步驟20 :篩選膚色區(qū)域中人臉所在位置處的第一膚色子區(qū)域，該人臉所在位置通 過人臉識別得到；
[0057] 利用人臉識別技術，將人物圖像中的人臉所在位置，現(xiàn)有技術中的人臉識別技術 已經(jīng)很成熟，常用的算法有：基于adaboost機器學習的算法，開源庫有OpenCV，商業(yè)的有 Face++等；將獲取到的人臉所在位置與提取到的膚色區(qū)域相對應，篩選出膚色區(qū)域中人臉 所在位置處的第一膚色子區(qū)域；
[0058] 可選地，為提高膚色區(qū)域提取和人臉識別的準確性，在獲取人物圖像中的膚色區(qū) 域的步驟之前還包括：對人物圖像進行預處理操作，預處理需經(jīng)過必要的去噪濾波，如果該 人物圖像的亮度較差，比較昏暗的話，需進行彩色均衡化增強處理，具體方法如下：把人物 圖像從RGB空間轉(zhuǎn)換到Y(jié)IQ空間，對I進行均衡化，均衡化后轉(zhuǎn)回到RGB空間；算法可以采 用經(jīng)典的直方圖均衡化算法。
[0059] 步驟30 :提取第一膚色子區(qū)域的像素特征信息；
[0060] 統(tǒng)計第一膚色子區(qū)域內(nèi)的像素點，計算像素總數(shù)的算法如下：
[0061] SkinPixCount = Weight*Height (ifValue (pix) !=白色）
[0062] 其中，SkinPixCount表示符合條件的像素點的總數(shù)；Weight表示第一膚色子區(qū)域 的長度；Height表示第一膚色子區(qū)域的寬度；Value(pix)表示第一膚色內(nèi)任何一點的像 素，且該像素滿足一個條件，就是該像素為非白色，這就是說白色作為非膚色區(qū)域；采用這 個算法就可以將第一膚色區(qū)域長度和寬度范圍內(nèi)的全部像素點都統(tǒng)計到，從而得到該區(qū)域 內(nèi)的像素總數(shù)；根據(jù)像素點的統(tǒng)計結(jié)果計算第一膚色子區(qū)域的像素均值；
[0063] 計算人物圖像中人臉所在的中心區(qū)域，經(jīng)驗算法為：取人臉面積的1/4大小，長和 寬分別是人臉大小的1/2,該區(qū)域的中心和人臉中心一致；依據(jù)本算法的思想，可采用以下 算法得到該中心區(qū)域的左上角坐標和右下角坐標，從而確定該中心區(qū)域的位置：
[0066] 其中，GreenBox(LU)表示該中心區(qū)域的左上角坐標；GreenBox(RB)表示該中心區(qū) 域的右下角坐標；FaceWidth表示人臉所在位置區(qū)域的寬度；FaceHeight表示人臉所在位 置區(qū)域的高度，在進行人臉識別后，會獲取到人臉所在位置區(qū)域的寬度和高度這兩個參數(shù)， 進而可以計算得到中心區(qū)域的左上角坐標和右下角坐標，從而得到該中心區(qū)域；
[0067] 計算人物圖像中人臉所在的中心區(qū)域內(nèi)像素的HSI均值，即色度、飽和度和強度 的平均值，得到第一膚色子區(qū)域的顏色特征；具體可根據(jù)以下算法實現(xiàn)：
[0068] HAvg = Η/SkinPixCount
[0069] SAvg = S/SkinPixCount
[0070] IAvg = Ι/SkinPixCount
[0071] 其中，HAvg表示該中心區(qū)域內(nèi)色度的平均值；SAvg表示該中心區(qū)域內(nèi)飽和度的平 均值；IAvg表示該中心區(qū)域內(nèi)強度的平均值；SkinPixCount表示該中心區(qū)域內(nèi)像素總數(shù)， 利用上述計算第一膚色子區(qū)域內(nèi)像素總數(shù)的算法，只需將該中心區(qū)域的長度和寬度的數(shù)值 代替原第一膚色子區(qū)域的長度和寬度數(shù)值，即可計算出該中心區(qū)域的像素總數(shù)。
[0072] 步驟40 :采用聚類算法將膚色區(qū)域劃分為多個第二膚色子區(qū)域；
[0073] 這個步驟是核心步驟之一，分割的輸入是第一次分割得到的人物圖像中的膚色區(qū) 域，在這個基礎上進行第二次分割能大大減少非膚色區(qū)域的干擾；分割時我們一般會設定 經(jīng)驗塊數(shù)6,分割后我們會得到6個第二膚色子圖，其中包括我們所需要的真正的膚色子圖 和無用的其它類膚色子圖；我們需要把真正的膚色子圖找出來，其中真正的膚色子圖可能 不止一個，有多個真正的膚色子圖時則需要合并；這就需要利用之前提取的第一膚色子區(qū) 域內(nèi)的像素特征信息。將相應的第二膚色子區(qū)域準確地找出來；
[0074] 可選地，通過對RGB/LUV/HSV多個顏色空間的測試比較，HSI空間的膚色分割效果 相對最好，而第一次分割得出的膚色區(qū)域是基于RGB顏色空間得到的，首先需利用RGB轉(zhuǎn) HIS算法，將該膚色區(qū)域轉(zhuǎn)換到HIS顏色空間下；然后再利用聚類算法將該膚色區(qū)域劃分為 多個子圖，進而得到第二膚色子區(qū)域；其中，現(xiàn)階段成熟的聚類算法有很多，如：K-MEANS、 ROCK、STING 等。
[0075] 步驟50 :合并與第一膚色子區(qū)域像素特征信息比值在預定范圍內(nèi)的第二膚色子 區(qū)域，得到初級膚色子圖；
[0076] 經(jīng)過聚類分割后會得到多個第二膚色子區(qū)域，其中包括真正的膚色子圖和好多個 類膚色子圖，這就需要把類膚色子圖過濾掉；在這里過濾的方法是根據(jù)計算第一膚色子區(qū) 域的像素特征信息的算法計算所有第二膚色子區(qū)域的像素特征信息，再將第二膚色子區(qū)域 的像素特征信息與第一膚色子區(qū)域的像素特征信息相比，比值落在預定范圍內(nèi)的第二膚色 子區(qū)域則為真正的膚色子圖，將符合條件的第二膚色子區(qū)域進行合并，即可得到該人物圖 像的初級膚色子圖；其中確定第二膚色子圖中的真正的膚色子圖可采用以下算法實現(xiàn)：
[0077]
[0078]
[0079]
[0080] 其中，HsubAvg表示第二膚色子區(qū)域的色調(diào)的平均值，具體可根據(jù)計算第一膚色 子區(qū)域的色調(diào)平均值的算法進行計算；SsubAvg表示第二膚色子區(qū)域的飽和度平均值，具 體可根據(jù)計算第一膚色子區(qū)域的飽和度平均值的算法進行計算；IsubAvg表示第二膚色子 區(qū)域的強度平均值，具體可根據(jù)計算第一膚色子區(qū)域的強度平均值的算法進行計算；當?shù)?二膚色子區(qū)域與第一膚色子區(qū)域中的色調(diào)、飽和度和強度的平均值的差值均滿足預定閥值 內(nèi)時，則認為找到了一個真正的膚色子圖；其中，為確定主膚色子圖，則需利用下述算法確 定：
[0081] SkinPixCount (subFace)/SkinPixCount (Face) e [0.8,1.2]
[0082] 其中，SkinPixCount (subFace)表示第二膚色子區(qū)域內(nèi)的像素點總數(shù)， SkinPixCount (face)表示第一膚色區(qū)域內(nèi)的像素點總數(shù)，當這兩個數(shù)值的比值在預定的閥 值內(nèi)，則可提取出真正膚色子圖中的主膚色子圖。
[0083] 在經(jīng)過兩次分割后，我們得到了初級膚色子圖，該膚色子圖的膚色邊界可能需要 修正，還有該初級膚色子圖有時并不能包括所有的膚色子圖，如果皮膚有高光等原因，可能 只會取到一部分；這樣就有必要使用連通域的方法，得到全部的膚色子圖，如圖2所示，本 發(fā)明的圖像分離方法還包括：
[0084] 步驟60 :對人物圖像進行灰度化處理，提取人物圖像中人物的輪廓；
[0085] 此步驟中可以使用經(jīng)典的canny算法提取，具體實現(xiàn)可以使用開源的OpenCV ;
[0086] 步驟70 :采用連通域算法，在輪廓中找到初級膚色子圖的所在位置，得到初級膚 色子圖的連通區(qū)域；
[0087] 根據(jù)得到的初級膚色子圖和提取到的輪廓，可以在輪廓中找到初級膚色子圖所在 的位置，利用連通域算法，如常用的漫水填充算法，即可將輪廓內(nèi)的區(qū)域找齊，這樣就得到 了初級膚色區(qū)域的連通區(qū)域；
[0088] 步驟80 :獲取人物圖像中對應該連通區(qū)域的區(qū)域，則得到完整的膚色子圖；
[0089] 在原人物圖像中將對應初級膚色區(qū)域的連通區(qū)域提取出來，即可得到完整的膚色 子圖。
[0090] 本發(fā)明的圖像分離方法，用于分離人物圖像中的膚色子圖，通過對人物圖像進行 兩次過濾得到膚色區(qū)域，并對該膚色區(qū)域進行第一次分割得到人臉所在位置處的第一膚色 子區(qū)域，進行第二次分割得到第二膚色子區(qū)域，再將與第一膚色子區(qū)域像素特征信息比值 在預定范圍內(nèi)的第二膚色子區(qū)域進行合并，得到該人物圖像中初級膚色子圖，通過兩次分 割方式，避免了現(xiàn)有圖像分離技術中存在漏檢的現(xiàn)象；而基于人臉識別獲得的第一膚色子 區(qū)域的像素特征信息最接近人物膚色的像素特征信息，將與第一膚色子區(qū)域像素特征信息 的比值在預定范圍內(nèi)的第二膚色子區(qū)域進行合并，得到初級膚色子圖，這樣就將膚色區(qū)域 篩選出來