一种肤色检测方法及装置制造方法及图纸

本发明专利技术实施例公开了一种肤色检测方法及装置，包括：将训练样本集中的肤色像素在颜色空间中聚类得到至少一个肤色色度类；提取训练样本中的候选肤色区域，计算候选肤色区域的色度均值与肤色色度类中心的距离，将训练样本归入所述距离最小的肤色色度类，得到与肤色色度类对应的训练子集；统计每一个训练子集的肤色概率分布和非肤色概率分布，得到每一肤色色度类对应的肤色概率模型；接收待检测图像，提取待检测图像的候选肤色区域，计算所述候选肤色区域色度均值与肤色色度类中心的距离，根据所述距离最小的肤色色度类对应的肤色概率模型对所述待检测图像中的像素进行肤色判别，由判别为肤色的像素构成肤色区域图像。应用本发明专利技术可降低肤色漏检率或误检率。

【技术实现步骤摘要】

本专利技术涉及模式识别领域，尤其涉及一种肤色检测方法及装置。技术背景人体肤色检测的目标是从图像中自动定位出人体棵露的皮肤区域。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4企测方法。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4企测方法，通常选4奪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B ay e s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l所示， 该方法包括如下步骤步骤IOI,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;c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;c的颜色为co/or, x属于肤色类别的似然概 率为尸(co/or l^/w)，属于非肤色类别的似然概率为尸(co/or卜5h'"),肤色类别 的先验概率为，非肤色类别的先验概率为尸(^h'")(通常假定P(^:!V2) 和尸(-^h'w)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(，A/w \ co/or)。 采用 Bayes 决策方法对像素x进行肤色检测时，若 尸0^lco/oO〉尸(，^/"lco/o/")，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可见，肤色概率分布与Bayes决策联合检测方法是在大样本集的基础 上，训练得到单肤色概率模型。由于大样本集涵盖各种光照条件下的肤色样 本，光照条件的变化使得肤色样本在颜色空间中的分布发生偏移，且，即使 在相同光照条件下，样本集越大，涵盖的训练样本在相同颜色空间中的分布 也会有一定差异，因此，由大样本集训练得到的单肤色概率模型与特定样本 个体的肤色分布差异较大。因此，肤色概率分布与Bayes决策联合检测方法存在如下不足 (1)若大样本集中某一类训练样本占的比例较小，所含的肤色在单肤 色概率模型中的肤色概率较低，则含有这类肤色的待检测图像可能会被漏检。(2)若大样本集中某一光照条件下类似于肤色的非肤色背景为另一光 照条件下的肤色，所述另一光照条件下的训练样本在整个大样本集中占的比 例较大，造成该背景色在单肤色概率模型中的肤色概率较高，则若待检测样 本中含有该背景色，该背景色可能会被误检为肤色。固定肤色分布4全测方法和肤色概率分布与Bayes决策联合检测方法均 为单肤色模型检测方法，针对单肤色模型检测方法存在的上述问题，现有技 术中提出了自适应肤色概率阈值等自适应肤色检测技术，但这类自适应检测 技术的时间复杂度较高。
技术实现思路
有鉴于此，本专利技术实施例的目的在于提供一种肤色检测方法及装置，以 降低肤色误检率或漏检率。为达到上述目的，本专利技术实施例的技术方案具体是这样实现的 一种肤色纟企测方法，该方法包括步骤将训练样本集中的肤色像素在颜色空间中聚集得到至少一个肤色色度类；提取训练样本中的候选肤色区域，计算候选肤色区域的色度均值与肤色色 度类中心的距离，将训练样本归入所述距离最小的肤色色度类，得到与肤色色 度类对应的训练子集；统计每一个训练子集的肤色像素的概率分布和非肤色像素的概率分布，得 到每一肤色色度类对应的肤色概率模型；接收待检测图像，提取待检测图像的候选肤色区域，计算所述候选肤色区 域色度均值与肤色色度类中心的距离，根据所述距离最小的肤色色度类对应的 肤色概率模型对所述待检测图像中的像素进行肤色判别，由判别为肤色的像素 构成肤色区域图像。一种肤色检测装置，该装置包括待检测图像接收单元、候选肤色区域提取 单元和肤色区域图像检测单元；所述待检测图像接收单元用于，接收待检测图像；所述候选肤色区域提取单元用于，提取所述待检测图像的候选肤色区域图像；所述肤色区域图像检测单元用于，计算所述候选肤色区域的色度均值，根 据色度中心与所述色度均值最近的肤色色度类对应的肤色概率模型，对所述待检测图像中的像素进行肤色判别，由判别为肤色的像素构成肤色区域图像； 所述肤色色度类，通过将训练样本集在颜色空间中聚集得到； 所述肤色概率模型，通过计算每一训练样本的候选肤色区本文档来自技高网...

【技术保护点】
一种肤色检测方法，其特征在于，该方法包括步骤：将训练样本集中的肤色像素在颜色空间中聚类得到至少一个肤色色度类；提取训练样本中的候选肤色区域，计算候选肤色区域的色度均值与肤色色度类中心的距离，将训练样本归入所述距离最小的肤色色度类，得到与肤色色度类对应的训练子集；统计每一个训练子集的肤色概率分布和非肤色概率分布，得到每一肤色色度类对应的肤色概率模型；接收待检测图像，提取待检测图像的候选肤色区域，计算所述候选肤色区域色度均值与肤色色度类中心的距离，根据所述距离最小的肤色色度类对应的肤色概率模型对所述待检测图像中的像素进行肤色判别，由判别为肤色的像素构成肤色区域图像。

【技术特征摘要】

【专利技术属性】
技术研发人员：付立波，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：94[中国|深圳]