浅谈基于高斯肤色模型的图像皮肤区域分割算法分析 .docx

工程建筑学相关资料ENGINEERING ARCHITECTURE RELATED INFORMATION 工程建筑学相关资料 ENGINEERING ARCHITECTURE RELATED INFORMATION PAGE PAGE 1 浅谈基于高斯肤色模型的图像皮肤区域分割算法分析  　　【摘要】对于一个完整的、自动的人脸信息分析系统来说，高效的人脸检测算法是必不可少的。本文主要是对彩色图像皮肤区域分割算法及人脸检测系统的设计研究。主要运用了YCbCr色彩空间的肤色模型，利用其混合高斯分布的特性对肤色进行比对分割。最终得出基于高斯肤色模型的图像皮肤区域分割算法。 　　【关键词】高斯肤色模型 皮肤分割 人脸检测 　　　　 　　1 引言 　　人脸检测(face detection)主要是指在输入图像中确定人脸(如果存在)的位置、大小等信息。基本思想是利用统计的方法对人脸建模，比较所有可能的待检测区域与人脸模型的匹配度。人脸检测系统的输入是可能包含人脸的图像，也可能是不包含人脸的图像，输出是关于图像中是否存在人脸以及人脸的数目、位置、尺度、位姿等信息的参数化描述。人脸检测问题如果追踪求源的话，它来源于人脸识别(face recognition)，而人脸识别的研究可以追溯到20世纪60—70年代，经过几十年的曲折发展己日趋成熟。人脸检测是自动人脸识别系统中的一个重要环节，但是早期的人脸识别研究主要针对具有较强约束条件的人脸图像(如无背景的图像)，往往假设人脸位置己知或很容易获得，因此人脸检测问题并未受到重视。近几年随着信息化社会的发展，人脸识别成为最有潜力的生物身份验证手段，这使得人脸检测开始作为一个独立的课题受到研究并得到重视。在检测静止目标的场合中，肤色的应用提供有价值的候选区域。比如，在人脸的检测中，图像中的肤色区域可有助于加速人脸的检测过程。本文将对基于高斯肤色模型的图像皮肤区域分割算法进行研究。 　　 　　2 色度空间模型选取 　　在具体的色度空间中通过实践找到肤色区间，建立起可操作性的肤色模型，这样就让提取肤色信息成为了人脸检测的核心方法。不同肤色模型的建立基于不同的色度空间，且为色度空间的一个子空间。肤色信息主要由肤色模型描述。使用何种形式的肤色模型与色度空间(chrominance space)选择密切相关。可以从两个方面考察某种色度空间:(1)在该色度空间中能否用给定的模型描述“肤色”区域的分布;(2)色度空间中“肤色”与“非肤色”区域的重叠有多少。人脸检测常用的色度空间主要有:RGB(亮度归一化的三基色)、HSI(色调、饱和度、亮度)、YIQ(NTSC制的光亮度和色度模型)、YUV(PAL制的光亮度和色度模型)、YCbCr(CCIR601)编码方式的色度模型、CIEL(国际照明委员会提出的基于色度学的彩色模型)等。 　　不论在什么样的色度空间中，肤色模型大体上分为四种:区域模型(IF-THEN)模型、简单高斯模型、混合高斯模型和直方图模型。 　　2.1 区域模型 　　该模型又称IF-THEN模型、简单门限模型，它主要是利用了肤色在色度空间的聚类性(即取值范围)，将一块满足一定条件的区域标定为肤色区域。采用这个模型来判别肤色需要分两步:首先通过统计的方法确定模型(即归属于肤色的具体范围);其次利用这个模型来判别新的像素或区域是否为肤色。因此，对于一幅新的图像，如果某个像素或区域满足给定的条件就为肤色，否则就是非肤色。从上面的判断过程来看，它是一种较简单的肤色模型。该模型的困难之处在于如何确定阈值。阈值选择不当可能会使肤色检测率下降，误检率上升。此方法计算简单，使用方便，速度快，但是效果不是很好，只适用于特定条件下的肤色检测。 　　2.2 简单高斯模型 　　这种方法是假设肤色分布服从单峰高斯分布。它主要通过统计分析，预测高斯分布的参数，其中参数确定常用的方法有EM算法，Maximum-Likelihood或通过统计直接求得色度空间中每个分量(一般利用的是该色度空间中的色度分量)的均值与方差。采用这种方法也分为两步:首先选择方法确定模型的参数(即均值和方差);其次利用该模型来判别新的像素或区域是否为肤色。简单高斯模型相对区域模型能更好的表示肤色分布，因此相对而言，它的肤色检测率也高出许多，并且模型的参数也易于计算，但是速度比区域模型慢。 　　2.3 混合高斯模型 　　由于具有不同种族的肤色直方图并不完全满足单峰高斯分布，通过研究可以采用多峰的高斯分布来精确表示。因此，提出了混合高斯模型，如公式2.1所示: 　　(2.1) 　　其中，为肤色像素在色彩空间中的混合概率密度，为分量的概率密度，为分量的先验概率，i=1， 2，...，m为混合密度的分量个数。该模型表明肤色