一种新的光照自适应的肤色检测方法.docVIP

一种新的光照自适应的肤色检测方法 　　【摘 要】科学技术迅猛发展，图像信息的存储和传输在社会生活中的作用越来越突出。为了净化网络环境，各种图像检测及处理技术纷纷涌现，而肤色检测技术作为一种图像检测技术也被广泛的应用在图像检测及处理领域。这些肤色检测技术中最为突出的是光照自适应技术[1]，它排除了其它肤色检测技术的不足，充分考虑到不同的光照环境的影响，解决了在不同光照条件和不同摄像的设备及摄影技术对肤色检测的影响，使检测更精准，更具有参考价值。 　　【关键词】 　　1 基本概念 　　1.1 颜色空间 　　众所周知，RGB表示法[2]是最广泛使用颜色空间模型，在该颜色空间中，颜色被定义为由R、G、B三个主分量组成，各分量均包含了亮度信息，它们之间存在很大的相关性，而这种相关性，不利于肤色的检测和分割。因此改变对光照变化敏感的方法就是将RGB颜色空间的图像转换到亮度和色度分离的颜色空间。 　　Carcia等人比较了肤色在YCgCr和HSV颜色空间中的聚类结果；Cai等人介绍了在CIE Lab颜色空间中的聚类结果，认为CIE Lab颜色空间比RGB和HSV颜色空间具有更好的认知均匀性。这些方法在某种特定的条件下均比较成功，但均未考虑到环境光照对肤色检测的影响。Chai等人假设非肤色区域具有均衡亮度的前提下检测人脸，该方法不适合于复杂背景下的肤色区域检测。TSL颜色空间在单高斯模型和混合高斯模型下提供更好的结果。 　　1.2 肤色建模 　　肤色特征刻画的优劣不仅与颜色空间的选用有关，而且与肤色模型的选择有关。基于像素的肤色检测模型可分为两种：非参数的直方图模型的方法和参数估计的高斯模型[6]（包括单高斯模型和高斯混合模型）。单高斯模型的参数估计通常采用ML估计或MAP估计，高斯混合模型的参数估计通常采用EM算法。Zarit等在5个颜色空间上比较ML和MAP方法，发现ML方法优于MAP方法。Terillon等[7]比较了9个不同的色彩空间，包括TSL、r-g、CIE-xy、CIE DSH、HSV、YIQ、YES、CIE-Luv、CIE-Lab，指出对于规范化的色度空间，当采用单高斯模型时，TSL方法和r-g方法分别是最优和次优；而如果采用高斯混合模型，TSL方法和HSV方法分别是最优和次优。并且指出单高斯模型最适合刻画规范化的色度空间肤色信息，而非规范化的色度空间不适合用单高斯模型。Jones和Rehg比较了直方图模型和高斯模型方法的肤色检测方法，发现无论是在精度上还是在计算时间上，直方图模型方法都比高斯模型方法要好，这为最佳肤色空间的选择明确了方向。 　　1.3 图像的小波变换 　　图像信号可用二维信号f（x，y）∈L2（R×R）来表示，根据多分辨率分析理论，有函数空间的关系：V0=V1？茌W1=V2+W2 +W1=…… 　　即对于任意信号f（x，y）可以将其分解为细节部分[8]W1和大尺度逼近部分V1，然后将大尺度逼近部分V1再进行分解，如此重复分解就得到任意尺度，即任意分辨率上的逼近部分和细节部分，这即为多分辨率分析的框架。 　　由于： 　　上面的分析过程即为小波分解，逆过程为小波构成，均满足Mallat的递推公式和反递推公式。分析知小波变换相当于交替在水平和垂直方向上进行滤波和亚采样，每经过一次分解，当前频率LLn-1被分为4个子带，LLn，LHn，HLn和HHn，其中底频率带LLn反映了图像的下一尺度的概貌，其余3个子带分别反映图像在水平、垂直和对角线方向的高频细节信息，对图像进行3级分解的频谱图（见图1）。 　　根据Mallat算法，对图像进行小波分解也可用滤波器结构来表示。 　　2 自适应肤色检测 　　2.1 自适应光照的肤色检测的概述 　　随着光照条件的变化，肤色特征的表现也出现差异，为此人们一直在试图解决光照对颜色的影响问题，当前对此已提出了颜色常量、通过肤色信息估计光照的方法、白点调整方法。自适应颜色模型方法和自适应阈值方法[10-11]。自适应模型的方法是一种基于对象的颜色分部高斯混合模型的方法，它采用HSV颜色空间来描述人脸，并采用EM算法来动态地估计参数，以自适应光照条件的变化。自适应阈值的方法是一种基于直方图模型[12-13]的方法，该方法在HSV颜色空间中通过估计其颜色直方图的重心，计算出用于刻画肤色信息的自适应阈值BOX，从而可以针对不同的光照条件较准确定位肤色区域。 　　图1 三级分解的频谱图 　　2.2 自适应光照的肤色检测算法 　　1）Cho等提出的采用HSV颜色空间[14]来描述人脸的自适应阈值方法，是一种基于直方图模型的方法，该方法实际上给出了一种实用肤色检测方法的研究方向，但仍然存在许多问题有待改善。 　　为证明此方法的局限性，在表1中，已对YIQ构造的色