一种基于HSV颜色空间的皮肤毛孔检测算法

合集下载

基于HSV颜色空间的运动目标检测方法

基于HSV颜色空间的运动目标检测方法作者：赵红雨吴乐华史燕军王志中来源：《现代电子技术》2013年第12期摘要：针对在目标检测过程中光照变化对检测结果的影响，提出一种基于HSV颜色空间的运动目标检测方法。

首先采用帧间差分分离出运动目标区域，将该区域转换为HSV颜色空间，用形态学对区域进行处理，消除噪声影响。

然后利用各分量的相互独立性及H分量对光照不敏感的特性，应用自适应阈值分割方法，对运动目标实现准确分割。

实验表明，该方法能够实现对运动目标的准确检测，消除帧间差分产生的图像空洞，对光照变化剧烈的目标也能实现准确分割，具有较强的鲁棒性。

关键词：目标检测； HSV颜色空间；帧间差分法；自适应阈值分割法中图分类号： TN911⁃34 文献标识码： A 文章编号： 1004⁃373X（2013）12⁃0045⁃040 引言运动目标检测是计算机视觉研究的一个重要领域，它是目标跟踪和视频图像分析的基础，在军事、航空航天、智能交通、数字安防、医学图像处理等方面得到广泛应用，具有很重要的应用价值和深远的发展前景。

所谓的运动目标检测，就是针对视频序列中的一帧或几帧图像，通过一定的算法或方法去除背景、提取感兴趣前景的一项技术。

它是后续视频分析的和理解的基础，也是目前国内外学术界研究的热点之一[1]。

目前常用的目标检测方法主要有以下几种：背景差分法，帧间差分法和光流法[2⁃3]。

背景差分法计算比较简单，但是对场景的动态变化比较敏感，它的关键问题是如何建立有效的背景模型以及进行背景模型更新，如何将背景建模建为高斯模型或者混合高斯模型，并在处理过程中不断更新。

该方法存在2方面不足：一方面是初始背景图像的获取问题，需要人的事先摄制，而且更新时也需要人工干预；另一方面，在对背景差分图像采用求取绝对值后，一般用单阈值完成分割，把比背景暗和比背景亮的两部分运动目标做了对等处理，没有对不同目标区分对待，因此存在着分割效果不理想等缺点[4]；帧间差分法是通过对两幅相邻帧图像的相减，一方面是滤除图像中的静止景物；另一方面是保留运动物体，该方法的优点是对环境的光线变化不敏感，缺点是无法检测出静止车辆[5⁃6]；光流法既可用于运动目标的检测，也可用于运动目标的跟踪，特别是当运动物体重叠时，利用其光流场的分布，也可以进行检测与跟踪。

基于HSV颜色空间的皮肤检测

复杂性、光照条件多变以及人脸表情丰富等原因，所以在人脸识别过程中必须要寻求一些能够有效预防干扰的方
法。
圈１Ｒ（Ｂ色豆万体不葸ＩＪ星ｌ
Ｒ
本文将自动化皮肤检测作为研究的主要课题，并作为
人脸识别的第一步，项研究在诸如安全监控、该安检系统、智能人机接口等领域具有广泛的应用价值。
颜色范围来实现皮肤检测。使用ＭＡＬＢ作为实现该图像处理方法的工具。该方案是由ＰＧ图像转换成ＨＳＴＡ，Ｂ．Ｖ颜色空间。ＨＳＶ颜色空间中的色调用来描述皮肤检测的颜色范围。实验证明该方法在图像中检测面部皮肤区域方面具有较高精度，
圈像处理学术探讨ｌ
２１０２牟第５积ｌ
基于ＨＶ色空间的皮肤检测Ｓ颜
王东
（东岭南职业技术学院，东广州５０６）广广１６３
［摘要］为了应用于复杂背景，出了一种图像皮肤检测方法，提该方法是通过使用ＨＳ色彩空间中的Ｈ色调的皮肤Ｖ
如红色、黄色等；Ｓｔａｏ）Ｓ（ａｕｔｎ是饱和度，ｒｉ表示色彩的纯度，
的。在用ＲＢ时最简单的方法是将彩色图像转换成灰色Ｇ
ｓ越高色彩纯度越高；反之，小色彩纯度越低，ｓ越图像灰
作者简介：王东，广东广州人，男，硕士，讲师，研究方向：图像处理，信息安全，网络技术应用。

一种基于颜色和纹理的显著性目标检测算法

一种基于颜色和纹理的显著性目标检测算法丁祖萍;刘坤;王成【摘要】Visual saliency detection has very important applications in many aspects such as image segmentation, adap-tive compression and object recognition. This paper presents a saliency detection algorithm based on HSV color, texture and spatial position. By this method, the image is divided into small pieces in order to get the local information of the image, and color saliency map is computed in combination with theimages’color uniqueness and spatial distribution to compute color saliency map. At the same time, the paper uses Gabor filters at different scales and directions to get the tex-ture feature vector, and then calculates the difference of texture feature vectors to get the texture saliency map. Finally, the combination of the two gets a final saliency map. The experimental results show that this method can get satisfactory results in terms of detection and noise immunity, etc.%视觉显著性检测是很多计算机视觉任务的重要步骤，在图像分割、自适应压缩和识别物体方面都有很重要的应用。

hsv算法的公式

hsv算法的公式
摘要：
1.HSV 算法简介
2.HSV 算法的公式
3.HSV 算法的应用
4.总结
正文：
HSV 算法是一种将RGB 颜色空间转换为HSV 颜色空间的算法，其中H 代表色相，S 代表饱和度，V 代表明度。

这种转换可以使得颜色更加直观地理解和调整。

下面我们来详细介绍一下HSV 算法的公式。

HSV 算法的公式主要包括以下三个部分：
1.RGB 到HSV 的转换公式：
H = f(I - 0.5) * 6
S = 1 - f(I - 0.5)
V = f(I - 0.5)
其中，RGB 的每个分量(R, G, B) 都需要通过一个映射函数f(x) 转换为[0, 1] 之间的值，然后通过上述公式计算出HSV 颜色空间的三个分量。

2.HSV 到RGB 的转换公式：
R = V * (1 - S) + (1 - V) * S * f(H)
G = V * (1 - S) + (1 - V) * (1 - f(H)) * f(H)
B = V * (1 - S) + (1 - V) * f(H) * (1 - f(H))
通过这个公式，可以将HSV 颜色空间转换回RGB 颜色空间。

3.映射函数f(x) 的定义：
f(x) = x / (x + 1)
这个函数的作用是将RGB 颜色空间的每个分量映射到[0, 1] 之间。

HSV 算法广泛应用于图像处理、计算机视觉等领域，使得颜色处理更加直观和方便。

一种基于HSV颜色空间的皮肤毛孔检测算法

一种基于HSV颜色空间的皮肤毛孔检测算法皮肤毛孔检测是一种应用广泛的图像处理技术，可以用于皮肤美容、皮肤疾病的诊断以及化妆品评估等方面。

本文将介绍一种基于HSV（色相、饱和度、亮度）颜色空间的皮肤毛孔检测算法。

HSV颜色空间是一种用于描述颜色的模型，由色相、饱和度和亮度三个参数组成，相比于RGB颜色空间，HSV颜色空间更方便进行颜色分析和处理。

首先，将图像从RGB颜色空间转换到HSV颜色空间。

转换的公式为：H = atan2(sqrt(3)*(G-B), 2*R-G-B)S = 1 - (3 / (R+G+B)) * min(R, G, B)V=(1/3)*(R+G+B)其中，H表示色相，S表示饱和度，V表示亮度。

图像中的每个像素都可以表示为一个HSV颜色向量。

接下来，根据皮肤颜色的特征来检测毛孔。

皮肤的颜色范围一般位于HSV颜色空间中的一个特定区域内。

根据实际观察，可以设置一组阈值来定义皮肤颜色的范围，比如色相在5~30之间，饱和度在40%以上，亮度在50%以上。

然后，通过遍历图像的每个像素，将像素的HSV颜色向量与定义的皮肤颜色范围进行比较。

如果像素的HSV颜色向量落在皮肤颜色范围内，那么该像素属于皮肤区域，否则属于非皮肤区域。

接下来，通过分析皮肤区域的亮度信息来检测毛孔。

毛孔通常比周围皮肤区域更暗，因此可以根据亮度来检测毛孔。

可以设置一个亮度阈值来判断像素是否属于毛孔区域。

最后，通过将检测到的毛孔区域标记在原始图像上，可视化地显示毛孔位置。

需要注意的是，HSV颜色空间的皮肤毛孔检测算法是一种基本方法，可能存在一定的误检率和漏检率。

为了提高检测准确性，可以结合其他特征和算法，比如纹理特征、形态学操作和机器学习方法等。

综上所述，基于HSV颜色空间的皮肤毛孔检测算法是一种简单且有效的方法，可以通过分析皮肤颜色和亮度信息来检测毛孔。

这种方法具有一定的局限性，但可以通过结合其他技术来提高检测准确性。

一种基于H-CrCb颜色空间的肤色检测算法

１引言
肤色检测在人脸检测与识别、基于内容的敏感
测人体肤色间的选择
图像过滤系统、用于手势识别系统中的手势分割等
建立描述肤色的色度模型要求选择一个恰当的
都有重要作用。肤色不会因人体的方向、大小，以及颜色空间，在此空间中肤色能聚类在一起，并且与非
在ＲＧＢ颜色空间中，肤色像素聚类的ＲＧＢ满足Ｒ＞Ｇ＞Ｂ，所聚的类中包括更多的非肤色区域［２］；且会受亮度的影响，只要亮度改变，３个分量
本文受北京市属高等学校人才强教计划资助项目ＰＨＲ（ＩＨＬＢ）资助。王鼎本科生，主要研究方向为计算机科学与技术；沈辉讲师，主要研究方向为计算机网络应用与数字图像处理；娄海涛讲师，主要研究方向为计算机应用技术、数字图像处理、人工智能与模式识别（通信作者）。
ＳｔｕｄｙｏｆａＳｋｉｎＤｅｔｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎｔｈｅＨ－ＣｒＣｂＣｏｌｏｒＳｐａｃｅ
ＷＡＮＧＤｉｎｇ１ＳＨＥＮＨｕｉ１ＬＯＵＨａｉ－ｔａｏ１，２
（ＩｎｆｏｒｍａｔｉｏｎＣｏｌｌｅｇｅ，ＢｅｉｊｉｎｇＵｎｉｏｎＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００１０１，Ｃｈｉｎａ）１（ＢｅｉｊｉｎｇＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｅｒｖｉｃｅＥｎｇｉｎｅｅｒｉｎｇ，ＢｅｉｊｉｎｇＵｎｉｏｎＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００１０１，Ｃｈｉｎａ）２
姿势改变等情况而变化，所以在上述应用中肤色检肤色的重叠部分要尽可能少。［２］考虑到同一人种人

一种基于HSV颜色空间的图像检索技术_宋麦玲

人工智能及识别技术本栏目责任编辑：李桂瑾电脑知识与技术１引言基于内容的图象检索技术是９０年代以来新兴的一项图像检索技术，它融合了图像理解、模式识别、计算机视觉等技术，将图像的视觉特征作为特征向量进行提取，然后将示例图像的特征向量与系统中存储图片的特征向量进行相似度比较，按相似度大小排列返回给用户。

基于内容的图象检索技术按照不同的特征向量提取可分为基于颜色的、基于纹理的和基于形状的图象检索。

颜色特征是图像检索中所使用的最直观的视觉特征，它对图像本身的尺寸、方向、视角的依赖性较小，具有较高的稳健性。

因此基于颜色的图象检索技术是基于内容的图像检索技最常用最基本的方法。

而选取什么样的颜色空间对检索结果影响非常大。

２颜色空间颜色是图像内容的最基本的元素，选择一个符合人眼视觉特性的颜色空间对于利用颜色特征进行图像检索至关重要。

２．１ＲＧＢ颜色空间在目前提出的多种颜色空间中，ＲＧＢ颜色空间是实际应用中最多的一种。

ＲＧＢ颜色空间分三个通道：红（Ｒｅｄ）、绿（Ｇｒｅｅｎ）和蓝（Ｂｌｕｅ），分别反映了颜色在某个通道上的亮度值。

对图像而言，其颜色的表现也是通过ＲＧＢ三个色彩分量组合而成的。

ＲＧＢ颜色空间的缺点在于，一是改变一个颜色时，三个通道上的颜色全部需要修改；二是它不是一个均匀颜色空间，颜色空间上的距离，并不能代表人眼视觉上的颜色相似性。

２．２ＨＳＶ颜色空间据研究表明，人眼对颜色的感知是三维的，找到符合人眼视觉特征的模型是利用颜色特征进行图像检索的关键。

最早也是最简单的颜色表示法是利用红绿蓝三原色相加的原理，用ＲＧＢ值表示颜色。

这种表示法虽然简单但是没有直感，也就是说，给定某一ＲＧＢ值，人们无法感知所对应的颜色。

在许多实用系统中，大量应用的是ＨＳＶ［８］空间，这个空间是由色度（Ｈｕｅ），饱和度（Ｓａｔｕ－ｒａｔｉｏｎ），亮度（Ｖａｌｕｅ）三个分量组成，与人的视觉特性比较接近，其中亮度（Ｖ）表示颜色的明暗程度，主要受光源强弱影响，色度（Ｈ）表示不同颜色，而饱和度（Ｓ）表示颜色的深浅。

基于混合 RGB和 HSV 方法的人脸检测

基于混合 RGB和 HSV 方法的人脸检测李枫【摘要】采用一种简单而强大的基于肤色的人脸检测技术，将基于RGB和基于HSV的色彩模型组合来进行肤色分割，以提高检测的准确率。

实验结果显示，本文描述的算法在识别一张人脸和多张人脸的情况下可以达到90％以上的准确率。

%Using a kind of simple and powerful face detection method , we split the color of face based on RGB and HSV to improve detectionaccuracy .The experimental results show that using this algorith can improve accu-racy on face recognition up to 90%.【期刊名称】《兰州工业学院学报》【年(卷),期】2013(000)005【总页数】4页(P25-28)【关键词】人脸检测;肤色分割和定位;RGB;HSV【作者】李枫【作者单位】太原警官职业学院基础部，山西太原 030032【正文语种】中文【中图分类】TP1810 引言人脸识别是当前计算机视觉一个很活跃的研究领域[1].人脸的定位和检测是很多的应用的基础，如视频监控，人机交互，人工智能，基于内容的图像检索，人脸识别和表情分析等.人脸检测原理实现比较简单，但是在实际操作中我们还应当考虑诸多因素的影响，例如图像中是一张脸还是几张脸，是正面还是侧面，还有复杂的表情影响等等，在某些因素的影响下甚至还有可能在一些没有人脸的区域中检测出人脸.面对这些问题有很多技术来解决，如基于模版匹配，人工神经网络[2]，脸部特征定位[3]，支持向量机[4]，模式识别.在人脸感知的多种算法中，每种算法在精度、速度、复杂性上都有自己的优点和缺点.在众多人脸检测的方法和技术中，基于皮肤色彩分类的方法是最简单的一种，相比其他方法有很多优势：色彩的处理是最快最高效的；在一定的光照条件下色彩的变化是很微小的.除了这些优势，基于皮肤色彩分类的技术也存在较明显的劣势，例如对强光照很敏感；一个人在相同光照的条件下如果使用不同相机可能反应出不同的颜色；不同的人肤色差异较大.本文中使用皮肤色彩分类技术在含有单张人脸或多张人脸的图像中实现检测和定位.目前存在很多的色彩模式如RGB，HSV，YCbCr，科学的选择色彩模式很重要，因为它可以直接影响检测的结果.本文采用RGB和HSV的合并方式，这种算法可以提高检测速度(平均检测时间在5 s)和准确率(超过90%).1 色彩分类技术近几年色彩分割技术已成功应用于基于图像内容的搜索.色彩分割是把图像细分为组成图像的对象或区域的一种概念，区域或对象就是要被分割出来的部分.现在只要能够定位出来人脸，就可以用提取的人脸进行图像编码、编辑、索引或为下一步的识别和表情研究打下基础.皮肤颜色是总的颜色空间的一部分，一个人的皮肤颜色主要依赖一些生物学特性(黑色素，色素沉着等)，所以我们的算法是根据脸部皮肤的颜色在图像中搜索相近颜色的像素.1.1 RGB的颜色模式RGB颜色模型是由3种颜色成分组成：红色、绿色和蓝色.这些颜色相结合的频谱分量相加，产生一个结果的颜色.用一个带有红绿蓝三色的3维立方体来描述RGB 模型，如图1.黑色是原点，白色相对黑色在立方体的另一端，他们之间的连线便是灰度由黑到白.每个24位彩色图形系统由3个颜色通道组成，每个通道占8位.RGB模型简化了计算机图形系统的设计，但该模型并不是所有应用程序的理想选择.例如在一个图像上，红色、蓝色、绿色的成分是高度相关的，这样就很难执行某些图像处理的算法.很多的处理技术，如直方图均衡化需要图像上的亮度分量，这在RGB颜色模型上很难提取.图1 RGB颜色空间立方体1.2 HSV的颜色模式RGB颜色模型的一个最主要的问题是不考虑颜色的亮度，可能在解决问题时产生不正确的信息.HSV提供的色彩信息包括色调(色彩深度)，饱和度(颜色的纯度)和强度(色彩亮度)，如图2所示.色调是指红色、蓝色和黄色的颜色，范围是0到360.当使用HSV的颜色模型时不需要知道产生特定颜色所需要蓝色和绿色的百分比，只需要调整色调就可以获得想要的颜色.饱和度是指颜色的纯度，调整的范围是0%～100%.强度是指颜色的亮度，可以降低颜色的色差，取值范围0%～100%.该色彩空间H和S可以提供必要的肤色信息，肤色像素的H和S分量应满足以下条件[5](为了方便计算把H值归一化处理)0<=H<=0.25;0.15<=S<=0.9.(1)很多应用程序需要用到HSV的色彩模型，计算机的机器视觉用HSV的色彩模型来识别不同物体的颜色.图像处理应用如直方图操作、亮度信息强度转换操作等是非常容易在HSV颜色空间中的图像上进行的.图2 HSV的颜色空间模型2 解决方法根据其他文献提到的在只有一张脸的情况下，无论是RBG还是HSV都可以做到很好的定位检测，如果在一张图片上有多张脸，这两种方法可能会产生错误的检测.本文的新算法合并了原有的RBG和HSV算法，新算法无论图像中包含一张脸或是多张脸都有较高的检测率.其具体步骤为：获得图片、用设定HSV模式提取皮肤颜色、把输出的图像转换成RGB然后再二值化、填补检测到的区域中的空洞、删除检测到的小区域、用Bwboundaries函数绘制轮廓、把检测到的区域用方框标识.2.1 获得图片选择载有人脸光照正常的照片作为测试图像.2.2 用HSV色彩模式提取类似皮肤颜色的区域在众多研究成果中有很多用于图像建模的色彩模型，但是我们一般只考虑3种(HSV,RGB,YCbCr).因为在RGB中同样的颜色不同亮度图片的(R,B,G)3个值都不同，所以用RGB模型来提取皮肤颜色区域没有优势，本文选用了HSV的色彩模型来处理图片的亮度.首先使用MATLAB函数中的rbg2hsv函数将RGB图像转换为HSV图像，然后提取HSV色彩模型的3个分量的值，这3个分量可以提供皮肤色彩的必须信息.V表示像素亮度，所以我们仅用H,S两个分量来表示皮肤的颜色.一般皮肤颜色需满足式(1)中的两个公式，即满足公式的像素将被认为是候选肤色区域，据此得到只包含候选肤色区域的图像.图3(a)是转换为HSV的图像，图3(b)是所有候选皮肤颜色的区域提取.图3 候选肤色区域的图像2.3把输出图像转换为RGB并进行二值化在得到候选的人脸区域后将该区域转变为RGB的色彩空间.如果这些像素的RGB值满足公式(2)[7]就将其视作皮肤，再将输出的图像二值化，皮肤颜色转化为白色,其他颜色转换为黑色，如图4.R>95,G>40,B>20,max{R,G,B}-min{R,G,B}>15,|R-G|>15,R>G,R>B.(2)图4 满足公式条件的二值化图像2.4 填补检测区域的空洞待检测区域中有很多小的空洞，可以利用MATLAB的imfill 函数来填补检测区域的空洞，如图5.图5 填补小洞2.5 删除相对较小的检测区域这个步骤是在人脸检测中最重要的.如前所述该算法是基于肤色的人脸检测技术，在执行相关函数后可以得到所有是肤色的区域作为候选区域.如果是类似于单人免冠照片的话我们可以轻松的定位人脸的区域，但是如果身体的其他部分暴露出来，该检测算法将会做出错误的判断.人脸包含的像素比手、胳膊等身体其他部位要多，因此我们可以用bwareaopen函数删除二值化图像中连续像素点小于P的部分以实现最终的人脸定位.本文中P设置为500.图6是处理过的图像.图6 删除小区域的图像2.6 用方框标识检测到的区域在准确定位后需要绘制一个围绕该区域的边界，可以使用MATLAB的bwboundaries函数绘制区域边界.在图7的检测结果中显示出了包含人脸的矩形边界.图7 检测结果3 实验结果我们已经通过MATLAB实现了基于混合RGB和HSV的算法.取包含有一张面孔和有多张面孔的100幅正常光照的人脸图像测试，经实验此算法的识别率可以达到单面孔95%和多面孔90%.HSV的算法在识别多面孔的图像中很难识别出全部的人脸，因此这种混合特征的方法比HSV的算法更有优势,多面孔识别结果如图8. 图8 两张人脸的识别结果该算法的另一优点是即使脸部不垂直于地平线而是和地平线有一定的夹角也能被顺利的识别出来.4 结语本文描述的人脸检测方法是基于皮肤颜色确定人脸区域，该算法对单面孔和多面孔图像有很高的识别率.本文算法的局限性是如果有过多的身体其他部位暴露，这个区域就可能被认为是脸部区域，因此在未来我们需要通过使用模板匹配或基于神经网络技术来解决这个问题.参考文献:[1] 林粤江.浅谈人机交互技术[J].黑龙江科技信息,2007(7):68-69.[2] 杨治明，王晓蓉，彭军，等. BP人工神经网络在图像分割中的应用[J].计算机科学,2007(3):234-236.[3] 林维训，潘纲，吴朝晖，等. 脸部特征定位方法[J].中国图像图形学报,2003(8):125-136.[4] 杨国林,冯乔生,张亚萍.基于肤色的人脸检测综述[J].软件，2013(3):7-10.[5] 田巍,庄镇泉.基于HSV色彩空间的自适应肤色检测[J].计算机工程与应用,2004(4):81-86.[6] 马永强,华宇宁.基于Labview/Matlab的人脸识别系统设计与实现[J].科技资讯,2007(17):15-17.[7] 杜鑫,王晅.基于RGB彩色空间中皮肤物理模型的人脸检测[J].计算机光盘软件与应用,2013(4):23-28.。

基于HSV与MLPQ的自适应人脸检测算法

产学研联合创新资金一前瞻性联合研究项目（ＢＹ２０１２０６７）资助
第一作者简介：周霞（１９７０一），女，汉族，四川宜宾人，讲师。研究
ｉｎ（
，
（１）
Ｈ：Ｉ。 ’
Ｇ ≥Ｂ
Ｌ２１Ｔ— 。Ｇ ≤ Ｂ
［，Ｙ］的邻域的相位。局部光谱Ｆ（）利用离
第１３卷
第３２期
２０１３年１１月

科
学
技
术
与
工
程
ＶｏＬ１３Ｎｏ．３２ＮＯＶ．２０１３
１６７１ —１８１５（２０１３）３２ — ９５４９ — ０６
ＳｃｉｅｎｃｅＴｅｃｈｎｏｌｏｇｙａｎｄＥｎｏｎｅｅｉｆｎｇ
更加接近于人对颜色的感知，因此使用ＨＳＶ颜色模型作为肤色分类的特征空间。为了更好的构造肤色概率模型，首先从肤色样本集中提取多幅肤色图像，并把肤色图像的像素从ＲＧＢ空间转换到ＨＳＶ空间，其转换公式如下：
率，充分验证了该方法的有效性。
关键词
ＨＳＶ颜色空间
多尺度局部相位量化
自适应
人脸检测
中图法分类号
ＴＰ３９１．４１；
文献标志码
Ａ
人脸检测是人脸识别、表情识别等人脸信息处
理问题中涉及的一项关键技术，同时也是通用目标检测问题最具代表性的特例。现有的人脸检测方

基于肤色HSV颜色模型下的人脸实时检测与跟踪

基于肤⾊HSV颜⾊模型下的⼈脸实时检测与跟踪
基于肤⾊HSV颜⾊模型下的⼈脸实时检测与跟踪
崔昌华;朱敏琛
【摘要】提出⽤于视频电话、监视与监控等场合的⼈脸实时检测跟踪⽅法.⾸先运⽤差分图像快速提炼出运动物体的外接矩形,消除背景对肤⾊检测的影响,缩⼩肤⾊搜索的范围;然后利⽤肤⾊在空间的聚类特性检测⼈脸,利⽤HSV颜⾊模型中的⾊调H的范围抽取肤⾊,去除亮度对肤⾊的影响.实验表明,这种检测和跟踪⽅法是快速有效的,与单独运⽤HSV⽅法相⽐它能更好地处理背景对肤⾊的影响.
【期刊名称】《福州⼤学学报（⾃然科学版）》
【年(卷),期】2006(034)006
【总页数】5页(P826-830)
【关键词】差分图像;HSV模型;⼈脸跟踪
【作者】崔昌华;朱敏琛
【作者单位】福州⼤学数学与计算机科学学院,福建,福州,350002;福州⼤学数学与计算机科学学院,福建,福州,350002
【正⽂语种】中⽂
【中图分类】基础科学
第 3 4 卷第 6 期福州⼤学学报（⾃然科学版）V 01.3 4 N o ． 6 20 06 年12 ⽉ Jo u r n a l of F u z h o u U niv e rsity( N atu ral S cie n c e)D e c.2 0 0 6⽂章编号：1 0 0 0 -2 2 4 3 ( 2 0 0 6 ) 0 6 - 0 8 2 6 - 0 5基于肤⾊ H S V 颜⾊模型下的⼈脸实时检测与跟踪崔昌华，朱敏琛（福州⼤学数学与计。

基于HSV颜色空间的改进的多尺度Retinex算法

ｏｖｅｒｌａｐｐｉｎｇ，ｗｅｐｏｐｒｏｓｅｄａｌｌｉｍｐｏｖｒｅｄＲｅｔｉｎｅｘａｌｇｏｉｒｔｈｍｏｆｓｕｂ－ｂａｎｄｄｅｃｏｍｐｏｓｉｔｉｏｎ．Ｔｈｅａｌｇｏｉｔｒｈｍｃａｎｎｏｔｏｎｌｙｅｎｈａｎｃｅｔｈｅｄｅｔａｉｌｓｉｎｔｈｅｈｉｇｈｌｉｇｈｔ，ｂｕｔｌｓａｏｃａｎｉｍｐｒｏｖｅｈｅｔｄｅｔｍｌｓｉｎｔｈｅｓｈａｄｏｗｓ．ＢｅｃａｕｓｅｈｅｔＲＧＢｈａｓａｓｔｒｏｎｇｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｔｈｅｓｅｔｈｒｅｅｋｉｎｄｓｏｆｃｏｌｏｒ，ｈｏｗｅｖｅ￣ｔｈｅｒｅｉｓｎｏｇｒｅａｔｃｏｎｎｅｃｉｔｏｎｉｎｔｈｅＨＳＶ，ｔｈｅＨＳＶａｒｅａｂｌｅｔｏｒｅｌｆｅｃｔｈｅｔｐｅｒｃｅｐｔｉｏｎｏｆｃｏｌｏｒｂｅｔｔｅｒ．ＴｈｅｅｘｐｅｉｒｍｅｎｔｓｓｈｏｗｈａｔｔｃｏｍｐａｒｅｄｗｉｔｈｈｅｔｍｕｌｔｉｓｃａｌｅＲｅｔｉｎｅｘａｌｇｏｉｒｔｈｍｂａｓｅｄｏｎＲＧＢｓｐａｃｅ，ｔｈｅｉｍｐｒｏｖｅｄ

基于RGB-H-CbCr新颜色空间的肤色检测算法研究

检测肤色，仅忽略了由于不同人种和亮度差异而导致的肤色像素在颜色空间上的分布不同，本文提出了一种基于ＲＢＨＣＣ新颜色空间的肤色检测Ｇ ——ｂｒ
算法。该算法综合了肤色像素在ＲＢ、ｂｒＨＳ三种颜色空间上的分布特征，ＧＹＣＣ和Ｖ构建出ＲＧ — — ｂｒＢＨＣＣ新
～
ｑｅＳｏｋｎｔｃｉｎＡｏｉｍｔｓｄｏｅ－ｔｅｆＳｉｔｏｇｒｈｈｕｅｔ３ｎｔａｅｈ
江凤兵ｌ，
ＪａｇＦｎｂｎｉｎｅｇｉｇ
黧ＨＧ新色间肤检算研颜空的色测法究
Ｇａｚｏ１０；２Ｓｈｏｆｃｎｅｎｅｈｏｏ，ｎａＮｒｌｉｅｓ，ａｇｉｎｈｕ３１０）ｕｎｈｕ４００．ｃｏｌＳｉｃｄｃｌｇＧａｎｎｏｍａＵｎｖｒｉＪｎｘｚｏ４００３ｏｅａＴｎｙｙｔｉＧａ
颜色空间肤色模型，来辨别肤色和非肤色点。文中利用Ｍａａ分别对不同人种的肤色图像进行实验仿真，ｔｂｌ实验结果表明该方法能有效检测人体肤色，能有效提高肤色检测的正检率。关键词：颜色空间；肤色模型；肤色检测；Ｇ — — ｂｒＲＢＨＣＣ
中图分类号：Ｐ９Ｔ３１文献标识码：Ａ文章编号：６１４９一０９０３ —５１７ —７２（１）—０４０２１
Ａｂｔｃ：ｈｒｖｏｓｓｉｈｃｌｏｔｍｅｄｍｏｓｄｒｄｂｇｔｅｓＩｏｌｅｅｔｄｃｌｒｆｋｎｏｓｒｔＴｅｐｅｉｕｋｎｃｅｋａｇｒｈｓｌｏｃｎｉｅｅｒｈｎｓ．ｔｎｙｄｔｃｅｏｏｉｎａｉｉｏｓ

基于HSV色彩空间的自适应肤色检测

#+ 。去，如 /0102 彩色空间 *!，
!&<$!< ， " 平均值为 %F<$F" ， # 平均值为 %GB$<< ，象素块间亮度
标准偏差为 !!$H< ， ! 值标准偏差为 %<$G% ， " 值标准偏差为这里 ! ， !B$!! ， # 值标准偏差为 &&$!% ， "， #!*" ， !<<+。将这 %"G 块肤色图像变换到 ’() 空间，观察其 $ 直方图，绝大部分直方图中 $ 值均匀、集中地分布在 "$"%<I"$"F 的范围内，也有一大部分的 $ 值仅仅集中分布在 "$"<<I"$"F 范围内，还有一部分的 $ 分布在 "$"HI"$%&B 的范围内，最后有很少一部分的 $ 在 "$"%<I"$"F 的范围内均匀集中地分布，但在
%
引言
人脸检测是人脸识别的前提，是模式识别和计算机视觉领
的人脸检测提供了一条途径。在通常的光照条件下，人脸肤色会集聚在色彩空间中某个特定的区域内，通过对肤色采样建立一个分布函数或寻找肤色分布的合适阈值，就能够将肤色区域提取出来。图像中同一人脸的颜色在整体上具有一定的一致性，但由于受阴影和眼镜等附属品的影响，一些局部象素可能与人脸的平均颜色有较大的差异，脸部被分割为多个区域。该文首先对一般复杂背景彩色图像中正面人脸在 +() 色彩空间中进行肤色分割，然后针对同一人脸部被分割为多个区域的情况，提出一种相对重要性滤波和自适应区域归并算法，最后选择一种人眼定位算法对检测出的肤色区域进行验证，将多人脸检测转化为单人脸检测。实验结果表明，该算法复杂度较小，对光照变化具有很好的鲁棒性。

基于HSV颜色空间静止背景中运动目标的检测算法

ＣｏｐｔｒａｄＣｍｍｕｉａｉｎＥｎｎｅｉｇ，ａｎｎｈｈａＵｎｖｒｉｙ，ＦｕｈｎＬｉｏｉｇ１３０，Ｒ．ｈｎ）ｍｕｅｎｄｎｃｔｏｇｉｅｒｎＬｉｏｉｇＳｉｕｉｅｓｔｓｕａｎｎ１０１Ｐ．Ｃｉａ
始帧中的Ｈ分量对运动区域进行筛选，而得到特定运动目标被点亮的前景帧。实验结果表明，算法能够有效地从该
实现在静止背景、多运动目标共存的视频中检测出特定颜色的运动目标。
ｏｊｃｓｓｌｃｅ．ｅｅｐｒｎａｅｕｔｈｗｈｔｔｅａｇｒｔｍａｃｉｖｈｐｃａｏｏｖｎｂｅｔｄｔｃｉｎｉｂｅｔｗａｅｅｔｄＴｈｘｅｉｔｌｒｓｌｓｏｔａｈｌｏｉｍｅｓｈｃｎａｈｅｅｔｅｓｅｉｌｃｌｒｍｏｉｇｏｊｃｅｅｔｎｏ
ｔｅｒｓｎａｈｒｗｒｍｅｉｉｅｅｕｎｅ．ｈｎｉｅｔｂｉｈｄｂｃｇｏｎｒｍｅｂｓｄｏｅＯｒｐｅｅｔｅｃａｆａｎｖｄｏｓｑｅｃｓｔｅｓａｌｅａｋｒｕｄｆａａｅｎｓＨ— ａａｔｅｂｃｇｏｎｄｌｔｓｄｐｉａｋｒｕｄｍｏｅｖ
关键词：颜色空间；背景差分法；运动目标检测中图分类号：Ｔ３１４Ｐ９．１文献标识码：Ａ
ＭｏｉｇＯｂｅｔｔｃｉｎＢｓｄｏＶｌｒＳａｅａｄＦｘｄＳｅｅｖｎｊｃｅｔａｅｎＨＳＣｏｏｐｃｎｉｅｃｎＤｅｏ

目标检测算法中基于HSV颜色空间的阴影抑制改进与仿真

目标检测算法中基于HSV颜色空间的阴影抑制改进与仿真摘要:目标检测算法中阴影是影响检测成功率的一个主要因素,本文在HSV 颜色空间中对阴影抑制算法进行改进与仿真。

主要将HSV三个分量做了重新定义与近似,在简化算法的同时,又添加了快速填充与噪声消除算法,使阴影抑制算法的整体性能得到提高,提高了目标监测的成功率。

仿真实验结果表明阴影抑制的改进是成功的和有效的。

关键词:阴影抑制算法改进快速填充噪声消除1、基于HSV颜色空间的阴影抑制算法在目标检测算法中,当被检测的目标有阴影时,对于目标检测和识别以及跟踪都会造成很大误差。

近年来科学家提出了许多关于阴影识别与消除的算法。

其中Cucchiara提出的方法,在阴影抑制方面具有突出意义。

2.2 快速填充和噪声消除2.3 仿真结果以及比较通过仿真测试我们可以证明阴影抑制算法改进之后的效果如何。

测试中随机抽一些帧来显示试验结果。

3、结语本文中,我们介绍了阴影抑制算法改进及其应用,通过在HSV颜色空间中简化修订算法的主要理论公式,并结合硬件处理器的特点来改进算法,阴影抑制的准确性被提高了。

仿真实验结果表明改进阴影抑制的效果较好。

参考文献[1]许志良,周智恒,曹颖烈等.关于运动目标检测的发展现状研究.移动通信,2008,32(12):35-38.[2]汪小丰.视频运动目标分割与跟踪技术研究:[硕士学位论文].杭州:浙江工业大学,2008.[3]赵文哲,秦世引.视频运动目标检测方法的对比分析.科技导报,2009,27(10):64-70.[4]代科学,李国辉,涂丹等.监控视频运动目标检测减背景技术的研究现状和展望.中国图象图形学报,2006,11(7):919-927.[5]宋杨.基于高斯混合模型的运动目标检测算法研究:[硕士学位论文].大连:大连理工大学,2009.[6]印勇,王亚飞.基于空间邻域相关性的运动目标检测方法.光电工程,2009,36(2):1-5.。

基于HSV与YCrCb颜色空间进行肤色检测的研究

平均值
５．３３８３３３ｌ２１６６７４３３３９３３．３３９３３ｌ．６６．３３７６
分别计算每个ＲＩＯ的每个像素的Ｈ、Ｓ、Ｖ、Ｙ、Ｃ、Ｃ。ｒｂ
将ＲＬｌＯ、ＲＩ７Ｏ一０为一组Ｏ、ＲＬ４Ｏ＿、ＲＩ１分
ＨＶ是对ＲＢ色彩空间中点的两种有关系的表示，它们ＳＧ尝试描述比ＲＢ更准确的感知颜色联系，并仍保持在计算上Ｇ
简单。Ｈ指ｈｅ（ｕ色相）、Ｓ指ｓｔｒｔｎ（和度）ａｕａｏ饱ｉ、Ｖ指ｖｌｅａｕ
ｆ调）色。
Ｖ：０６５一０５５一０１０．１Ｒ．１Ｇ．０Ｂ
ｌｌ，煳＇搬ｌｉｆｔ
以下是ＲＢ颜色空间与ＨＳＧＶ颜色空间的换算：
Ｏ－
６ｍａ一竹ｔ摊ｏｘ＝＋ｏｌ
ｈ
ｆ秘，
低）；并在４张照片中选择相同坐标的３个ＲＩＯ，这３个Ｒ１Ｏ分别为
（ｇ－ｗｉｔ／，ｇ－ｈｉｈ／，０３）ｉｅ＞ｄｈ２ｉｅ＞ｅｇｔ３，０、ｍａｍａ２
方差中值
第一组
表４
Ｈ
６．５５
Ｓ
８
Ｖ
１８
Ｙ
１９
Ｃｒ
１．７
Ｃｂ
４８．
将ＲＩ２Ｏ一、ＲＬ８Ｏ一分为一组Ｏ一、ＲＩ５Ｏ、ＲＩ１１
将ＲＩ３Ｏ、ＲＩ９Ｏ一２Ｏ一、ＲＬ６Ｏ一、ＲＩ１分为一组

一种基于HSV空间的人像高光区域自适应修正方法

一种基于HSV空间的人像高光区域自适应修正方法郑利华;张亚红【摘要】基于HSV色彩空间模型,分析比较了彩色照片中人脸正常肤色特征和高光特征,采用自动设置相关参数的方法,提出了一种HSV三个分量同时矫正的高光修正方案,并对方案的修正效果进行实验验证.该方案首先根据人脸肤色特征对相片中人脸区域进行分割,得到正常皮肤区域HSV三分量的平均值,然后根据皮肤高光程度对高光区各分量进行恰当的处理,实现人脸彩色照片的高光修正.实验结果表明:该算法在消除了图像的高光后,极大改善了图像的视觉效果.【期刊名称】《桂林航天工业学院学报》【年(卷),期】2012(017)003【总页数】4页(P243-246)【关键词】照片;肤色检测;高光;修正【作者】郑利华;张亚红【作者单位】桂林航天工业学院信息工程系,广西桂林541004;桂林航天工业学院信息工程系,广西桂林541004【正文语种】中文【中图分类】TP391.41人脸高光是使用单闪光灯摄影中常出现的问题，适量的高光可以体现脸部的凹凸从而使照片具有立体感。

但在使用相机内置闪光灯或一般的闪光灯时，油腻的皮肤由于镜面反射，局部产生的高光严重影响相片的视觉效果。

图像中的高光还经常是导致图像分割、识别以及匹配产生错误的重要原因。

因此，高光修正是许多人脸相片，尤其是证件相片在后期处理上的一个重要环节。

在一般的摄影中，由于拍摄时使用的闪光灯距离镜头很近，当拍摄对象脸有油腻时，脸上一些区域会出现镜面反射造成的高光，对照片的视觉效果影响极大。

由于这些高光区域已经完全丢失了色彩信息，所以一般的软件很难对这些高反光区域进行有效处理，达到去除高光并恢复色彩的目的。

文献［5］提出的修正方案需要用户设置最大的修改半径并且要由用户在图像中点击鼠标以确定修正中心，文献［1］将图像由RGB颜色空间转换到YUV颜色空间，在YUV颜色空间里，通过一个5次多项式只对亮度信息y进行转换，这个多项式对图像的不同亮度区域使用不同的转换率。

几种常用的肤色检测颜色空间

几种常用的肤色检测颜色空间庞燕【摘要】This paper mainly describes a skin color detection method called fixation of skin color region boundary. At the same time,the paper introduces several color spaces such as RGB,YCbCr and HSV col-or spaces which are commonly used in this method. Then, do skin color detection in these three color spaces on 200 skin color regions whose illumination is uniform ( all the 200 skin color regions are down-loaded from internet) . Count the accuracy of skin color detection in every color space and analyze the re-sult of the experiment. The final result of the experiment shows that when the illumination is relatively uni-form,the highest and lowest accuracy of skin color detection are respectively in HSV color space and RGB color space,YCbCr color space is in between.%本文主要介绍了一种常用的肤色检测方法即肤色区域边界固定法,同时介绍了利用该方法进行肤色检测的几种常用的肤色检测颜色空间如RGB、YCbCr以及HSV颜色空间,并在这几个颜色空间中对在Internet上获取的200个光照均匀的肤色块进行肤色检测,统计出在每个颜色空间中肤色检测的正确率并对实验结果做出分析。

hsv的算法是怎么样的

hsv的算法是怎么样的HSV是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间,，也称六角锥体模型，以下是由店铺整理关于什么是hsv的内容，希望大家喜欢!hsv的简介色调H用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。

它们的补色是：黄色为60°，青色为180°,品红为300°;饱和度S饱和度S表示颜色接近光谱色的程度。

一种颜色，可以看成是某种光谱色与白色混合的结果。

其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。

饱和度高，颜色则深而艳。

光谱色的白光成分为0，饱和度达到最高。

通常取值范围为0%～100%，值越大，颜色越饱和。

明度V明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关;对于物体色，此值和物体的透射比或反射比有关。

通常取值范围为0%(黑)到100%(白)。

RGB和CMY颜色模型都是面向硬件的，而HSV(Hue Saturation Value)颜色模型是面向用户的。

HSV模型的三维表示从RGB立方体演化而来。

设想从RGB沿立方体对角线的白色顶点向黑色顶点观察，就可以看到立方体的六边形外形。

六边形边界表示色彩，水平轴表示纯度，明度沿垂直轴测量。

hsv的算法RGB转化到HSV的算法:max=max(R,G,B);min=min(R,G,B);V=max(R,G,B);S=(max-min)/max;if (R = max) H =(G-B)/(max-min)* 60;if (G = max) H = 120+(B-R)/(max-min)* 60;if (B = max) H = 240 +(R-G)/(max-min)* 60;if (H < 0) H = H+ 360;HSV转化到RGB的算法:if (s = 0)R=G=B=V;elseH /= 60;i = INTEGER(H);f = H - i;a = V * ( 1 - s );b = V * ( 1 - s * f );c = V * ( 1 - s * (1 - f ) );switch(i)case 0: R = V; G = c; B = a;case 1: R = b; G = v; B = a;case 2: R = a; G = v; B = c;case 3: R = a; G = b; B = v;case 4: R = c; G = a; B = v;case 5: R = v; G = a; B = b;HSV对用户来说是一种直观的颜色模型。