讲义--肤色分割与基于人脸的性别识别研讨.docVIP

2.3 线性组合预测模型下的肤色BAYES检测方法经 研究发现，肤色BAYES检测方法的关键是计算出当前待分割帧的肤色区域与背景区域的直方图。因此，如何由相关联的过去帧的直方图预测出当前帧的直方图就成了关键。在阅读了相关文献后，经提出了基于“线性组合预测模型下的肤色BAYES检测方法”，下面先整体介绍该肤色分割方法基本原理，然后重点汇报直方图的初始化、肤色BAYES检测方法的原理、直方图帧间变化的三维仿射变换模型、线性组合预测模型、试验数据以及算法分析等主要内容。 2.3.1基本思路 在连续视频图像序列中，人体目标的运动情况是随机的，既有时运动有时静止，基于运动特征（如高斯混合模型方法、背景差分法等）分割人体目标的方法，当人体运动很缓慢或静止的时候，就变得无效。皮肤颜色是人体表面最为显著的特征之一，不依赖于细节特征，具有较高的稳定性且与大多数背景物体的颜色相区别[17]。因此采用基于人体肤色特征的人体目标分割方法，即使在分割、预测和跟踪过程中光照变化较大时，这种方法也能对皮肤进行很可靠的分割。 算法基本思路描述如下，借助采集到的图片数据库在HSV彩色空间建立初始的前景皮肤和背景的直方图，求出各类概率值，在光照基本不发生变化时，对每输入视频根据Bayes分类器对每帧中的每个象素点进行前景和背景的判决，可以分割出其中的人体皮肤区域。 当光照发生剧烈变化时，前景皮肤和背景的直方图分布会随之变化，因此分割之前，应对当前帧的直方图分布进行重新估计。为保证光照变化条件下的分割精度，假设每帧肤色区域像素在HSV彩色空间的分布构成相对集中的“点云”三维几何体，光照变化时每帧“点云”三维几何体在HSV空间位置的变化都可以通过平移、缩放和旋转来参数化，因而可用3-D仿射变换对皮肤分布区域的帧间变化进行建模（假设皮肤区域的变化是整体变化，不考虑局部的变形）。在一定长度的观察窗内，采用线性组合预测模型对该仿射变换所需的8个参量进行预测，从而可预测当前待分割帧的直方图分布。再利用Bayes分类器对当前帧进行皮肤区域的分割，以保证光照变化时人体目标分割算法的鲁棒性。 2.3.2 HSV彩色空间中直方图的初始化根据建立的图像库数据库来计算皮肤和背景分布的直方图。数据库包含4668个带有相应模板的皮肤图像和8960个非皮肤图像，对这些图像统计皮肤区域的分布，可得到皮肤和背景分布初始化直方图[18]。采集的视频一般在RGB颜色空间，分辨率为颜色。为了减少运算量，在保证精度的条件下，用颜色分辨率计算直方图的分布，得到的结果显示该分辨率在分割中不仅能保障分辨率的要求，而且还会降低运算量。另外，低维直方图的优势主要是需要较少的训练象素，即估计的直方图的直方图多需要512倍的训练数据。 统计每个直方图条中某一颜色（rgb）像素的数目以及前景皮肤和背景的像素的总数，可以计算得到各类概率密度记为：、、和。其中代表前景，代表背景，为像素颜色，。考查皮肤颜色分布的不同表现，可推断出皮肤颜色分布的一些结构特点，发现皮肤颜色在彩色空间分布很集中地占据一个紧凑（compact）的区域[19]。近年来在皮肤物理外观上的研究表明[20,21]，皮肤反射区（locus）直接紧密地与光照（区域locus）相关，而且试验证当光照强度没有剧烈变化时，皮肤颜色分布变化是平滑的（smoothly）。有数据资料[22]表明单个人的皮肤颜色分布随光照的改变，可通过彩色空间中皮肤颜色分布全局的仿射变换被精确地模型化。 图3-1肤色在YCbCr空间的分布 图3-2 Cr/Cb中的分布 Fig.3-1 Skin color distribution in YCbCr space Fig.3-2 Skin color distribution in Cr/Cb 2.3.3 Bayes分类器 针对当前帧任意一点像素的颜色，初始化直方图得到的是条件概率和，而在皮肤分割时更关心的是和，利用贝叶斯公式得： （2-3-1） （2-3-2） 令和的比率称为分类界限，误分类的极限值， 取 =0.0673 （2-3-3） 计算得： （2-3-4） 是图像中任意像素的皮肤概率。很明显，这个概率随图像不同而改变，但利用一个足够大的数据集就可得到一个最佳的概率。用整个数据库作为数据集表示为： （2-3-5） 是前景直方图中像素的总数，是背景直方图中像素的总数。在训练数据库中，=861142189，因此，=0.09。，根据经验