前景像素點(diǎn)組成的圖像區(qū)域（Region，Blob)。連通區(qū)域分析（Connected Component Analysis，Connected Component Labe ling)是指將圖像中的各個(gè)連通區(qū)域找出并標(biāo)記。通 常連通區(qū)域分析處理的對象是二值化后的圖像。
[0099]從連通區(qū)域的定義可以知道，一個(gè)連通區(qū)域是由具有相同像素值的相鄰像素組成 像素集合，因此，可以通過這兩個(gè)條件在圖像中尋找連通區(qū)域，對于找到的每個(gè)連通區(qū)域， 賦予其一個(gè)唯一的標(biāo)識(Label)，以區(qū)別其他連通區(qū)域。
[0100] 連通區(qū)域分析的常用算法有Two-Pass (兩遍掃描）法和Seed-Filling (種子填充 法)。
[0101] 兩遍掃描法，正如其名，指的就是通過掃描兩遍圖像，就可以將圖像中存在的所有 連通區(qū)域找出并標(biāo)記。其主要實(shí)現(xiàn)思路為:第一遍掃描時(shí)賦予每個(gè)像素位置一個(gè)label，掃 描過程中同一個(gè)連通區(qū)域內(nèi)的像素集合中可能會(huì)被賦予一個(gè)或多個(gè)不同label，因此需要 將這些屬于同一個(gè)連通區(qū)域但具有不同值的label合并，即記錄它們之間的相等關(guān)系;第二 遍掃描就是將具有相等關(guān)系的equal_label S所標(biāo)記的像素歸為一個(gè)連通區(qū)域并賦予一個(gè) 相同的label (通常這個(gè)label是equal_labels中的最小值）。
[0102] 種子填充方法來源于計(jì)算機(jī)圖形學(xué)，常用于對某個(gè)圖形進(jìn)行填充。其主要實(shí)現(xiàn)思 路為:選取一個(gè)前景像素點(diǎn)作為種子，然后根據(jù)連通區(qū)域的兩個(gè)基本條件(像素值相同、位 置相鄰)將與種子相鄰的前景像素合并到同一個(gè)像素集合中，最后得到的該像素集合則為 一個(gè)連通區(qū)域。
[0103]連通區(qū)域中像素相鄰關(guān)系主要有4鄰域、8鄰域，本發(fā)明實(shí)施例中采用4鄰域分析所 述優(yōu)化后的二值圖像中最大的連通區(qū)域。
[0104]步驟160:使用預(yù)先訓(xùn)練的K近鄰分類器判斷所述最大的連通區(qū)域是否為手形，從 而實(shí)現(xiàn)手勢的識別。
[0105] K近鄰分類器是一種很成熟的分類器，其原理是，如果與某個(gè)數(shù)據(jù)最近的M個(gè)數(shù)據(jù) 中，第i個(gè)類的數(shù)據(jù)個(gè)數(shù)占多數(shù)，則此數(shù)據(jù)屬于第i個(gè)類，其中的數(shù)據(jù)一般是一個(gè)向量，可以 代表類的特征。
[0106] 預(yù)先訓(xùn)練K近鄰分類器的關(guān)鍵是提取樣本圖片的特征，并根據(jù)這些特征將樣本圖 片分為不同的類。本發(fā)明實(shí)施例選擇了如下四個(gè)特征：
[0107] 特征1:連通區(qū)域周長的平方與面積之比；
[0108] 特征2:連通區(qū)域的面積；
[0109] 特征3:通過GMM(混合高斯模型)得到的連通區(qū)域像素屬于皮膚區(qū)域的概率均值；
[0110] 特征4:通過HSV直方圖模型得到的連通區(qū)域像素屬于皮膚去的概率均值；
[0111] 其中，特征3和特征4通過調(diào)用本發(fā)明實(shí)施例預(yù)先訓(xùn)練好的HSV直方圖模型和GMM混 合高斯模型進(jìn)行計(jì)算，此處不贅述。
[0112] 本發(fā)明實(shí)施例中，預(yù)先訓(xùn)練的K近鄰分類器，通過采用一定數(shù)量的手形和非手形的 圖片樣本并計(jì)算其最大的連通區(qū)域的特征1~特征4,得到手區(qū)域和非手區(qū)域的樣本。對于 一幅待檢測的連通圖，提取上述特征1~特征4,基于這些樣本的統(tǒng)計(jì)結(jié)果可判斷所述連通 圖中是否包含人手區(qū)域。
[0113] 其具體實(shí)現(xiàn)可以是這樣:逐個(gè)判斷待檢測的連通圖中特征1~4與K近鄰分類器中 的特征1~4的相似率，并為所述相似率設(shè)置一個(gè)合理的閾值，所述相似率大于所述閾值時(shí)， 判斷所述待檢測的連通圖中包含人手區(qū)域。
[0114] 本實(shí)施中，通過對待檢測的圖像進(jìn)行基于HSV直方圖以及GMM模型檢測，識別的所 述待檢測圖像中的皮膚像素;進(jìn)一步地，通過兩種不同模型檢測方式的綜合運(yùn)算以及濾波 得到了所述待檢測圖像對應(yīng)的優(yōu)化后的二值圖像;通過最大連通區(qū)域的分析以及K鄰域分 類器的判斷，準(zhǔn)確的實(shí)現(xiàn)了手形的識別，速度快且有效解決了現(xiàn)有技術(shù)中手形的誤檢測，從 而間接提高了人機(jī)交互中手勢識別的效率。
[0115]實(shí)施例二
[0116] 圖2是本發(fā)明實(shí)施例二的技術(shù)流程圖，結(jié)合圖2,本發(fā)明實(shí)施例一種基于膚色的人 手檢測方法中，HSV直方圖模型的訓(xùn)練主要由以下幾個(gè)步驟實(shí)現(xiàn)：
[0117] 步驟210:對樣本圖像進(jìn)行皮膚區(qū)域和非皮膚區(qū)域的標(biāo)記，得到皮膚像素樣本和非 皮膚像素樣本；
[0118] 樣本的標(biāo)記方式可以由人工完成以保證樣本的高度準(zhǔn)確性。
[0119] 步驟220:將所述皮膚像素樣本和所述非皮膚像素樣本從RGB顏色空間轉(zhuǎn)換到HSV 顏色空間以獲取皮膚HSV像素樣本和非皮膚HSV像素樣本；
[0120]從RGB顏色空間轉(zhuǎn)換到HSV顏色空間的具體實(shí)現(xiàn)公式及其技術(shù)效果如實(shí)施例一的 步驟110所示，此處不再贅述。
[0121]步驟230:統(tǒng)計(jì)所述皮膚HSV像素樣本的HSV值，并根據(jù)所述皮膚HSV像素樣本的HSV 值的分布建立皮膚像素的HSV直方圖模型；
[0122] 本步驟中，對皮膚樣本的像素點(diǎn)，分別統(tǒng)計(jì)其H值(色調(diào)）、S值(飽和度）、V值(亮度） 的頻率分布，從而建立皮膚像素的HSV直方圖模型，與此同時(shí)對于非皮膚樣本的像素點(diǎn)執(zhí)行 同樣的操作。
[0123] 需要說明的是，本發(fā)明的核心在于，對所述HSV直方圖模型的灰度級按照預(yù)設(shè)的比 例關(guān)系進(jìn)行壓縮以得到優(yōu)化的直方圖統(tǒng)計(jì)效果。
[0124] H、S和V通道各有256個(gè)灰度級，如果使用所有的灰度級則直方圖的長度為224,大約 為1600萬，這在樣本數(shù)量不足夠大時(shí)無法得到好的統(tǒng)計(jì)效果。因此，本發(fā)明實(shí)施例對直方圖 長度進(jìn)行了壓縮，其壓縮的比例可以根據(jù)經(jīng)驗(yàn)進(jìn)行選擇。本實(shí)施例中，按照4:2:1的比例將H 通道壓縮64個(gè)灰度級，將S通道壓縮為32個(gè)灰度級，將V通道壓縮為16個(gè)灰度級，壓縮之后的 直方圖長度為2 15，即65536 ASV三個(gè)通道使用了不同數(shù)量的灰度級，因?yàn)镠SV三個(gè)通道受光 照強(qiáng)度的影響程度不同，H(色度)通道不受光照變化影響，V通道正比于光照強(qiáng)度變化，S通 道受光照的影響程度介于二者之間。
[0125] 通過對直方圖灰度級的壓縮，即使在少量樣本的情況下也能進(jìn)行高準(zhǔn)確率的膚色 檢測。
[0126] 步驟240:統(tǒng)計(jì)所述非皮膚HSV像素樣本的HSV值，并根據(jù)所述非皮膚HSV像素樣本 的HSV值的分布建立非皮膚像素的HSV直方圖模型。
[0127] 對非皮膚像素樣本建立HSV直方圖模型的執(zhí)行過程及技術(shù)效果同上述步驟230,此 處不做贅述。需要說明的是，步驟230和步驟240實(shí)際并無先后順序，本發(fā)明實(shí)施例不做不限 制。
[0128] 本實(shí)施例中，通過對皮膚樣本和非皮膚樣本的訓(xùn)練以及HSV直方圖灰度級的壓縮 分別建立了皮膚像素和非皮膚像素的HSV直方圖模型，即使訓(xùn)練樣本數(shù)量較少，也能極大降 低皮膚像素的誤檢率。
[0129] 實(shí)施例三
[0130] 圖3是本發(fā)明實(shí)施例三的技術(shù)流程圖，結(jié)合圖2,本發(fā)明實(shí)施例一種基于膚色的人 手檢測方法中，混合高斯模型(GMM)的建立主要包括如下的步驟：
[0131] 步驟310:對RGB樣本圖片的皮膚像素區(qū)域和非皮膚像素區(qū)域進(jìn)行標(biāo)記，得到皮膚 像素樣本和非皮膚像素樣本；
[0132] 本發(fā)明實(shí)施例中，首先對RGB樣本圖片進(jìn)行標(biāo)記，可以是人工的，用以區(qū)分出圖片 中的皮膚區(qū)域和非皮膚區(qū)域，即得到皮膚像素樣本和非皮膚像素樣本。預(yù)先對樣本進(jìn)行分 類，有助于提高后續(xù)EM算法在計(jì)算混合高斯模型參數(shù)的效率以及參數(shù)與實(shí)際模型的接近程 度。
[0133] 步驟320:將所述皮膚像素樣本和非皮膚像素樣本由RGB顏色空間轉(zhuǎn)換到r-g顏色 空間；
[0134] 本步驟中的轉(zhuǎn)換方式同實(shí)施例一中描述的相同，采用如下公式：
[0138] 其中，R為所述像素點(diǎn)的紅色值、G為所述像素點(diǎn)的綠色值、B為所述像素點(diǎn)的藍(lán)色 值;r、g、b分別為轉(zhuǎn)化后所述像素點(diǎn)對應(yīng)的顏色值。
[0139] 步驟330:使用期望最大化算法，根據(jù)顏色空間轉(zhuǎn)化后的所述皮膚像素樣本和非皮 膚像素樣本分別計(jì)算出所述皮膚像素混合高斯模型和所述非皮膚像素混合高斯模型的參 數(shù)，其中，所述參數(shù)包括ak、Sk和Jik。
[OMO]混合尚斯t旲型是多個(gè)單尚斯t旲型的置加，在混合尚斯t旲型中，每個(gè)單尚斯t旲型的 權(quán)重不相同，即混合高斯模型中的數(shù)據(jù)是從幾個(gè)單高斯模型中生成的。單高斯模型的個(gè)數(shù)K 需要預(yù)先設(shè)置，M即是每個(gè)單高斯模型的權(quán)重。
[0141 ]在統(tǒng)計(jì)計(jì)算中，期望最大化(EM)算法是在概率(probabilistic)模型中尋找參數(shù) 最大似然估計(jì)或者最大后驗(yàn)估計(jì)的算法，其中概率模型依賴于無法觀測的隱藏變量 (Latent Variable)。當(dāng)有部分?jǐn)?shù)據(jù)缺失或者無法觀察到時(shí)，EM算法提供了一個(gè)高效的迭代 程序用來計(jì)算這些數(shù)據(jù)的最大似然估計(jì)。在每一步迭代分為兩個(gè)步驟:期望(Expectation) 步驟和最大化(Maximization)步驟，因此稱為EM算法。EM算法是非常成熟的算法且推導(dǎo)過 程復(fù)雜，本發(fā)明實(shí)施例不作詳述。
[0142] 步驟340:根據(jù)混合高斯模型公式建立混合高斯模型。
[0143] 根據(jù)標(biāo)記后的皮膚像素樣本，結(jié)合EM算法，可以計(jì)算出皮膚混合高斯模型的均值 向量akl、協(xié)方差矩陣S kl以及多個(gè)單高斯模型分別對應(yīng)的權(quán)重3ikl，代入混合高斯模型公式， 可以得到皮膚混合高斯模型為：
[0145]根據(jù)標(biāo)記后的非皮膚像素樣本，結(jié)合EM算法，可以計(jì)算出非皮膚混合高斯模型的 均值向量ak2、協(xié)方差矩陣Sk2以及多個(gè)單高斯模型分別對應(yīng)的權(quán)重耶2，得到的非皮膚混合高 斯模型為：
[0147] 當(dāng)讀取到一幅新的待檢測圖片時(shí)，在顏色空間變換后讀取所述待檢測圖片的每一 像素點(diǎn)并將所述像素點(diǎn)代入上述兩個(gè)模型，分別計(jì)算所述像素點(diǎn)的PskidPpr^-skm。
[0148] 本實(shí)施例中，通過對少量樣本圖片的皮膚區(qū)域與非皮膚區(qū)域進(jìn)行標(biāo)記，輔以EM算 法建立皮膚像素與非皮膚像素的混合高斯模型，與現(xiàn)有技術(shù)中基于直方圖進(jìn)行膚色檢測相 比，并不需要大量訓(xùn)練樣本，節(jié)省了各種資源的消耗，提高了膚色檢測的效率。
[0149] 需要說明的是，本發(fā)明實(shí)施例中，HSV直方圖模型的建立和混合高斯模型的建立并 無先后順序，待檢測圖片與上述兩個(gè)模型中的任一個(gè)模型之間的匹配過程也無先后順序。 本發(fā)明各個(gè)實(shí)施例的布局僅為了闡述兩個(gè)模型的各自建立過程，對其建立的順序的使用的 順序不做任何限制。
[0150] 實(shí)施例四
[0151] 圖4是本發(fā)明實(shí)施例4的技術(shù)流程圖，結(jié)合圖4,本發(fā)明一種基于膚色的人手檢測方 法主要包括以下幾個(gè)大的模塊：圖像轉(zhuǎn)換模塊410、二值圖獲取模塊420、按位運(yùn)算模塊430、 濾波模塊440、連通區(qū)域判斷模塊450、模型訓(xùn)練模塊460。
[0152] 所述圖像轉(zhuǎn)換模塊410,用于將獲取到的待檢測圖像從RGB顏色空間轉(zhuǎn)換到HSV顏 色空間以獲取HSV圖像，并將所述待檢測圖像從RGB顏色空間轉(zhuǎn)換到r-g顏色空間以獲取r-g 圖像；
[0153]所述二值圖獲取模塊420,用于遍歷讀取所述HSV圖像中的每一像素點(diǎn)，并調(diào)用所 述模型訓(xùn)練模塊460預(yù)先建立的HSV直方圖模型將所述HSV圖像轉(zhuǎn)化為第一二值圖像，并遍 歷讀取所述r-g圖像中的每一像素點(diǎn)，調(diào)用所述模型訓(xùn)練模塊預(yù)先建立的混合高斯模型將 所述r-g圖像轉(zhuǎn)化為第二二值圖像；
[0154]所述按位運(yùn)算模塊430,用于對所述第一二值圖像和所述第二二值圖像進(jìn)行按位 與運(yùn)算從而獲得綜合二值圖像；
[0155] 所述濾波模塊440,用于對所述綜合二值圖像進(jìn)行濾波以獲取優(yōu)化后的二值圖像；
[0156] 所述連通區(qū)域判斷模塊450,用于分析所述優(yōu)化后的二值圖像中最大的連通區(qū)域， 將所述最大的連通區(qū)域作為皮膚區(qū)域。
[0157] 具體地，所述模型訓(xùn)練模塊460用于：
[0158] 對樣本圖像進(jìn)行皮膚區(qū)域和非皮膚區(qū)域的標(biāo)記，得到皮膚像素樣本和非皮膚像素 樣本；
[0159]調(diào)用所述圖像轉(zhuǎn)換模塊410將所述皮膚像素樣本和所述非皮膚像素樣本從RGB顏 色空間轉(zhuǎn)換到HSV顏色空間以獲取皮膚HSV像素樣本和非皮膚HSV像素樣本；
[0160]統(tǒng)計(jì)所述皮膚HSV像素樣本的HSV值，并根據(jù)所述皮膚HSV像素樣本的HSV值的分布 建立皮膚像素的HSV直方圖模型；
[0161] 統(tǒng)計(jì)所述非皮膚HSV像素樣本的HSV值，并根據(jù)所述非皮膚HSV像素樣本的HSV值的 分布建立非皮膚像素的HSV直方圖模型；
[0162] 具體地，所述模型訓(xùn)練模塊460還用于：
[0163] 調(diào)用所述圖像轉(zhuǎn)換模塊410將所述皮膚像素樣本和非皮膚像素樣本由RGB顏色空 間轉(zhuǎn)換到r-g顏色空間得到r-g皮膚像素樣本和r-g非皮膚像素樣本；
[0164] 使用期望最大化算法，根據(jù)所述r-g皮膚像素樣本和所述r-g非皮膚像素樣本分別 計(jì)算出所述皮膚像素混合高斯模型和所述非皮膚像素混合高斯模型的參數(shù)從而建立所述 皮膚像素混合高斯模型和所述非皮膚像素混合高斯模型，其中，所述參數(shù)包括混合高斯模 型中每個(gè)高斯模型的均值向量、協(xié)方差矩陣以及權(quán)重。
[0165] 具體地，所述二值圖獲取模塊420,進(jìn)一步用于：
[0166] 讀取所述像素點(diǎn)的HSV值，計(jì)算所述HSV值分別與所述皮膚像素的HSV直方圖模型 以及所述非皮膚像素的HSV直方圖模型的匹配概率值，并根據(jù)所述匹配程度值判斷所述像 素點(diǎn)是否屬于皮膚區(qū)域；
[0167] 若所述像素點(diǎn)屬于皮膚區(qū)域，則以x為所述像素點(diǎn)賦值，若所述像素點(diǎn)屬于皮膚區(qū) 域，則以y為所述像素點(diǎn)賦值，從而得到所述第一二值圖像；
[0168] 所述二值圖獲取模塊420,進(jìn)一步還用于：
[0169] 計(jì)算所述像素點(diǎn)在皮膚混合高斯模型下的第一概率密度以及所述像素點(diǎn)在非皮 膚混合高斯模型下的第二概率密度；
[0170] 根據(jù)所述像素點(diǎn)的所述第一概率密度和所述第二概率密度計(jì)算所述像素點(diǎn)屬于 皮膚區(qū)域的后驗(yàn)概率；
[0171] 當(dāng)判定所述后驗(yàn)概率大于預(yù)設(shè)的后驗(yàn)概率閾值時(shí)，將所述像素點(diǎn)歸屬于皮膚區(qū) 域；
[0172]若所述像素點(diǎn)屬于皮膚區(qū)域，則以x為所述像素點(diǎn)賦值，若所述像素點(diǎn)不屬于皮膚 區(qū)域，則以y為所述像素點(diǎn)賦值，從而得到所述第一二值圖像和所述第二二值圖像。
[0173] 具體地，連通區(qū)域判斷模塊450,進(jìn)一步用于：
[0174] 使用預(yù)先訓(xùn)練的K近鄰分類器判斷所述最大的連通區(qū)域是否為手形，從而實(shí)現(xiàn)手 勢的識別。
[0175] 圖4對應(yīng)的實(shí)施例的執(zhí)行過程及技術(shù)效果與圖1、圖2、圖3對應(yīng)的實(shí)施例相同，此處 不再贅述。
[0176]以上所描述的裝置實(shí)施例僅僅是示意性的，其中所述作為分離部件說明的單元可 以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單 元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其 中的部分或者全部模塊來實(shí)現(xiàn)本實(shí)施例方案的目的。本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性 的勞動(dòng)的情況下，即可以理解并實(shí)施。
[0177]通過以上的實(shí)施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到各實(shí)施方式可 借助軟件加必需的通用硬件平臺的方式來實(shí)現(xiàn)，當(dāng)然也可以通過硬件?；谶@樣的理解，上 述技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該 計(jì)算機(jī)軟件產(chǎn)品可以存儲在計(jì)算機(jī)可讀存儲介質(zhì)中，如R0M/RAM、磁碟、光盤等，包括若干指 令用以使得一臺計(jì)算機(jī)裝置(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)裝置等)執(zhí)行各個(gè)實(shí)施 例或者實(shí)施例的某些部分所述的方法。
[0178]最后應(yīng)說明的是：以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制;盡管 參照前述實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:其依然可 以對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換； 而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和 范圍。
【主權(quán)項(xiàng)】
1. 一種基于膚色的人手檢測方法，其特征在于，包括如下的步驟： 將獲取到的待檢測圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間以獲取HSV圖像，并將所述 待檢測圖像從RGB顏色空間轉(zhuǎn)換到r-g顏色空間以獲取r-g圖像； 遍歷讀取所述HSV圖像中的每一像素點(diǎn)，并根據(jù)預(yù)先建立的HSV直方圖模型將所述HSV 圖像轉(zhuǎn)化為第一二值圖像，并遍歷讀取所述r-g圖像中的每一像素點(diǎn)，根據(jù)預(yù)先建立的混合 高斯模型將所述r-g圖像轉(zhuǎn)化為第二二值圖像； 對所述第一二值圖像和所述第二二值圖像進(jìn)行按位與運(yùn)算從而獲得綜合二值圖像； 對所述綜合二值圖像進(jìn)行濾波以獲取優(yōu)化后的二值圖像； 分析所述優(yōu)化后的二值圖像中最大的連通區(qū)域，將所述最大的連通區(qū)域作為皮膚區(qū) 域； 使用預(yù)先訓(xùn)練的K近鄰分類器判斷所述最大的連通區(qū)域是否為手形，從而實(shí)現(xiàn)人手的 識別。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)預(yù)先建立的HSV直方圖模型將所述HSV 圖像轉(zhuǎn)化為第一二值圖像，進(jìn)一步包括： 對樣本圖像進(jìn)行皮膚區(qū)域和非皮膚區(qū)域的標(biāo)記，得到皮膚像素樣本和非皮膚像素樣 本； 將所述皮膚像素樣本和所述非皮膚像素樣本從RGB顏色空間轉(zhuǎn)換到HSV顏色空間以獲 取皮膚HSV像素樣本和非皮膚HSV像素樣本； 統(tǒng)計(jì)所述皮膚HSV像素樣本的HSV值，并根據(jù)所述皮膚HSV像素樣本的HSV值的分布建立 皮膚像素的HSV直方圖模型； 統(tǒng)計(jì)所述非皮膚HSV像素樣本的HSV值，并根據(jù)所述非皮膚HSV像素樣本的HSV值的分布 建立非皮膚像素的HSV直方圖模型。3. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，根據(jù)預(yù)先建立的HSV直方圖模型將所述 HSV圖像轉(zhuǎn)化為第一二值圖像，進(jìn)一步包括： 讀取所述像素點(diǎn)的HSV值，計(jì)算所述HSV值分別與所述皮膚像素的HSV直方圖模型以及 所述非皮膚像素的HSV直方圖模型的匹配概率值，并根據(jù)所述匹配程度值判斷所述像素點(diǎn) 是否屬于皮膚區(qū)域； 若所述像素點(diǎn)屬于皮膚區(qū)域，則以X為所述像素點(diǎn)賦值，若所述像素點(diǎn)不屬于皮膚區(qū) 域，則以y為所述像素點(diǎn)賦值，從而得到所述第一二值圖像。4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)預(yù)先建立的混合高斯模型將所述r-g 圖像轉(zhuǎn)化為第二二值圖像，進(jìn)一步包括： 對RGB樣本圖片的皮膚像素區(qū)域和非皮膚像素區(qū)域進(jìn)行標(biāo)記，得到皮膚像素樣本和非 皮膚像素樣本； 將所述皮膚像素樣本和非皮膚像素樣本由RGB顏色空間轉(zhuǎn)換到r-g顏色空間得到r-g皮 膚像素樣本和r-g非皮膚像素樣本； 使用期望最大化算法，根據(jù)所述r-g皮膚像素樣本和所述r-g非皮膚像素樣本分別計(jì)算 出所述皮膚像素混合高斯模型和所述非皮膚像素混合高斯模型的參數(shù)從而建立所述皮膚 像素混合高斯模型和所述非皮膚像素混合高斯模型，其中，所述參數(shù)包括混合高斯模型中 每個(gè)高斯模型的均值向量、協(xié)方差矩陣以及權(quán)重。5. 根據(jù)權(quán)利要求1或4所述的方法，其特征在于，根據(jù)預(yù)先建立的混合高斯模型將所述 HSV圖像轉(zhuǎn)化為第二二值圖像，進(jìn)一步包括： 計(jì)算所述像素點(diǎn)在皮膚混合高斯模型下的第一概率密度以及所述像素點(diǎn)在非皮膚混 合高斯模型下的第二概率密度； 根據(jù)所述像素點(diǎn)的所述第一概率密度和所述第二概率密度計(jì)算所述像素點(diǎn)屬于皮膚 區(qū)域的后驗(yàn)概率； 當(dāng)判定所述后驗(yàn)概率大于預(yù)設(shè)的后驗(yàn)概率閾值時(shí)，將所述像素點(diǎn)歸屬于皮膚區(qū)域； 若所述像素點(diǎn)屬于皮膚區(qū)域，則以X為所述像素點(diǎn)賦值，若所述像素點(diǎn)不屬于皮膚區(qū) 域，則以y為所述像素點(diǎn)賦值，從而得到所述第一二值圖像和所述第二二值圖像。6. -種基于膚色的人手檢測裝置，其特征在于，包括如下的模塊： 圖像轉(zhuǎn)換模塊，用于將獲取到的待檢測圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間以獲取 HSV圖像，并將所述待檢測圖像從RGB顏色空間轉(zhuǎn)換到r-g顏色空間以獲取r-g圖像； 二值圖獲取模塊，用于遍歷讀取所述HSV圖像中的每一像素點(diǎn)，并根據(jù)預(yù)先建立的HSV 直方圖模型將所述HSV圖像轉(zhuǎn)化為第一二值圖像，并遍歷讀取所述r-g圖像中的每一像素 點(diǎn)，根據(jù)預(yù)先建立的混合高斯模型將所述r-g圖像轉(zhuǎn)化為第二二值圖像； 按位運(yùn)算模塊，用于對所述第一二值圖像和所述第二二值圖像進(jìn)行按位與運(yùn)算從而獲 得綜合二值圖像； 濾波模塊，用于對所述綜合二值圖像進(jìn)行濾波以獲取優(yōu)化后的二值圖像； 連通區(qū)域判斷模塊，用于分析所述優(yōu)化后的二值圖像中最大的連通區(qū)域，將所述最大 的連通區(qū)域作為皮膚區(qū)域； 人手識別模塊，用于使用預(yù)先訓(xùn)練的K近鄰分類器判斷所述最大的連通區(qū)域是否為手 形，從而實(shí)現(xiàn)人手的識別。7. 根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述裝置進(jìn)一步包括模型訓(xùn)練模塊，所述 模型訓(xùn)練模塊用于： 對樣本圖像進(jìn)行皮膚區(qū)域和非皮膚區(qū)域的標(biāo)記，得到皮膚像素樣本和非皮膚像素樣 本； 將所述皮膚像素樣本和所述非皮膚像素樣本從RGB顏色空間轉(zhuǎn)換到HSV顏色空間以獲 取皮膚HSV像素樣本和非皮膚HSV像素樣本； 統(tǒng)計(jì)所述皮膚HSV像素樣本的HSV值，并根據(jù)所述皮膚HSV像素樣本的HSV值的分布建立 皮膚像素的HSV直方圖模型； 統(tǒng)計(jì)所述非皮膚HSV像素樣本的HSV值，并根據(jù)所述非皮膚HSV像素樣本的HSV值的分布 建立非皮膚像素的HSV直方圖模型。8. 根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述裝置進(jìn)一步包括模型訓(xùn)練模塊，所述 模型訓(xùn)練模塊還用于： 將所述皮膚像素樣本和非皮膚像素樣本由RGB顏色空間轉(zhuǎn)換到r-g顏色空間得到r-g皮 膚像素樣本和r-g非皮膚像素樣本； 使用期望最大化算法，根據(jù)所述r-g皮膚像素樣本和所述r-g非皮膚像素樣本分別計(jì)算 出所述皮膚像素混合高斯模型和所述非皮膚像素混合高斯模型的參數(shù)從而建立所述皮膚 像素混合高斯模型和所述非皮膚像素混合高斯模型，其中，所述參數(shù)包括混合高斯模型中 每個(gè)高斯模型的均值向量、協(xié)方差矩陣以及權(quán)重。9. 根據(jù)權(quán)利要求6或7所述的裝置，其特征在于，所述二值圖獲取模塊，進(jìn)一步用于： 讀取所述像素點(diǎn)的HSV值，計(jì)算所述HSV值分別與所述皮膚像素的HSV直方圖模型以及 所述非皮膚像素的HSV直方圖模型的匹配概率值，并根據(jù)所述匹配程度值判斷所述像素點(diǎn) 是否屬于皮膚區(qū)域； 若所述像素點(diǎn)屬于皮膚區(qū)域，則以X為所述像素點(diǎn)賦值，若所述像素點(diǎn)不屬于皮膚區(qū) 域，則以y為所述像素點(diǎn)賦值，從而得到所述第一二值圖像。10. 根據(jù)權(quán)利要求6或8所述的裝置，其特征在于，所述二值圖獲取模塊，所述二值圖獲 取模塊，進(jìn)一步還用于： 計(jì)算所述像素點(diǎn)在皮膚混合高斯模型下的第一概率密度以及所述像素點(diǎn)在非皮膚混 合高斯模型下的第二概率密度； 根據(jù)所述像素點(diǎn)的所述第一概率密度和所述第二概率密度計(jì)算所述像素點(diǎn)屬于皮膚 區(qū)域的后驗(yàn)概率； 當(dāng)判定所述后驗(yàn)概率大于預(yù)設(shè)的后驗(yàn)概率閾值時(shí)，將所述像素點(diǎn)歸屬于皮膚區(qū)域； 若所述像素點(diǎn)屬于皮膚區(qū)域，則以X為所述像素點(diǎn)賦值，若所述像素點(diǎn)不屬于皮膚區(qū) 域，則以y為所述像素點(diǎn)賦值，從而得到所述第一二值圖像和所述第二二值圖像。
【文檔編號】G06K9/38GK105893925SQ201510870145
【公開日】2016年8月24日
【申請日】2015年12月1日
【發(fā)明人】李艷杰
【申請人】樂視致新電子科技（天津）有限公司