为了解决目前高斯框架下的方法只能在某个特定的误检率(FalsePositive?Rates，简称FPRs)区间内性能较好的问题，本发明专利技术提出一种高斯框架下近似最优的肤色检测方法，称为多高斯模型(Multiple?GaussianModels，简称MGMs)，并推导出其离散和连续的形式。该方法对于整个FPR区间内都具有很好的性能。首先将RGB颜色空间归一化得到rgb空间，然后建立多个最优单高斯模型，最后将多个最优模型融合。MGMs模型包含多个最优单高斯模型，每个高斯模型对应于一个事先定义的FPR值。在每个FPR情况下，对应的最优模型会得到最高的肤色检测率(True?Positive?Rates，简称TPRs)，该模型采用基于搜索算法的优化问题求解来获得。因此，对于所有的FPR值，MGMs模型能够在高斯框架下获得近似最优的肤色检测性能。此外，MGMs模型与单高斯模型(Single?Gaussian?Models，简称SGMs)在测试环节具有相同的计算复杂度。
【技术实现步骤摘要】
本专利技术涉及一种基于多高斯模型的肤色检测的方法，属于图像处理领域。
技术介绍
在图像处理与计算机视觉领域中，肤色检测在人脸检测、人脸识别以及不良图像的过滤等应用领域中具有重要的意义。在过去的几年中，一些基于像素的肤色检测方法已涌现。这些方法可分为两类 第一类是非参数模型，例如肤色空间的直接阈值法和直方图方法；第二类是参数化模型，例如单高斯模型、椭圆边界模型等。与非参数模型相比，参数化模型需要较少的训练数据和较低的存储要求，更易于推广。Menser和Wien利用多维的单高斯模型(Single Gaussian Models，简称SGMs)来表征RGB空间中的肤色分布。由于肤色分布并不严格正态分布，而是有一定程度的倾斜，故单高斯模型并不能准确地描述该分布。Lee和Yoo提出了椭圆边界模型，该模型本质上等价于单高斯模型，但是在均值向量的估计稍有区别。为了更加准确地表示肤色分布，很多研究者采用了混合高斯模型(GaussianMixture Models，简称GMMs)。此夕卜，其它方法如多层感知器分类法(MLP)也已被提出。由于SGMs、椭圆边界模型、GMMs等基于高斯模型方法具有简单性和良好的推广性等优点，这些方法已被广泛应用。但是，它们局限性在于仅当FPRs在某个较小的特定范围内时方法表现良好。一般地，SGMs在FPR较小的时候表现好于椭圆边界模型法，在FRP大于0. 09时椭圆边界法表现优于SGMs。此外，在实验中我们发现GMMs在FPR大过0. 40时表现优于上述两种方法。通常地，单个模型仅在特定FPRs范围内表现得较好。因此，提出一种在大范围甚至整个FPRs区间内表现良好的肤色检测方法是非常必要的。
技术实现思路
本专利技术的主要内容，提出一种新的基于像素的肤色检测方法，名为MGMs模型，并导出其离散和连续的形式，用以解决目前高斯框架下绝大多数方法只能在某个特定FPRs 小区间上得到较好性能的问题。MGMs模型是基于多个最优高斯模型而建立的，每个高斯模型对应一个事先给定的 FPR0每个最优模型在对应的FI5R值条件下能够取得最高的肤色检测IPR值，可以通过搜索的优化算法来解决。因此，对于所有给定的FPRs值，MGMs模型能够在高斯框架下实现近似最优性能。并且，MGMs模型与SGMs有相同的计算代价。本专利技术采用了如下技术手段来实现的首先将RGB空间归一化；1)建立最优单高斯模型从单高斯概率密度函数出发，通过判断概率密度函数值与事先定义的阈值之间的关系来对肤色空间中的样本点进行分类；最优单高斯模型通过求解优化问题来获得假定肤色检测的FI^R值为rF = C，最大化肤色检测的检测率TPR，通过该优化问题可以获得最优单高斯模型的均值向量和协方差矩阵参数；该最优化问题的求解通过搜索算法来，按如下步骤进行①.最优高斯模型的协方差矩阵通过对训练集中的肤色样本点采用最大似然估计方法获得，假设该矩阵在搜索算法执行过程中不变；②.采用Fisher线性判别和主成分分析方法得到两个方向，对此进行线性组合来初始化搜索算法中的高斯模型均值向量μ ini，即为0时刻的均值向量μ ^ ；③.在搜索算法中的t时刻，沿着方向θ e Θ对均值向量^进行移动，其中 Θ为预定义的8个方向，步长为δ个像素，从中选择一个方向^使得在该方向上向量Fi =- (rF t,rT t)T在ROC曲线rF = C处法线方向上投影向量处在该ROC曲线的上方，并且范数最大，则^即为t时刻均值向量的更新方向，转至④；否则，中止搜索算法，输出最终的均值向量；④.在t+Ι时刻，通过调整阈值的大小使得FPR的值重新为rF,w = C。t — t+1， 转至③。最终可以通过以上搜索算法获得对应于rF = C的最优单高斯模型。若有k个给定的FI^R值C1, C2,…，Ck，则通过以上算法可以得到K个对应的最优单高斯模型{<N(yk， Σ )，Ck>|k= 1，2，...，K}，其中μ k为第k个最优高斯模型均值向量，Ck为第k个最优高斯模型的FI^R值。2)融合多个最优高斯模型使N(yk，E )作用于区间F e [ak，bk)而不仅仅是Ck，其中 <Ck<bk。每个模型的ROC曲线可以用函数& = fk(rF)，rF e 表示。^t和bk的值由下式决定ak =min {rF | fk(rF)彡 fx (rF)，1 乒 k}和 bk = max {rF | fk(rF)彡 fx (rF)，1 乒 k}，其中 fk(rF)和 fx(rF)分别为对应模型N(yk，E )禾ΠΝ(μ1;Σ )的ROC曲线。在W，l]区间内对误检率 FI3R进行采样，在此基础上通过实验方法得到fk(·)，最后通过比较fk(rF)和其它ROC曲线来计算％，bk，其中k = 1，2，. . .，K ；最终得到融合后的多高斯模离散形式可以表示为如下二元组的集合{<N(yk，E )，[ak，bk)>|k= 1，2，···，Κ}。对多个最优高斯模型中的参数采用线性拟合的方法，得到一个μ ,和Ck的线性关系，可以得到的多高斯模型MGMs的连续形式。本专利技术的有益效果是提出了一种在大范围FPRs区间上都能取得近似最优性能的肤色检测方法，并且计算复杂度低，对海量的网络可视媒体的处理具有重要的意义。具体实施例方式下面对本专利技术的具体实施例加以说明步骤1，在标准化的RGB颜色空间上对肤色进行建模。本专利中的图像像素是在归一化的RGB颜色空间(也成为rgb颜色空间)上进行表示的。在忽略背景光的条件下，归一化RGB空间具有相对于光源不随表面方向变化的不变性。此外，RGB到归一化RGB的变换由如下公式可得RGhBn.r = -~,g = -~,b=-~(1)^RGB^RGB^RGB其中Sio = R+G+B，r+g+b = 1。第三个分量b不独立于r和g，故仅使用分量r和g来表示图像，在实验中可以线性变换至范围W，255]。步骤2，基于一个特定的FI^R值rF = Ce W，1]，求解最优单个高斯模型。为了建立一种基于混合高斯模型的肤色检测方法，本专利首先需要建立基于一个特定FPR下最优的单个高斯模型Λ/" (μ，Σ )，其概率密度函数表示如下权利要求1.一种高斯框架下近似最优的肤色检测方法，其特征在于，包括如下步骤1)首先将RGB空间归一化至rgb空间；2)建立最优单高斯模型从单高斯概率密度函数出发，通过判断概率密度函数值与事先定义的阈值之间的关系来对肤色空间中的样本点进行分类；最优单高斯模型通过求解优化问题来获得假定肤色检测的FI^R值为rF = C，最大化肤色检测的检测率TPR，通过该优化问题可以获得最优单高斯模型的均值向量和协方差矩阵参数；该最优化问题的求解通过搜索算法来，按如下步骤进行①.最优高斯模型的协方差矩阵通过对训练集中的肤色样本点采用最大似然估计方法获得，假设该矩阵在搜索算法执行过程中不变；②.采用Fisher线性判别和主成分分析方法得到两个方向，对此进行线性组合来初始化搜索算法中的高斯模型均值向量μ ini，即为0时刻的均值向量μ ^ ；③.在搜索算法中的t时刻，沿着方向θe Θ对均值向量^进行移动，其中Θ为预定义的8个方向，步长为δ个像素，从中选择一个方本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：杜友田，蔡忠闽，李谦，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。