肤色在各颜色空间的聚类分析
肤色分析报告
肤色分析报告1. 引言肤色分析是一种通过对人的皮肤色调进行观察和分析，从而了解个体的肤色特征和可能的相关问题的方法。
肤色分析可以提供有关皮肤健康状况、色素沉着、皮肤衰老和病理状况等方面的信息。
本报告将介绍肤色分析的方法和意义，并根据个体的肤色特征提供相应的建议。
2. 肤色分析方法肤色分析主要通过以下几种方法进行：2.1 肉眼观察肉眼观察是最基本的肤色分析方法之一。
通过对人的皮肤色调、血管分布、色素沉着、病变状况等方面进行仔细观察，可以初步了解个体的肤色特征。
肉眼观察需要在光线充足的环境下进行，并注意排除周围环境对肤色的干扰。
2.2 皮肤色素分析仪皮肤色素分析仪是一种能够精确测量人体皮肤色调和色素分布的工具。
它通过对肌肤表面照射特定光线，并通过光电传感器接收反射光信号，从而得出关于色素含量和肤色均匀性等方面的数据。
皮肤色素分析仪的使用方便快捷，并能提供可靠的肤色分析结果。
3. 肤色分析意义肤色分析在美容、医学和生理学等领域具有重要的意义：3.1 美容肤色是美容的重要因素之一。
通过肤色分析，可以了解个体的肤色特征，进而选择适合的美容产品和护肤方法。
此外，肤色分析还可以帮助了解肌肤的衰老与恢复情况，从而制定相应的抗衰老和修复策略。
3.2 医学肤色分析在医学诊断和治疗中也具有一定的作用。
通过肤色分析，医生可以初步判断个体的皮肤健康状况，发现可能存在的皮肤问题。
同时，肤色分析还可以帮助医生监测治疗效果，判断治疗进展情况。
3.3 生理学肤色分析在生理学研究中也有广泛应用。
通过对不同肤色个体的比较分析，可以了解不同种族、不同地域的人的肤色特征。
肤色分析还可以帮助研究人员了解肤色与遗传、环境等因素的关系，从而对人类生理学提供更深入的认识。
4. 肤色分析报告样例以下是一个针对个体肤色特征的简单分析报告样例：个体：李女士肤色特征：- 肤色均匀，没有明显的色素沉着- 血管分布较好，没有明显的红血丝- 面部有轻微的色素斑分析结果：根据李女士的肤色特征，可以初步判断她的皮肤健康状况良好，血液循环较好，但存在一定的色素沉着问题。
肤色的研究报告
肤色的研究报告肤色的研究报告肤色是指一个人的皮肤的颜色，是由于皮肤中的黑色素和血红蛋白的含量不同而形成的。
肤色的差异主要是由于遗传和环境因素的影响。
在人类的进化过程中，由于生活环境的改变和适应性的发展，人类的肤色也发生了很大的变化。
首先，遗传是影响肤色的重要因素。
人的肤色是由基因决定的，而基因由父母遗传给子女。
对于白种人来说，他们的肤色较浅，是因为他们的皮肤细胞中黑色素的含量较低；而对于黑种人来说，他们的肤色较深，是因为他们的皮肤细胞中黑色素的含量较高。
而黄种人和褐种人的肤色则介于白种人和黑种人之间，其黑色素的含量也相应的处于中间位置。
其次，环境因素也对肤色产生影响。
日照量是影响肤色的重要环境因素之一。
在较高纬度的地区，由于日照时间较短，阳光中的紫外线辐射较少，人的肤色相对较浅。
而在较低纬度的地区，由于日照时间较长，阳光中的紫外线辐射较多，人的肤色相对较深。
另外，饮食和生活方式也会对肤色产生影响。
例如，大量摄入含有胡萝卜素的食物，如胡萝卜、西红柿等，可以使肤色变得较红，而大量摄入含有黑色素的食物，如黑巧克力、咖啡等，可以使肤色变得较暗。
最后，肤色在不同文化中有不同的象征意义。
在一些文化中，白皙的肤色被视为高贵、美丽和身份的象征；而在另一些文化中，黑色的肤色则被视为健康、力量和神秘的象征。
这种观念在一定程度上影响了人们对肤色的态度和评价。
综上所述，肤色的差异主要由遗传和环境因素的影响所致。
肤色的研究不仅有助于了解人类的进化和适应性发展，还可以解析肤色与健康、社会文化之间的联系。
然而，我们应该摒弃对肤色的歧视和偏见，尊重每个人的不同肤色，并致力于构建一个包容和平等的社会。
肤色定量分析方法及其应用研究
肤色定量分析方法及其应用研究随着社会科技的不断进步，人们对于美的定义也在不断更新迭代，美丽的肤色成为了很多人追求的目标之一。
但是人们对于肤色的评价往往是主观的，而且难以量化指标，从而有了肤色定量分析方法的研究。
一、肤色的分类和测量肤色的分类从习惯上可以分为白色、黄色、黑色和红色等，但是这种分类并没有量化的指标，容易受到主观因素的影响。
在现代科技发达的条件下，人们可以借助各种仪器设备进行肤色测量，目前较为常用的测量方法有：1.综合角度下光学测量法：这种方法采用光谱仪专门对皮肤进行测量，并把采集来的数据加以分析解释。
2.基于色度学原理的肤色测量法：这种方法是通过色度学三基色映射原理进行测量和分析。
以上两种方法较为常用，对于肤色的测量基础比较稳定。
二、肤色定量分析方法研究肤色定量分析方法涉及到很多专业领域的研究，如组织学、生理学、生物物理学、光学等，这一方法的目的是通过各种信息处理手段，根据特定的参数进行肤色分析，并给出可量化的结果。
肤色定量分析方法的研究主要涉及到以下几个方面：1. 肤色特征参数的研究：通过测量肤色的颜色、光泽和含水量等参数，形成可量化的肤色特征。
2.肤色特征参数的分析与处理：通过相关的算法来对上述参数进行分析和计算，从而得出可定量化的肤色描述结果。
3.肤色定量分析方法的应用：肤色定量分析方法可以应用于美容美肤方面的护肤产品研究和生产过程中，在医疗保健领域也可以用于疾病皮肤病的有效研究。
三、肤色定量分析方法在美容美肤中的应用肤色定量分析方法在美容美肤领域中的应用非常广泛，主要体现在以下几个方面：1.肤色测量仪器：随着肤色定量分析技术的发展，人们开发出了各种有针对性的肤色测量仪器，这些仪器可以更加精准地测量肤色参数，从而在研发化妆品和护肤品的过程中起到了重要的作用。
2.人脸肤色分析技术：人脸肤色分析技术可以对人脸皮肤进行非常精确的测量，从而可以根据肤色分析结果，为不同肤色的人们提供更加系统和有效的美容方案。
肤色分类算法的研究和应用
肤色分类算法的研究和应用随着科技的不断进步，人工智能技术的发展越来越快速。
在计算机视觉技术中，肤色分类算法是一个重要的领域。
它可以在数字图像或视频中自动检测和识别对肤色感兴趣的区域，比如识别人脸，做人脸识别等应用。
一、肤色算法的分类肤色算法可以分为面部定向（FO）和统计模型（SM）两种基本分类方法。
1. 面部定向 (FO)这种方法的目标是面部识别，首先对输入图像进行纹理滤波，得到一张灰度图像，然后将图像分为具有相同纹理的基本块。
然后通过对所有可能的面部部件的预定义数据，找到最优部件的分类方案。
该算法是最流行的面部检测算法之一。
2. 统计模型 (SM)统计模型方法是从人类中获取的统计模型中学习肤色的属性。
这种方法的目的是提高算法的可靠性，以适应多种场景和多种性别、种族和年龄组合。
二、肤色算法的应用1. 人脸识别技术鉴于现今社会中人们对个人依赖使用智能设备的增加，人脸识别技术已经广泛应用于各种场景，如门禁系统、考勤系统等。
人脸识别技术是基于肤色分类算法，通过识别人脸上的特征，如眼睛、鼻子、嘴巴等，以此来匹配人脸识别库中的图像，从而辨认出该人。
2. 视频监控中的行人检测肤色分类算法在视频监控中的应用也越来越广泛，特别是在行人检测领域。
如何在各种光照条件下依然能够检测到行人是一个重要难题。
而肤色算法能够自动识别带有肤色的区域，从而有效提高行人检测的精度。
三、肤色算法的挑战1. 多样性人类肤色因种族、地理位置、年龄、性别等因素而存在差异，这就为肤色分类算法的设计增加了多样性，需要考虑各种情况以满足大众需求。
同时由于拍摄光线、摄像头参数等多种因素的影响，同样的人在不同的拍摄条件下的肤色也会发生变化。
2. 可靠性鲜活有效的肤色分类方法是肤色识别的重要因素之一。
而随着人类的发展，肤色的分级和分类也在不断发生变化。
因此，肤色分类算法的可靠性需要不断提高。
四、结论肤色算法的研究和应用，便于快速识别和分析数据，从而能够应用于各种领域和场景，使其中重要的领域之一就是人脸识别。
肤色在各颜色空间的聚类分析
本文深入分析研究了不 同肤色在各颜色空间下的聚类情况 ，以及 同 肤色在不 同亮度下 的聚类情况 ，证 明结论 ：尽 管人的肤色 因人种及 环境的不 同而不 同，呈现出不同的颜色 ，但是排除亮度的影 响后 ，皮肤 的色调基 本一 致。并 得出结论 ：肤 色在ＹＣ Ｃ空间 内聚类效果更好 ，更 ｂｒ 适 合做 肤色分 割。在 此基础上 ， 文对不 同肤色在Ｙ ｂ ｒ 本 Ｃ Ｃ空间 内进行分 割，得到 良好效果 。
（ 黑色肤色 ｂ）
ｆ 辨
（ ）白色 肤 色 ｃ 图 １不 同肤 色在 Ｒ Ｂ 间的 分 布 Ｇ空
（ ）白色肤色 ｃ 罔２不同肤色在Ｙ ｂｒ＿ Ｃ ｃ 间的分布 ￣ 由图ｌ 图２ 一 可以得 出，不 同肤色在Ｒ Ｂ、Ｙ ｂ ｒ Ｇ Ｃ Ｃ 空间的分布有如下 特征 ： １ 不同肤色在不 同颜色空间均分布在很小 的范围内。 ） ２ 不 同肤色在不 同颜色空 间内不是随机分布 ，而是在某固定区域 ） 呈聚类分布。 ３）不同肤色在Ｙ ｂ ｒ Ｃ Ｃ空间内分布的聚类状态要好于在ＲＧ 空间内分 Ｂ 布的聚类状态
（ ） ｄ （ ） ｅ （） ｆ
一 一
３ 总 结
一
图５不 同肤色的分割结果 由图５（ ｄ） （ ｅ）可以看出根据肤色 的聚类 特性我们能够较好 的分 割肤色 区域 ，但 由于图 （ ）中头发 区域的颜色和肤色很相近 ，所 以图 ｃ （ ）将图 （ ｆ Ｃ）中的头发区域 同样当做肤 色区域分割 出来 。因此如果要 进行手势识别或人脸识别等研究 ，需要进行进一步的处理。
２ 肤 色分 割 实验 与分 析
一 一
（ ）较 暗光 线 ｃ 图３不 同亮 度下 的 同一
通过上述分析 ，我们知道肤色在Ｙ ｂ ｒ 间的ｃ — 平面内，肤色 Ｃ Ｃ￣ ｂｃ 具有 良好 的聚类效果 。因此 ，我们 选择在 Ｙ ｂ ｒ 间内对不 同肤色进行 Ｃ Ｃ空 肤 色 分 割 ，得 到结 果 如 图５ 示 。 所
人体肤色ycrcb阈值
人体肤色ycrcb阈值1. 引言人体肤色的识别在计算机视觉领域具有广泛的应用。
其中一种常用的方法是使用YCrCb颜色空间和阈值分割技术。
本文将介绍人体肤色的基本概念、YCrCb颜色空间、阈值分割技术以及如何使用这些技术来识别人体肤色。
2. 人体肤色的概念人类皮肤的颜色因个体之间的遗传差异、地理区域以及环境条件等因素而有所不同。
然而，无论种族或地理背景如何，人类皮肤都具有一定的共同特征，这使得我们能够利用计算机视觉技术来识别和分割人体肤色。
3. YCrCb颜色空间YCrCb颜色空间是一种广泛用于图像和视频处理中的颜色模型。
它将亮度（Y）和两个差异信号（Cr和Cb）分离开来，使得我们可以更好地表示和处理彩色图像。
在YCrCb颜色空间中，亮度（Y）表示图像的明暗程度，而差异信号（Cr和Cb）则表示图像的颜色信息。
Cr分量表示红色和亮度之间的差异，而Cb分量表示蓝色和亮度之间的差异。
4. 阈值分割技术阈值分割是一种常用的图像处理技术，用于将图像中的像素分为两个不同的类别。
在人体肤色识别中，我们可以利用阈值分割技术将肤色像素与非肤色像素分离开来。
具体而言，在YCrCb颜色空间中，我们可以通过设置合适的阈值来选择出肤色像素。
通常情况下，我们会将Cr和Cb两个分量与预先确定好的阈值进行比较，并将满足条件的像素标记为肤色。
5. 如何确定阈值确定合适的阈值是人体肤色识别中非常重要的一步。
以下是一些常用的方法：5.1 直方图分析法直方图是一种统计图形，可以显示图像中每个灰度级别（或颜色）对应的像素数量。
通过观察直方图，我们可以找到一个合适的峰值作为阈值。
在YCrCb颜色空间中，我们可以绘制Cr和Cb两个分量对应的直方图，并找到峰值所在的位置。
根据经验，通常肤色像素的Cr和Cb值会集中在某个范围内，因此我们可以选择峰值附近的数值作为阈值。
5.2 试错法试错法是一种通过不断调整阈值并观察结果来确定合适阈值的方法。
我们可以选择一些具有代表性的图像样本，并手动调整阈值，然后观察分割结果是否符合预期。
肤色检测中的颜色空间
Ｊ， Ｒ
Ｇ。 Ｇ，
。 ，
那 么 这两 点具 有 相 同的 颜 色 。 同的 亮 度 。 不 Ｒ ｓｏｔ与 Ａ ｇｌ ｏ ｌｕ 分别 在 １８ ｏｓｔ ｉ ｎｅ ｐ￣ ｍ ｏ ｏ ９ ３年 与 １９ ９ ９年 的 研 究 我 们 可 以在 颜 色 色 空 间 中 去 除 亮 度 分 量 ． 持 “ ” 色 分 保 纯 颜 成 果 证 明 了在 生 物 和 物 理 上 肤 色 分 布 的一 致 性 ．他 们 的 研 究 表 量 ， 是 色 度 空 间 ｇ可 以 完 全 表 示 彩 色 ， 此 得 到 归 一 化 的 即 ） 由 明不 同人 种 的 肤 色 在 色 调 上 是 一 致 的 ．并 且 皮 肤 的 饱 和 度 特 征 ＲＧ Ｂ空 间 。 尺 有 一 定 的 稳 定 性 。Ｙ ｎ 等 圈 考 察 了 不 同种 族 、 同个 体 的肤 色 ａｇ 在 不 后 认 为 尽 管 人 类 的 肤 色 因 人 种 的 不 同 而 不 同 ．呈 现 出不 同 的 颜 色 。 是 人类 的肤 色 能 在颜 色空 间 中 聚成 单 独 的一 类 ． 影 响 肤 但 而 色值 变化 的最 主要 因素 是 亮 度 变 化 。 即人 类 的 肤 色 在 去 除 亮 度 的色 度 空 间表 现 有 聚 类 特 性 ， 种 聚 类性 可 用来 检 测皮 肤 区 域 。 这 因而 采 用 具 有 认 知 属 性 的 、能 够 将 亮 度 信 息 与 色 度 信 息 分 开 表
１ ＲＧＢ颜 色 空 间 ． 行亮 度 修 正 ． 高 了检 测 效 果 。 提 我 们 知 道 。 有 的颜 色都 可 以 由红 、 、 （ 、 Ｂ这 三种 原 ３ ＨＳ 颜 色 空 间 所 绿 蓝 Ｒ Ｇ、 １ ． Ｖ
色 组 成 。按不 同的 比例 调 配 这 三 原 色 就可 以得 出我 们 所 期 望 的 人 眼 不 能 直 接 感 觉 红 、 、 三 色 的 比例 ． 只 能 通 过 感 知 绿 蓝 而 各 种 不 同颜 色 ， 就 是 我 们 最 常 用 的 Ｒ Ｂ颜 色 空 间 ． 种 颜 色 颜 色 的亮 度 、色 调 以及 饱 和 度来 区分 物 体 ．而 色 调 和饱 和 度 与 这 Ｇ 各 可以按下式得到 ： 红 、 、 的关 系 是 非 线 性 的 ． 此 人 们 发 展 了 以 近 似 于 人 心 理 绿 蓝 因 Ｃ（） ｃ ＝Ｒ（） Ｇ（ ） ｒ＋ ｓ ＋Ｂ（ ） ｂ 上 能 感 知 的 特 性 作 维 数 形 成 的 空 间 （Ｓ Ｈ ＩＨ Ｓ等极 坐 标 空 Ｈ Ｖ、 Ｃ 、 Ｌ 括 号 内 ｒｇ ｂ分 别 代 表 Ｒ、 Ｂ 三原 色 的数 量 。 、、 Ｇ、 间 定 义 ）如 色 调 （ｕ） 饱 和 度 （ ｔ ａｏ ） 色 彩 （ ｒｍ ）亮 度 。 ｈ ｅ， ｓ ｕ ｔｎ 或 ａ ｒｉ ｃ ｏ ａ。 ｈ Ｒ Ｂ空 间 比较 简单 、 直 观 。在 工 业 中得 到 了 广 泛 的 应 用 。 ０ｇｔ ） 色调 将 一 种 颜 色 在 色 谱 中 的 某个 位 置 关 联 起来 ． 定 Ｇ ｉｈ ￣ 。 决 Ｒ Ｂ颜 色空 间 是 用 于 显 示 和 保 存 彩 色 图像 的 最 常 用 的 彩 色 空 彩 色 光 的 光谱 成分 。 Ｇ 是彩 色光 在 “ ” 面 的 特 征 ； 和 度 是 色 彩 质 方 饱 间 ， 数 视 频 摄 像 机 的 输 出 、 频 监 视 器 显 示 都 采 用 的 是 Ｒ Ｂ 的 鲜 艳 程 度 。 定 于 彩 色 光 中 混入 白 光 的 数 量 ； 度 是 彩 色 光 在 多 视 Ｇ 决 亮 颜 色 模 型 ， 般 的 图象 处 理 也 都 是 基 于 Ｒ Ｂ空 间 。 一 Ｇ “ ” 面 的 特 征 。 定 于 彩 色 光 的强 度 。 色 调 和 饱 和 度 合 称 为 量 方 决 Ｙｎ ａ ｇ等 采用 广 泛 使 用 的 Ｒ Ｂ颜 色 空 间 ．在 滤 去 亮 度 值 的 “ Ｇ 色度 ”色 度 既 说 明 了 彩 色 的 颜 色 类 别 。 说 明 了 颜 色 的深 浅程 。 又 图像 中通 过 比 较 像 素 点 的 ｒｇ值 与 肤 色 范 围来 推 断 该 像 素 点 及 度 。 、 其 邻 域 是 否 属 于人 脸 区域 。 ． ｃｗ ｒｔ 也 对 Ｒ Ｂ颜 色空 间 中 Ｋ Ｓ ｈ ｅｄ 等 Ｇ Ｈｓ 色 度 空 间 是 孟 塞 尔 色 彩 空 间 的 简 化 形 式 ． 以色 彩 的 Ｖ 是 的肤 色 检 测 进 行 了分 析 ［ ４ １ 色 调Ｏ ｕ ， ， 和 度 （ａ ｒｔｎ ｓ和 亮 度 （ａｕ ，） 要 素 来 表 － ｅＨ）饱 Ｉ Ｓ ｔ ａｉ 。） ｕ ｏ Ｖ ｌｅ ｖ － Ｒ Ｂ空 间 的 缺 点 是 Ｒ Ｂ 空 间 用 红 、 、 三 原 色 的 混 合 比 示 的 ， 于非 线 性 色 彩 表 示 系 统 。 Ｖ 色 彩表 示 方 法 同 人 对 色 彩 Ｇ Ｇ 绿 蓝 属 ＨＳ 例 定 义不 同 的 色 彩 ． Ｒ 空 间 中 两 点 的 欧 氏距 离 与 实 际 颜 色 距 的 感 知 一 致 。 在 Ｈ Ｖ 空 间 中 。 对 色 彩 的 感 知 较 均 匀 。 此 Ｇ Ｂ 且 Ｓ 人 因 离 不 是 线 性 关 系 。 颜 色 分 离 中极 易 引 起 误 分 离 ． 且 因 为 Ｒ、 Ｈ Ｖ空 间是 适 合 于人 的视 觉 特 性 的 色彩 空 间 。 Ｒ Ｂ空 间 转换 在 而 Ｓ 将 Ｇ Ｇ、 三原 色 中都 带 有 亮 度 信 息 。分 离 时常 常 会 把 一 些 有 用 信 息 为 Ｈｓ Ｂ Ｖ后 ， 信 息 结 构 更 加 紧凑 ． 个 分量 的 独 立 性 增 强 ． 色 使 各 颜 漏 掉 或 夹 杂 了其 它 的无 用 信 息 信息丢失少。 经 统 计 ， Ｒ Ｂ 色 系 坐 标 系 下 ． 肤 的 三 色 素 中通 常 仅 有 在 Ｇ 皮 Ｒ Ｂ空 间 到 ＨＳ 空 间 的转 换 关 系如 下 （ Ｒ、 Ｂ在 『， 之 Ｇ Ｖ 设 Ｇ、 ｏ１ １ 红 色 较 明 显 ， 有 较 大 的 数 值 。 由 于肤 色不 能 单 独 用 红 色 来 确 间 １ 具 但 ： 定 ， 需要兼顾绿色及蓝色 。 还 而这 样 做 一般 又不 易找 到肤 色 的 共
利用椭圆肤色模型,找出图像中的所有肤色区域
G RG B
b=
B RG B
YCbCr 颜色空间及其分布 同样 YcbCr 颜色空间是一种常见的色彩模型， 其中 Y 是指亮度， Cr 代表了光源的红色中的分量，Cb 代表了光源中的蓝色分量。 RGB 与 YcbCr 相互转换的公式[9]如下（RGB 取值范围均为 0-255）：
0.587 0.114 Y 0.299 0.5 Cb = 0.1687 0.3313 Cr 0.5 0.4187 0.0813
R 0 G + 0.5 0.5 B
R=Y+1.402（Cr-0.5） G=Y-0.34414（Cb-0.5）-0.71414（Cr-0.5） B=Y+1.772（Cb-0.5） 实现流程如下：
准备图片库
手工分割图片并建立肤色库
遍历肤色中所有像素初始化查 找表
利用模板提取肤色区
根据查找表建立模板
人的肤色在外观上的差异主要是由亮度引起的、在色度空间中， 不同人的肤色分布趋予集中在一个较小的区域内。实验表明肤色在
YCbCr颜色空间的CbCr平面上分布在一个近似的椭圆区域范围内。 搜 集不同人、不同环境下含有肤色的图像，然后通过人工剪切的方法得 到了肤色样本。这些肤色样本在YCbCr颜色空间的CbCr平面上的分布 如图1(a)所示。 从图l(a)可以看到肤色样本较为集中地分布在一个近 似的椭圆区域内。 显然我们可以通过判断一像素点的CbCr值是否落在 肤色分布的椭圆区域内来确定其是不是肤色。 所以现在问题的关键是 如何来描述肤色分布椭圆区域， 首先把CbCr平面均匀分成若干个小的 区域，并把每个小区域的中心点CbCr色度值作为该区域的代表值，然 后对采集的肤色样本进行逐一分析如果～样本落在某一小区域内， 则 该样本的CbCr色度值就以该区域的代表值替换， 这样对所有的样本分 析完毕后，再对分析所得的新样本集去掉重复出现的样本，剩余的便 是我们所要的分布较为均匀的样本集。 上述肤色样本分布均匀化的实 现过程如图2所示。 在新坐标系中构建肤色分布区域的椭圆边界方程， 而其中的关键 问题是确定出椭圆的长轴和短轴的长度。而从图3可以看出，肤色分 布区域椭圆边界长轴和短轴的长度分别为分布在两坐标轴上的端点 肤色样本A1和A2及B1和砚间的距离。
人脸检测中的肤色提取算法
文章编号:1006 2475(2005)10 0057 03收稿日期:2004 12 31作者简介:肖华(1975 ),男,湖南邵阳人,湖南师范大学计算机教学部教师,研究方向:图形与图像处理,计算数学;杨铁林(1974 ),男,湖南永州人,教师,研究方向:程序设计,数据库。
人脸检测中的肤色提取算法肖 华,杨铁林(湖南师范大学计算机教学部,湖南长沙 410081)摘要:肤色提取是人脸检测中的一个重要环节,本文提出了一种适合于在复杂背景下的人脸肤色提取算法,使人脸检测更具实际操作性。
关键词:人脸检测;肤色模型;YIQ 空间;区域生长中图分类号:TP391.41 文献标识码:AAlgorithm of Complexion Extraction in Human face DetectionXI AO Hua,YANG Tie lin(Department of Computer Education,Hunan Normal University,Changsha 410081,China)Abstract:Complex ion extraction is an important link in human face detection.This paper puts forward an algorith m of hu man face com plex i on extraction under complicated condi tions,which makes hu man face detection more practical.Key words:human face detection;complexion model;YIQ color space;region based0 引 言人脸的识别和分析可以广泛应用在个人身份识别、安检、人机交互、表情分析、唇读等应用中。
计算机人脸检测作为人脸识别、人脸分析等应用的前期步骤和首要条件,很早就受到人们的关注。
彩色空间在人类肤色识别过程中的简单应用
彩色空间在人类肤色识别过程中的简单应用[摘要] 随着对彩色空间研究的深入应用，运用计算机视觉进行物体识别的研究逐渐增多，其中人体肤色的识别已被广泛应用于各类科研当中。
[关键词] YCbCr彩色空间肤色识别高斯概率函数颜色是物体表面所具有的一种可以被感知的特征，不同物体往往具有其特有的一种或多种颜色，同一类事物往往有着相近的色彩特征，因此我们可以根据特有的颜色特征来区分相似或同种物体。
我们将通过彩色空间来分析人类的肤色特征研究建立肤色模型的可能性。
1.彩色空间的介绍彩色图像可以使用用RGB、NTSC、YCbCr、HSV等不同彩色空间进行存储，正确的选取彩色空间有时会更加方便我们的研究。
我们需要选取一个准确可靠的彩色模型来存储我们采集的肤色信息，以便于我们将人类的肤色区域从非肤色的背景中分离出来，下面介绍一下YCbCr以及RGB空间。
1.1 YCbCr彩色空间YCbCr彩色空间目前广泛的应用于各类数字视频的制作、编辑中。
该格式使用单个分量Y来表示其亮度信息，用两个色差分量Cb和Cr来保存其彩色信息。
其中的分量Cb表示得是蓝色分量与亮度Y的差，表示为(B-Y)，而分量Cr 指的是红色分量和亮度Y的差，表示为(R-Y)。
将RGB转为YCbCr，其变换公式如下：1.2 RGB彩色空间一般在RGB模型中，每种颜色的主要光谱中都包含红、绿、蓝三种成分，如图1.1所示，根据下面的这个模型，我们可以将任意一幅彩色图像都分解在3个平面上，或者说任意一幅彩色图像都由是3个独立的基色平面组成。
图1.1 RGB模型这种基于笛卡尔坐标系统的空间模型共有3个坐标轴，其分别为R,G,B。
黑色对应的为原点，白色对应的是离原点最远的顶点。
在这个模型当中，从白到黑，其灰度值分布在从原点到离原点最远顶点间的连线上，而立方体内剩下的其余各点则对应着不同的颜色，这些颜色我们可以使用从原点到该颜色点的一个矢量来表示。
1.3 彩色空间的选择目前大多数的视频以及数字图像中彩色画面的表示使用的都是RGB空间，原因在于我们可以很容易将其他类型的彩色空间转化为RGB空间，其具有通用性。
肤色遗传特征分析
肤色遗传特征分析肤色是人类遗传特征之一，它受到多个基因的控制。
人的肤色通常在种族、地理区域和气候条件的影响下有所变化。
本文旨在解释肤色遗传特征，并探讨其对人类的影响。
肤色是由皮肤中的色素决定的。
主要的皮肤色素是麦拉宁，这是一种黑色素，它由细胞内的麦拉宁细胞合成。
麦拉宁颗粒以黑色提供色素，它们的多少和分布方式在个体之间有所不同，这也是人们肤色差异的一个主要原因。
一般来说，肤色可以分为黑色、棕色、黄色和白色。
黑色皮肤通常富含麦拉宁颗粒，这是为了防止太阳紫外线对皮肤的伤害。
棕色皮肤较为常见，它在黑色皮肤和白色皮肤之间处于中间位置。
黄色皮肤则在亚洲人群中较为普遍，它由于麦拉宁的含量较少而呈现出特殊的颜色。
至于白色皮肤，则是由于麦拉宁颗粒几乎没有分布在表皮中而形成的。
遗传学研究表明，肤色是一个多基因性状。
多个基因对肤色的形成和分布起到了重要的作用，其中最重要的基因是MC1R基因。
这个基因编码着一种蛋白质，它在麦拉宁细胞中的作用是调控色素的合成和分布。
一些特定的MC1R变异可以导致肤色的改变，从而使得个体的肤色变得浅或深。
除了MC1R基因外，还有其他一些基因也与肤色有关。
TYR基因编码着酪氨酸酶，它在麦拉宁合成中起到关键作用。
另外，OCA2基因编码着麦拉宁的转运蛋白，它在麦拉宁的分布中起到作用。
这些基因的突变或变异会导致肤色的改变，从而影响个体的遗传特征。
肤色的遗传特征不仅仅与基因有关，环境因素也对肤色产生影响。
例如，阳光照射会促进麦拉宁的合成和分布，导致皮肤变黑。
气候条件也会影响肤色的形成和分布，例如在寒冷干燥的气候中，皮肤颜色常常较为浅白。
肤色对人类的影响是多方面的。
首先，肤色在个人身份认同和族群认同中起到重要作用。
人们的肤色常常与其种族和地理背景相关联，从而形成了特定的身份认同。
其次，肤色对日常生活和社会互动也产生了影响。
在某些社会中，肤色可能会导致种族偏见和歧视。
此外，肤色还会影响人们的美学观念，有些文化视某种肤色为美丽的标志，而将其他肤色视为次要的。
在（r,g）和（Cr,Cb）彩色空间上进行肤色检测
在（r,g）和（Cr,Cb）彩色空间上进行肤色检测2003年第2期计算机与现代化JISUANJ~YUXIANDAIHUA总第9o期文章编号:1006-2475(2003)02-01XY/.03在(r,g)和(Cr,Cb)彩色空间上进行肤色检测韩海(江汉大学数学及计算机学院,湖北武汉430056)摘要:提出了一种从彩色图像中检测皮肤色像点的新方法,该方法综合运用了(r,g)和(Cr,cb)彩色空间上像点分布的特征,实验表明该方法在检测的正确性上有明显的提高.关键词:皮肤色;分布;对比中图分类号:TP391.41文献标识码:ASkin-colorDetectionBasedon(r,g)&(Cr,Cb)ColorSpaceHANHai(DepartmentofMathandComputer,Jim6~nUniversity,Wuhan430056,China)Ahstr~:Presentsailewmethodtodetectskin-colorpixdsfromcoloriIl1ages,whichisbasedo nboth(r,g)colorspaceand(Cr,Cb)colorspace.Experimentsshowitsobvioussuperiorityoveranothertwomethodsusuallyused .Keyw_0rds:skin-color;distribution;comparison0引言从一幅彩色图像中检测有没有皮肤色的区域是人像识别领域的一个重要课题,现有的皮肤色检测方法多多少少存在两个方面的不足:把图像中非皮肤区域检定为皮肤色,如黄褐色的头发或接近皮肤颜色的衣服等等;漏检皮肤区域.例如参考文献中使用的方法均如此.本文提出了一种新的皮肤色检测手段,实验证明该方法在检测的正确率上比当前常用的两种方法有明显的提高.1两种常用的皮肤色检测方法目前计算机中存储的彩色图像文件都是以(R,G,B)作为彩色描述方法,我们称之为(R,G,B)彩色空间,确定一个像点的颜色需要给出该像点的R值, G值和B值三个数据,所谓24位真彩色和32位真彩色都采用这种方法描述像点.常用的皮肤色检测方法是经过对RGB值的变换后,在(r,g)彩色空间或(Y,Cr,Cb)彩色空间进行皮肤色的判断.以下是两种常用的肤色检测方法.1.1基于(Y.Cr.Cb)空间的皮肤色检测方法——方法一一个(R,G,B)表示下的像点在(Y,Cr,Cb)空间的值可以通过下面的转换得到:Y=0.299O×R+0.5870×G+0.1l40×BCr=0.500o×R一0.4l87×G一0.0813×B+l28Cb=.0.1687×R一0.3313×G+0.500o×B+l28在此基础上,最常用的皮肤色检测方法是,如果一个像点的Cr和Cb值满足133~<Cry<173,并且77≤≤127则该像点被认为具有皮肤色.1.2基于(r.g)空间的皮肤色检测方法——方法二另一个常用的方法基于(r,g)空间.首先对像点的(R,G,B)值进行规格化,即令r=PJ(R+G+B),g=G/(R+G+B)从而得到该像点在(r,g)空间上的值.由于在(r,g)空间上,具有皮肤色的像点服从二维正态分布,其分布函数是1一W(r,g)=exp{一—1[A×r—r)+2B×r—r)×(g—g)+C×(g—)]}(2)我们从实验中获得如下数据:r=0.465541g=0.308232A=6850.858128B=9227.653588C=22O07.632692在此基础上,该检测方法可以表示为:对于一个给定的阀值T1,如果一个像点的r,g值满足W(r,g)>T1,则该像点被认为具有皮肤色.在实际运用上述两种方法的过程中我们发现,这两种方法都明显存在前面所述的缺陷.2基于(Cr,Cb)空间的皮肤色检测方法——方法三(1)尽管还没有人证明具有皮肤色的像点在(Cr,Cb)空间上服从正态分布,但我们通过实验发现,分布的收稿日期:2002-07.28作者简介:韩海(1968一),男,江苏南京人,江汉大学数学及计算机学院讲师,研究方向:图像处理,模式识别.8计算机与现代化2003年第2期情况接近于正态分布.我们从133幅人物图像中截取出皮肤区域(大约2,500,000个像点),检查其分布状况,得到图1(a).作为对比,图1(b)是对这些像点在(r,g)空间上的分布情况.图l皮肤色像点在(Cr,Cb)空间和(r,g)空间上的分布我们认为,仿照方法二去检测像点的Cr和Cb值以判定是否具有皮肤色,是一个合理可行的方法. 即,皮肤色像点在(Cr,Cb)空间上大致服从正态分布, 其分布函数为w(Cr,Cb)=e{一1[A×(Cr一)+2B×(Cr一石)×(Cb一一Cb)+C×(cb一面)]}(3)从实验中我们得到如下数据:一Cr=155.0:104.7A=0.030308B:0.033536C=0.0541l8在此基础上,具体的检测方法是:对于一个给定的阀值12,如果一个像点的Cr,Cb值满足w(Cr,Cb) >3"2,则该像点被认为具有皮肤色.为了确定阀值12,我们对上述截取出的皮肤色区域的像点进行统计,使90%的点满足W(Cr,Cb)> 12,得到T2:0.12,并用同样的方法确定出T1=0. 003.根据式(3),W(Cr,Cb)>T2表示在Cr-Cb坐标中的一个椭圆形区域,即图1(a)所示的椭圆及其内部区域.因而,方法三可以描述为:如果一个像点的(Or,Cb)值落在图1(a)所示的椭圆内,则该像点具有皮肤色.图2中的(a),(b)和(c)是分别用方法一,二,三对同一幅图像进行皮肤色检测的结果.与方法二相比,方法三在判定的效果上并没有显着提高.3对方法二和方法三的改进方法二和方法三在判断像点是否具备皮肤色时都仅仅考虑被考察的像点本身,但观察人像不难发现,具有皮肤色的像点通常不是单独出现,而总是在图像中成片出现,构成一定大小的区域.因此,我们在考察一个像点时,附带着其周围的相邻像点一并考虑,这更符合皮肤色像点出现的规律.我们对方法二进行了如下改进.(d)(e)(f)图2各种方法检测皮肤色的结果在判断一个像点时,先计算出它的w值,记作Wo;而对这个像点的8个相邻像点,分别计算出它们的w值,记作w.,W2,……,W8,然后取这9个值的加权平均,令W=(2wo+Wl++…+W8)/lo(4)适当提高阀值,成为当W>1.5×T1时,该像点被判定为具有皮肤色.我们称改进后的方法为"方法四".我们还用类似的手段对方法三进行了改进,并记改进后的为"方法五".图2中的(d)和(e)分别是用方法四和方法五对同一幅图像进行皮肤色检测的结果.作为对比,我们对图2(b)和图2(c)使用了"扩张"和"侵蚀"的方法处理,发现其结果不如方法四和方法五得到的结果.4综合方法四和方法五得到的新方法从图2可以看出,方法一和方法二(方法四)都过多地把位于头发部分的像点判断为皮肤色,而方法三(方法五)则过多地把脸部较亮的皮肤色像点判定为非皮肤色,因此,把方法四和方法五结合起来可以得到更好的结果.方法二本身还存在一个严重的缺陷,对于一个亮度值较低的像点,运用方法二进行检测时往往出现错误.这是由r,g值的计算方法本身决定的.在一幅图像中,人像的皮肤部分往往都具有中等亮度值,反之亮度过小的像点就不应该是皮肤色.比如一个像点的(R,G,B)值分别为(138,90,72),经计算,该点的亮度值(即(1)式中的Y值)是102,而(r,g)值是(0.46,0.30),方法二将把该点判定为具有皮肤色.当该点的(R,G,B)值分别取原值的116,变为(23,15,12)时,亮度值将变为17,已经接近于黑色,但是,由于(r,g)值未变,方法二仍将认为该像点是皮肤色.但是,方法三将判定前者为皮肤色而后者不是.在对低亮度像点进行判定时,方法三明显优于方法二.同样,低亮度情况下方法五优于方法四.在实验中我们还发现,在像点的亮度值较高时,方法四又优于方法五.鏖㈦2OO3年第2期韩海:在(r,g)和(Cr,cb)彩色空间上进行肤色检测9 图3三种方法检测效果的对比由此,我们确定的新检测方法(记作方法六)是,对亮度较低的像点用方法四,对亮度较高的像点用方法五.具体说来,先用方法四和方法五检验图像中的所有像点,找出两种方法都判定为皮肤色的像点,计算出所有这些像点的平均亮度值,记作rI3,然后对所有亮度值大于rI3的像点用方法五,亮度值不大于rI3(上接第6页)人可以使水电站在其自身范围内根据数据关联性等特点和所解决问题的特征产生系统知识库中并没有的知识,达到自学习功能.这无疑提高了决策所需知识的完备性,进一步提高了为决策所提供信息的准确性和可靠性,为更好地进行决策提供了基础.图l基于DM和KDD的水电站优化调度的基本结构知识向量集的拓扑空间概念的建立,使知识成为拓扑空间中的元素,进而使知识的表示与知识本身在拓扑空间中的数量属性紧密联系在一起,从而使知识能通过其所示向量进行拓扑运算,克服了现有知识表的像点用方法四进行肤色判定.图2(f)是用方法六进行检测的一个实例,图3是方法四,方法五和方法六检测结果的对比.图3中左边一栏是用方法四的结果,中间一栏是用方法五的结果,右边一栏是用方法六的结果.我们从人像数据库AR—database中选取了正面,中等光照条件下拍摄的照片,共399幅,其中男性的照片225幅,女性的照片174幅,用方法一到方法六分别进行了皮肤色检测,结果表明,方法六比其它方法在检测的正确性上有明显提高.参考文献:【1]RyoichiNagata,TsuyoshiKawaguchi.FaceDetectionUsing Color,IntensityandEaseInfonnations[A].Proceedingsof ITC.csccEc].1999.249—252.[2]Y oung-I1Kim,Jung-HoonKim.IndividualFacialRecognition AlsorithmUsingCol0randFacialAngle[A].Proceedingsof ITC—csccEc].2OOO.893—896.[3]CWJumg,JSKim.FaceDetectionAlsorithmUsingSkin- colorDistributionandFacialFeaturesinColorIIIla艄[AJ. ProceedingsofITC.csccEc].2OOO.897—9OO.示方法对知识难以量化和运算的弱点.本文提出的基于拓扑空间向量集的不确定性知识表示方法正是上述思想的具体操作,该方法便于知识的推理运算.参考文献:[1]Ming-SyanChen,JiaweiHan,PhilipSYu.DataIIli血lg:an overviewfromdatabaseperspective[A].Sh~shi:FudanIn. temationalDataMi|liIlgConference[C].1998.12—15.[2]肖利,金远平,徐宏炳.基于多维标度的快速挖掘关联规则算法[J].软件,1999,10(7):749—753.[3]李书涛.决策支持系统原理与技术[M].北京:北京理工大学出版社,1996.[4]胡侃,夏绍玮.基于大型数据仓库的数据采掘[J].软件,1998(1).[5]陈滢,徐宏炳,王能斌.DBMSWeb支持框架的研究[J]. 计算机研究与发展,1998(6).[6]RSrikant,RAsraw~.Miningquantitativeassociationrulesin larrelationaltables[A].ProceedingsoftheACMSIGMOD ConferenceOnManagementofData[C].1996.1一l2.[7]JLun,MHDunham.Miningassociationrules:Anti.skewa1. gorithmslAJ.ProceedingsoftheInternationalConferenceon DataErl舀IleIng[C].Orlando,Florida,1998.[8JRNg,LVSLakshmanan,JHan,APang.Exploratorymining andpruningoptiwi,~tiomofconstrainedassociationsrules[A]. ProceedingsofACMSIC.MODInternationalConferenceon ManagementofData[C].Seattle,wasllington,1998.1324.重筮譬爹。
基于多色彩空间的肤色检测研究
中图分 类号 ： Ｔ Ｐ ３ ９ 文献标 识 码 ： Ａ 文 章编 号 ： １ ６ ７ ３ — ６ ２ ９ Ｘ（ ２ ０ １ ３ ） １ ０ — ０ ２ ５ ０ — ０ ３
ｉ ｎ ｔ ｏ Ｙ ＵＶ， Ｙ Ｉ Ｑ ｎｄ ａ Ｈ Ｓ Ｉ ｃ ｏ ｌ ｏ ｒ ｓ ｐ ａ ｃ ｅ ｉ ｎ ｆ ｏ ｍａ ｒ ｉ ｔ ｏ ｎ ｒ ｅ ｓ ｐ ｅ ｃ ｉ ｔ ｖ ｅ ｌ ｙ ， ｃ ｏ ｍｂ ｉ ｎ ｅ ｄ ｗ ｉ ｈ ｔ ｓ ｐ ａ ｃ ｅ ｃ ｈ ｒ ｏ ｍａ ｔ ｉ ｃ ｉ ｔ ｙ， ｈ ｕ ｅ ａ ｎ ｄ ｓ ａ ｔ ｕ ｒ ａ ｔ ｉ ｏ ｎ ｔ Ｏ ｄ ｏ ｉ ｍａ ｇ ｅ ｔ ｈ ｒ ｅ ｓ ｈ ｏ ｌ ｄ
赵 艳 妮 ， 郭 华磊
（ １ ． 陕西职业技术学院 计算机科学 系， 陕西 西安 ７ １ ０ １ ０ ０ ；
２ ． 西 安通信 学院 ， 陕西 西安 ７ １ ０ １ ０ ６ ）
摘 要： 针对 图像 处理 中人 的肤 色 区域不 能快速 正 确识别 以及人 的肤 色 相似 区域 误识 别 为 肤色 区域 的 问题 ， 通 过 采集 大
ＺＨＡＯ Ｙａ ｎ—ｎ ｉ ． ＧＵＯ Ｈｕ ａ —ｌ ｅ ｉ
（ １ ． Ｄ ｅ ｐ ａ ｒ ｔ ｍｅ ｎ ｔ ｏ ｆ Ｃ ｏ ｍｐ ｕ ￣ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ， Ｓ ｈ ａ ｎ ｎ ｘ ｉ Ｖ ｏ ｃ ａ ｔ ｉ ｏ ｎ ａ ｌ＆Ｔ ｅ ｃ ｈ ｎ ｉ ｃ ｌ ａ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ， Ｘｉ ’ ａ ｌ ｌ ７ １ ０ １ ０ ０， Ｃ ｈ ｉ ｎ ａ ；
复杂光照下,人脸肤色检测方法
收稿日期:2010-01-07;修回日期:2010-02-26。
基金项目:国家自然科学基金资助项目(60573125;60873264);上海市2007年科技攻关重点项目(075115002)。
作者简介:李全彬(1977-),男,山东临沂人,讲师,博士研究生,CCF 会员,主要研究方向:人工智能、网络信息系统; 王小明(1977-),男,浙江金华人,讲师,博士研究生,主要研究方向:数字图像处理、模式识别; 刘锦高(1948-),男,上海人,教授,博士生导师,主要研究方向:人工智能、光纤通信、移动通信; 李明(1955-),男,上海人,教授,博士生导师,主要研究方向:信号处理、通信与信息系统、计算机科学、测试与控制。
文章编号:1001-9081(2010)06-1594-03复杂光照下的人脸肤色检测方法李全彬1,2,王小明1,刘锦高1,李 明1(1.华东师范大学信息科学技术学院,上海200062; 2.徐州师范大学物理与电子工程学院,江苏徐州221116)(liqb z y @163.co m )摘 要:复杂光照对人脸肤色检测具有重要影响。
在YCbCr 颜色空间建立复杂光照条件下的人脸肤色模型,然后利用该模型检测人脸图像的肤色区域,并对检测结果利用4-连通区域的几何特征消除非人脸区域,最后利用连通元复原误检的人脸肤色区域。
实验结果表明,该方法可以实现复杂光照下人脸肤色区域的准确检测。
关键词:YCbC r ;肤色模型;人脸肤色检测;光照多变;4-连通元中图分类号:T P391 文献标志码:AFace ski n color detecti on i n co mplicated illu m i nati on conditi onsL I Quan-b i n 1,2,WANG X iao -m i n g 1,LI U Ji n -gao 1,LI M i n g1(1.S chool o f Infor m ation S cience and Technol ogy,Ea st Ch i na Nor m al University ,Shangha i 200062,C hina ;2.Colle g e of Physics and E lectronic Eng i neeri ng,X uzhou N or m al Universit y ,X uzhou Jiang su 221116,Ch i na )Abstract :F ace ski n co l o r detecti on i s sensitive to ill u m i nati on v ariati ons .T h i s paper presented a novelm ethod t o detectthe face s k i n co l or reg i ons i n co m plica ted ill u m i nati on conditions .F irstl y ,a sk i n co l o r m ode l in comp licated ill um ina ti on conditi ons w as crea ted using YCbCr co lor space .Second l y ,the sk i n co lor m ode l w as appli ed to detect t he face sk i n co l o r reg ions i n the inpu t i m age .F i na ll y ,the 4-connec ted reg i ons w ere calculated i n the detecti on resu lt and be used to e li m i nate the non -face reg ions and recover the real face reg ions .The exper i m enta l results de m onstrate t hat t he proposed m e t hod can de tect the face sk i n color reg i ons correctl y i n co m plica ted ill u m i nati on conditions .K ey words :Y Cb C r ;sk i n color mode;l face sk i n co lor detecti on ;different ill u m i nation cond iti on ;4-connected reg i on0 引言人脸检测是人脸识别的重要组成部分,是模式识别和人工智能领域最复杂和最重要的工作之一,可广泛应用于安全控制、监控系统、人机交互等领域。
复杂背景下基于YCbCr颜色空间和Mini-Batch聚类的肤色检测
复杂背景下基于YCbCr颜色空间和Mini-Batch聚类的肤色检测陈涛;云利军;程飞燕;王坤【摘要】针对复杂背景下的人体彩色图像,提出了一种基于YCbCr颜色空间和Mini-Batch聚类的肤色检测算法.算法首先将目标图像转换到YCbCr颜色空间,并在Cb和Cr分量上进行统计建模,得出肤色阈值的高斯分布模型;然后采用Mini-Batch聚类算法在Cb和Cr分量上对肤色进行聚类分割,并对分割出的肤色区域进行面积过滤和区域归并,最终获得完整的肤色区域.仿真结果表明,相比传统算法,该算法对光照变化具有很好的鲁棒性,在背景复杂的人体图像中,能够得到较为完整、准确的肤色区域;同时该算法对大尺寸的图像具有较高处理效率.%In this paper,we propose a skin color detection algorithm based on YCbCr color space and Mini-Batch clustering for color images in complex background.Firstly,the target image is converted to YCbCr color space,and statistical the color threshold of Gauss distribution model in Cb and Cr component;then using Mini-Batch clustering algorithm to segment skin color in Cb and Cr component,and using region merging and filtering area of skin color region segmentation,finally get the pure skin color pared with the traditional algorithm,the simulation results show that this algorithm has good robustness to illumination changes in body image with complicated background,and it can get the skin region more complete and accurate;at the same time,the processing efficiency of algorithm for large size image is higher than the traditional color clustering detection algorithm.Our algorithm can improve the detection speed of 20％.【期刊名称】《云南师范大学学报（自然科学版）》【年(卷),期】2017(037)005【总页数】7页(P27-33)【关键词】Mini-Batch聚类;YCbCr颜色空间;肤色检测;聚类分割;区域归并【作者】陈涛;云利军;程飞燕;王坤【作者单位】云南师范大学信息学院,云南昆明650500;云南师范大学信息学院,云南昆明650500;云南师范大学信息学院,云南昆明650500;云南师范大学信息学院,云南昆明650500【正文语种】中文【中图分类】TP391.41肤色是人体表面最为显著的特征之一，在与人体有关的各种机器视觉系统中，肤色检测技术正得到越来越多的应用,如人脸检测与识别[1]、表情识别[2]、手势识别[3]、基于部分内容的图像与视频检索[4]、新的人机接口技术、肌体检测和黄色图片过滤等.针对肤色检测问题，目前已有不少学者做了大量研究.理论研究中，传统肤色检测算法主要有两大类，分别是基于固定阈值范围的肤色检测[5]和自适应阈值的肤色检测[6].固定阈值范围的肤色检测算法，是通过在特定的颜色空间中，利用统计学知识对大量肤色图片进行统计分析，最终确定肤色阈值的大致范围.例如在文献[5]中，作者通过对色度的统计分析得出肤色在HSV颜色空间的大致范围是H:[0,50]、S:[60,150]及V:[20,255],只要色度符合该范围的像素点皆认为是肤色点.该算法思路简单，容易实现，只需要将所有的像素点顺序遍历，并判断每个像素点是否在肤色空间范围内即可.但由于不同人种的肤色差别较大，分布范围不一致，采用固定阈值分割，容易导致结果不准确.为此，文献[6]提出了自适应阈值分割算法，该算法采用最大类间方差思想，通过多次迭代可得到较为合理的肤色阈值，改进了固定阈值范围的不足，排除了光照变化的影响，得到了较为准确的肤色区间，但该算法在图片背景复杂的条件下，分割的肤色区域不连续，而且容易产生肤色空洞，同时对大尺寸图片的处理耗时较长，不利于大数据环境下批量的肤色检测.为此，本文提出一种基于YCbCr颜色空间和Mini-Batch聚类算法的肤色检测方法，对复杂背景下的图片进行肤色检测.首先将含肤色的图片在YCbCr颜色空间中进行分解，去除Y分量得到所有像素点的肤色特征向量.然后利用Mini-Batch将得到的肤色特征向量进行聚类分析，并对聚类后的每一类做均值滤波和区域归并处理.最后求出每一类中像素点的均值，利用肤色判决公式判断该区域是否是肤色.具体流程如图1所示.3.1 YCbCr肤色空间分析大量分析研究表明，在不同的颜色空间，肤色的分布是不一样的，在去除光照变化的条件下，肤色在某些颜色空间中，具有恒长性[7]，即肤色区域在单独分量上其颜色值集中在某个固定范围内.因此，在肤色检测问题中，找到一种合适的颜色空间极为重要.目前在人眼的色彩视觉系统中，常用的颜色空间有6种，分别是RGB、YIQ、CMYK、YUV、HSI和HSV，使用最广泛且最为人所熟知的是RGB颜色空间.该颜色空间由三个基分量R(红色)、G(绿色)和B(蓝色)组成，俗称三原色，如图2(a)所示.在RGB颜色空间中，三个颜色分量都和亮度信息有很大的关联性，将一幅RGB彩色图像分割后，得到的三个分量都携带着亮度信息，因此在一些需要排除光照干扰的场合，使用RGB颜色空间有很大的局限性.HSI颜色空间模型如图2(b)所示，是一种从人体的视觉系统出发，用色调(Hue)、饱和度(Saturation)和亮度(Intensity)来描述色彩的颜色模型.其中色调表示人体感官感受到的不同颜色，如红、绿、蓝等；饱和度表示颜色的纯度，饱和度越高，颜色越鲜艳；亮度对应着颜色的明亮程度，亮度越高图像越亮.HSI颜色空间不仅更加符合人眼的视觉系统对不同颜色的感受，同时，还可以将亮度和色度信息分离，排除光照的影响.但是在HSI颜色空间下，H分量被定义在[0,2π]的范围内，S分量被定义在[0,1]的范围内，区间范围较小，当颜色的色调和饱和度有微小的变化时，总体呈现的视觉颜色波动较大，并且对于彩色图片的H和S分量，由于灵敏度高，包含的色彩信息更复杂，不利于肤色特征分量的提取和统计.YUV[8]的颜色空间，即YCbCr颜色空间，其颜色被分为三个分量，其中Y代表亮度成分，Cb代表蓝色分量，Cr代表红色分量.该颜色空间可以由RGB颜色空间转换得到，具体转换公式如下：肤色在色度上具有聚集性[10]，为了验证肤色在YCbCr颜色空间的聚集性，本文手动截取了100张人体不同部位的分辨率为100×100的jpg肤色图片(图3(a))，对其色度进行统计分析，结果如图3(b)所示.可以看出肤色色度大量集中在Cr分量上，同时Cb分量也占有较大比例.肤色在Cb和Cr分量上的这种聚集性，有利于在复杂背景条件下肤色的检测，因此本文选用YCbCr作为肤色检测的颜色空间. 3.2 肤色阈值建模由图3对肤色的分析统计可知，肤色在Cb和Cr分量上较为集中，研究表明肤色在Cb和Cr分量整体上满足二维高斯分布模型[9].为了得到合理的肤色阈值，找出二维高斯分布模型中Cb和Cr的最佳期望值M和协方差值C，将图3(a)中肤色的图片增加到500张，将其在YCbCr空间下分离出Cb和Cr分量来确定高斯模型的参数.二维高斯模型的参数确定过程如下.图片的Cb和Cr的均值，即肤色均值向量M为图片的Cb和Cr的方差，即方差向量S为由协方差矩阵公式可求出Cb和Cr的协方差矩阵C，得由公式(1)、公式(3)可得最终的二维高斯分布模型为在本文中，可得肤色均值向量M和协方差矩阵C为仿真实验得到的二维高斯肤色分布模型如图4所示.由标准二维高斯分布曲线特性可知，在(μ-σ,μ+σ)内正态曲线所占的面积占整个曲线分布面积的68%.即在该区域内，事件出现的概率较高.因此本文最终的阈值判决公式为3.3 Mini-Bath聚类分析聚类分析作为一种有效的数据分析手段，在图像检索和图像聚类领域中有着广泛应用[10].Mini-Batch聚类算法是K-Means算法的变种，该算法采用小批量的数据子集来减少计算量，相比传统的K均值聚类，Mini-Batch在每次迭代更新质心的过程中，是从样本空间中随机选取小批量样本，而不是对整个样本空间中的样本数据来进行更新计算.实验证明Mini-Batch聚类比K-Means有更快的收敛速度，在聚类数据量较大时，可以有效地减少计算时间.本文测试了在200万个数据样本点下，两种算法的聚类效果分析，如图5所示.从实验结果可以看出，在200万个数据点下，Mini-Batch的聚类速度比K-Means均值聚类提高了35%.因此，本文采用Mini-Batch聚类算法.此外在聚类中心初始化时，不再使用随机选择的方式，而是将K个初始聚类中心点的值手动选取，每两个初始中心点的距离为255/K，确保初始聚类中的中心点间的相互距离尽可能远.结合肤色颜色空间，聚类的具体过程如下：(1)将RGB彩色图像转换到YCbCr颜色空间，分离出Cb和Cr分量，形成一个(Cb,Cr)二维矩阵.(2)基于K-Mean++[11]算法，在(Cb,Cr)矩阵中选定K个相距较远点作为中心点.(3)迭代过程中，采用Mini-Batch的方式进行.按照K-Mean++算法，每次从实验样本中随机抽取部分样本点组成一个Batch，然后使用这个Batch对聚类中心进行更新.(4)重复迭代过程，直到迭代结果收敛到指定的范围.本文中，通过CH指标来选取最适合的聚类族数K值，其计算公式为其中，n表示聚类的数目，k表示当前的类，trB(k)表示类间离差矩阵的秩，trW(r)表示类内离差矩阵的秩.CH指标通过计算各类中心点与数据集中心点距离的平方和来度量数据集的分离度，由分离度与紧密度的比值得到.对于聚类问题来说，类间离差表示类自身的紧密程度，若该值越小则类间越紧密.类内离差表示类与类之间的距离，若该值越大，则类类之间分散.由公式表示的意义可以看出类间离差越小，类内离差越大，CH值越大，聚类效果越好.3.4 区域过滤及归并对分割后的每块区域进行形态学腐蚀操作，除去离散的噪声点，同时算出聚类后的每块区域在(Cb,Cr)上的均值.计算该均值到肤色阈值高斯模型中心点的距离，若满足(7)式，则该区域为一个肤色区域，将其标记为Ki,否则该区域为非肤色区域，不做处理.最后对所有的区域Ki归并，得到完整的肤色区域.为了测试肤色检测的效果，本文从检测准确度和检测速度两个方面来进行测试，分别用固定阈值分割算法和自适应阈值算法与本文的算法作对比实验.首先测试肤色检测效果，选取含有肤色的jpg格式图片，分辨率为640×480.使用文献中的肤色检测算法和本文算法进行对比实验，效果如图6所示.由实验结果可以看出，本文算法在背景复杂的图片下，相比较固定阈值算法，对肤色区域的分割更加准确，产生的噪声点大大减少.相比较自适应阈值分割，分割的肤色区域更加完整，产生的肤色空洞较少.为了测试本文算法的检测效率，选取了含有人体肤色的200张不同背景、分辨率为640×480的jpg格式图片，分别使用三种算法进行肤色检测，求其检测的平均时间，结果如图7所示.可以看出，本文算法在检测时间上比固定阈值算法慢15%左右，比自适应阈值算法快20%左右.结合YCbCr颜色空间和Mini-Batch聚类算法，提出了一种在复杂背景下大尺寸图片的肤色检测算法，该算法弥补了固定阈值算法中的缺陷，改进了自适应阈值算法的不足.仿真实验结果表明，在检测效率和检测速度上都可以达到理想的程度，该算法对复杂背景下的大尺寸彩色图片有较好的肤色识别效果，并且与传统的自适应阈值分割算法相比，检测速度可提高20%左右.【相关文献】[1] 杨国林,冯乔生,张亚萍.基于肤色的人脸检测综述[J].软件,2013,34(3):7-9.[2] 杨恒,张再军,杨东,等.融合YCbCr肤色模型与区域标记的人脸检测算法研究[J].软件导刊,2016,15(2):41-43.[3] 张彤,赵莹雪.基于肤色与边缘检测及排除的手势识别[J].软件导刊,2012,11(7):151-152.[4] 黄磊.基于属性的人物图像检索关键技术研究[D].北京：中国科学院大学,2013.[5] 徐莉.基于统计颜色模型的肤色检测器[J].福建电脑,2008 (3):173,169.[6] 张明吉,王伟强,郑清芳，等.静态图像中的自适应阈值肤色检测算法[J].计算机研究与发展,2006,43(9):1674-1680.[7] 江凤兵.基于RGB-H-CbCr新颜色空间的肤色检测算法研究[J].科技广场,2011 (9):34-38.[8] 华晓彬,袁明新,王彬彬，等.基于肤色正态分布模型的自适应人脸动态检测[J].江苏科技大学学报：自然科学版,2016,30(2):162-166.[9] 周丽娟,王慧,王文伯，等.面向海量数据的并行K-Means算法[J].华中科技大学学报：自然科学版,2012(S1):150-152.[10]许晓丽.基于聚类分析的图像分割算法研究[D].哈尔滨：哈尔滨工程大学,2012.[11]AGARWAL M,JAISWAL R,PAL A.K-means++ under approximationstability[C].International Conference on Theory and Applications of Models of Computation,Hong Kong,China,May 2013:20-22.。
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。
肤色不同的调研报告
肤色不同的调研报告肤色不同的调研报告近年来，随着全球化和人口流动的加剧，人们越来越关注肤色的多样性。
为了深入了解肤色不同的影响和问题，我们进行了一项调研研究。
本次调研主要包括问卷调查和个别面谈，以获取来自不同肤色人群的观点和经验。
首先，我们希望了解人们对肤色的看法。
根据调查结果，多数受访者表示肤色对个人形象和自信心有一定影响：41%的受访者认为肤色对他们的自尊心产生过负面影响，35%的受访者认为肤色不同可能导致对他们的歧视。
然而，也有部分受访者表示不同肤色无关紧要，他们更看重的是个人的品质和能力。
其次，我们关注肤色不同可能带来的不公平待遇。
调查显示，56%的受访者表示曾经因为肤色受到过不公平对待，其中包括工作机会的限制、社交圈的局限等。
此外，有 45%的受访者称自己曾经遭受过肤色歧视的辱骂和暴力行为。
这些结果表明，肤色不同确实可能导致社会不公平和歧视现象的存在。
对于这些问题，我们还对受访者的态度和观点进行了分析。
结果显示，大部分受访者认为社会应该更加尊重和包容肤色不同的人群。
许多人表示希望政府制定更为严格的法律，保护每个人的平等权益。
此外，一些受访者还提出了教育的重要性，认为通过开展多元文化教育和宣传活动，可以增加对肤色多样性的认识和理解。
最后，我们就如何改善肤色不同所带来的问题提出了一些建议。
首先，政府应加强立法和执行力度，确保每个人都能享有平等权益。
其次，教育部门应推广多元文化教育，培养学生的宽容和接纳不同肤色的意识。
此外，社会各界应鼓励多元化的交流和合作，打破肤色壁垒，促进社会和谐发展。
总结起来，本次调研从肤色不同的视角探讨了个人形象、社会问题和解决方案。
通过这一调研，我们更加深入地理解了肤色差异背后潜在的挑战和机遇，为促进肤色平等和多元化社会作出了研究贡献。
这一调研结果将有助于引起更多人的关注，并推动更多措施的实施，以增进不同肤色人群的权益和共同发展。
基于灰色预测的人类肤色变化分析讲解
摘要本文将黑、白、黄视为三个相互作用的种群模型，每个种群都具有一个种群数量和种群的基因倾向。
不同肤色人种的人口数量组成了人口向量，利用灰色预测我们建立了各种群发展的一阶微分模型。
不同肤色人种的基因库的基因具有相互倾向，其可以用一个基因倾向矩阵表示，肤色间的倾向矩阵，表示某种肤色的基因库向另一种肤色的基因库的靠近程度，一种肤色的基因库倾向其他肤色基因库的系数定义为倾向系数。
联合分析各肤色人种的人口向量和基因倾向矩阵，可以达到一个经过某种因素的影响后重新评估的人类肤色比重向量，即定义人类肤色比重向量为倾向矩阵与人口向量的乘积。
由人口肤色比重向量的数学关系式便可以解释和验证肤色变化的原因，而后根据相关数据便可得到人口肤色比重向量的微分方程，从而预测未来肤色的变化。
对于问题一，本文将人类按照肤色的不同，分成黄、黑、白三种并构建三个肤色基因库的种群模型，各种群之间既有种内作用，又有种间作用。
不论何种作用，其都是通过改变人口向量或基因倾向矩阵来使人类肤色比重向量发生变化从而使人类肤色发生变化。
如果某种因素致使倾向矩阵发生变化，或致使某种肤色人种的比重发生改变，则可以认为该因素是干扰人种肤色变化在500-1000年内的可能原因，首先根据史实找出可能的主要因素，然后结合数学模型对各个原因详细分析其影响肤色变化的机理。
对于问题二，可以建立灰色预测模型，检验“战争”因素与500-1000年内人种的肤色变化关系。
不妨以美国的独立战争和南北战争为例，根据战争前不同肤色的人种比重预测之后年份的不同肤色的人种比重，然后比较预测值与实际值的偏差，若在战争中或战争后不同肤色的人种的预测值与实践值相差较大，而在战争前预测值与实际值大致相同，则可说明“战争”因素与人种肤色变化的关系较大。
战争可以影响人口向量的变化，人口向量的变化必然会导致基因倾向矩阵模型的改变，从而影响人种肤色的未来变化。
对于问题三，利用灰色预测建立人口向量的微分方程，即用过去的世界人种肤色分布的数据来预测未来的人口向量和基因倾向矩阵，将其他因素对模型的影响视为外界扰动，即考虑其他影响肤色分布的因素时只需加上一个相关因素的扰动范围即可，由此而作出比较准确全面的预测。
基于YCgCr颜色空间的光照自适应的肤色区域检测_王建国
Garcia＆Tziritas基于肤色信息 在 CbCr色度 空间 的分 布建 立肤色模型 , 而忽略了亮度信息 , 认为 肤色在 YCbCr颜 色空间 分布与亮度信息无关 , 仅与色度信息有关 。 该模型仅适用于标 准光源均匀照射的情况 , 当 光源种 类偏离 标准光源 时 , 或者当 光照不均匀产生高光 [ 9] 和阴 影时 , 就不能 正确检 测肤色区 域 。 亮度信息是 否对 本文 的目 标检 测有 意义 ? 回答 是肯 定的 , 因 此 , 本文在建立肤色模型时考虑了亮度信息 。
IlluminationadaptiveskincolorregiondetectionbasedonYCgCrcolorspace
WANGJian-guo1, 2, HUAJi-zhao1, 3, YANGJing-yu1 (1.SchoolofComputerScience＆ Technology, NanjingUniversityofScience＆ Technology, Nanjing210094, China;work＆ Education Center, TangshanCollege, TangshanHebei063000, China;3.CollegeofInformation＆ Engineering, YangzhouUniversity, YangzhouJiangsu 225009, China)
第 25卷第 2期 2008年 2月
计算机 应用研究 ApplicationResearchofComputers
Vol.25 No.2 Feb.2008
基于 YCgCr颜色空间的光照自适应的 肤色区域检测 ＊
王建国 1, 2 , 华继钊 1, 3 , 杨静宇 1
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
肤色在各颜色空间的聚类分析
摘要肤色是人体表面最显著的特征之一。
对不同肤色在RGB、YCbCr颜色空间内和同一肤色在不同亮度环境下的聚类情况进行深入的分析研究,发现肤色在YCbCr空间内聚类效果更好,更适合做肤色分割。
然后在此基础上对黑色肤色、黄色肤色及白色肤色在YCbCr空间内进行肤色分割,达到较好的分割效果。
关键词肤色;颜色空间;肤色分割;YCbCr空间
肤色是人体表面最显著的特征之一,由于它对姿势、旋转、表情等变化不敏感,因此将人体的肤色特征应用于人脸检测与识别、表情识别、手势识别具有很大的优势,所以肤色特征是人脸识别、表情识别、与手势识别中最为常用的分割方法。
然而,若要利用肤色进行分割,我们首先应该对肤色以及肤色的聚类情况进行分析。
世界上的人种主要有三种,即尼格罗—澳大利亚人种(黑色皮肤),蒙古人种(黄色皮肤),欧罗巴人种(白色皮肤)。
尽管人的肤色因人种的不同而不同,呈现出不同的颜色,但是有学者指出:排除亮度、周围环境等对肤色的影响后,皮肤的色调基本一致。
本文对在不同环境下的不同肤色进行取样,然后分别在RGB、YCbCr颜色空间进行统计,从而对比分析肤色在各颜色空间聚类的情况。
1肤色在各颜色空间的聚类比较
1.1不同肤色在RGB和YCbCr颜色空间上的分布
图1—图2给出了黄色、黑色和白色肤色分别在RGB、YCbcr空间的分布情况。
由图1—图2可以得出,不同肤色在RGB、YCbCr空间的分布有如下特征:
1)不同肤色在不同颜色空间均分布在很小的范围内。
2)不同肤色在不同颜色空间内不是随机分布,而是在某固定区域呈聚类分布。
3)不同肤色在YCbCr空间内分布的聚类状态要好于在RGB空间内分布的聚类状态。
4)不同肤色在亮度上的差异远远高于在色度上的差异。
1.2肤色在不同亮度下的分布
图3—图4给出了不同亮度下的同一肤色分别在RGB、YCbCr空间的分布情况。
图(a)至图(d)的肤色来源于同一人在不同亮度下的照片。
由图3—图4可以总结出不同亮度下的同一肤色在RGB、HSV、YCbCr空间的分布有如下特征:
1)在不同亮度下的同一肤色范围在RGB空间内的变化很大,也就是说在RGB 空间内,肤色范围与亮度变化有高相关性。
2)在不同亮度下的同一肤色范围在YCbCr空间内的变化很小,只是亮度值Y 随外环境的变化而变化。
1.3小结
从以上对不同亮度下的不同肤色在各颜色空间的分布情况的研究,我们可以得出以下结论:
1)不同肤色在不同颜色空间均分布在很小的范围内。
2)不同肤色在亮度上的差异远远高于在色度上的差异。
3)不同亮度下,在YCbCr空间内亮度范围的变化量很大,而色度范围的变化量很小。
4)在YCbCr空间比在RGB空间更适合做肤色分割。
2肤色分割实验与分析
通过上述分析,我们知道肤色在YCbCr空间的Cb-Cr子平面内,肤色具有良好的聚类效果。
因此,我们选择在YCbCr空间内对不同肤色进行肤色分割,得到结果如图5所示。
由图5(d)(e)可以看出根据肤色的聚类特性我们能够较好的分割肤色区域,但由于图(c)中头发区域的颜色和肤色很相近,所以图(f)将图(c)中的头发区域同样当做肤色区域分割出来。
因此如果要进行手势识别或人脸识别等研究,需要进行进一步的处理。
3总结
本文深入分析研究了不同肤色在各颜色空间下的聚类情况,以及同一肤色在不同亮度下的聚类情况,证明结论:尽管人的肤色因人种及环境的不同而不同,呈现出不同的颜色,但是排除亮度的影响后,皮肤的色调基本一致。
并得出结论:肤色在YCbCr空间内聚类效果更好,更适合做肤色分割。
在此基础上,本文对不同肤色在YCbCr空间内进行分割,得到良好效果。
参考文献
[1]徐锦.人脸检测的自适应肤色分割算法研究[J].贵州大学学报(自然科学版),2007,24(2):171-174.
[2]陈伟,丁世飞等.基于YCbCr模型的巷道监控中矿工脸部图像识别[J].煤炭科技技术,2009,37(9):79-82.
[3]刘媛媛.基于计算机视觉的手势识别技术研究[D].沈阳:东北大学,2006.
[4]Elli Angelopoulou. Understanding the Color of Human Skin [C]. Proceeding of the SPIE Conference on Human Vision and Electronic Imaging VI (SPIE), SPIE Press, 2001, 243-251.。