1下面是归纳出的目前几种常用的方
合集下载
相关主题
- 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)。
皮肤 分 割 方法大致可分为两类：基于统计的方法和基于物理的方法。基于统 计的方法又可分为带参方法和无参方法。无论是带参的还是无参的统计方法都是 通过建立肤色统计模型进行肤色检测，主要包括两个步骤：颜色空间变换和肤色 建模．基于物理的方法则在肤色检测中引入光照与皮肤间的相互作用 通过研究 肤色反射模型和光谱特性进行肤色检测。
视频 图像 中人体 目标 的检测方 法研 究
点光源。ｓｔＯｒｉｎｇ国将双色反射模型用到多光源的肤色建模。Ｂｕｌｕｓｗａｒ国的归一 化光度函数ＮＰＦ是双色反射模型在ＮＣＣｒｇｂ颜色空间中的简化。Ｐａｖｈｄｉｓ训研究了
可见光波段及红外波段的人脸和伪装检测技术，认为稳健的室内外人脸检测与识 别系统需要可见光、反射红外和中波红外的多波段成像。可见光波段适合于人脸 识别，反射红外波段适合于人脸检测，而反射红外和热红外波段适合于伪装检测。
位精度较差，且该方法的运算效率不高。 一般 说 来 ，衡量一个算法的优劣主要考虑算法的分割质量、计算复杂度以及
算法的通用性。上述方法各有利弊，但它们的共同缺点是只能对运动的 （人体） 目标进行检测，当前景 （人体）目标长时间静止时，它们的运动特征消失而方法 失效，因此产生了基于人体生物特征的分割方法，其中研究最多的是通过人体皮 肤检测方法来检测视频图像中的人体目标。 １１ 基于皮肤特征检测方法
在非 参 数 肤色模型中，直方图交叉１２５，２６］和直方图查找表【６４］常用在肤色跟
踪中。例如文献 【２７邓１通过在 Ｈｓ直方图上做直方图反向投影快速跟踪彩色人 脸区域，ｓｏｒｉａｎｏ ｌ２９１的肤色模型更新利用肤色搜索区中落入肤色轨迹范围的像素
进行直方图反向投影来完成肤色跟踪。ｓｔｅｒｎ 阅发现在 ＲＧ，ｒｇ，Ｈｓ，ＹＱ ，Ｃ汉，这
些不同的ＺＤ 颜色平面间自动切换能改进人脸跟踪性能。通常，能否处理照明变 化是动态肤色模型成功与否的关键 ，也是一个肤色检测系统从室内走向室外的 前提。更普遍的是采用无参统计方法，在彩色空间中利用皮肤颜色直方图表示密 度。其主要优点是：即使肤色分布复杂也能估计概率密度函数。缺点是：直方图 方法需要大量的训练数据。通常，当直方图能正确量化和有足够的训练数据时， 无参方法更好。 （２） 基于物理的分割方法
不可控制的情况下或检测伪装人脸时比较有利。融合红外和可见光进行肤色和人
体检测与识别己经成了一种新的系统设计趋向。例，Ｌｉ侧综合考察红外可见光图
像人脸识别的优缺点，设计了结合红外和可见光波段的人脸检测与识别系统。 ｃｈｅｎｌ’］也验证了结合红外波段和可见光波段比仅用其中之一能更好地识别人脸。 Ｈｅｏｌ侧采用数据融合和决策融合两种方式结合热红外和可见光，在照明变化和表 情变化的带眼镜人脸识别中也取得了较好的结果。
ｓｈａｆ ｅｒ 叫 根据非均匀电介质的反射特性，提出一个模拟不透明的非均匀电介 质物体反射过程的数学模型，称为双色反射模型。Ｋｌｉｎｋｅｒ〔监胡改进了双色反射模
型，认为在ＲＧＢ空间中界面反射以“１”形分布在一个四边形平面中。作为Ｓｈａｆｅｒ 方法的一个变种，Ｓａｔ。以１采用序列图像为界面分量建模。这些方法都只适合于
能较差，但是在特定条件下的性能更优，能获得高检测率和低误检率‘川．
含参 统 计 方法以参数的形式表示皮肤颜色分布，例如高斯模型。但是，皮肤 颜色分布通常是多重的模型，不能用颜色空间的一种高斯模型来充分表示。因此 ， 提出了混合高斯模型，采用最大匹配 （ＥＭ）算法适应和更新基于观察数据的模
视频图像 中人体 目标的检测方法研究
还不清楚，颜色恒常性还没有适合于计算机视觉的好方案出现１１４，１习。 对于 机 器 视觉而言 ，颜色恒常性是关于物理表面光谱反射率的描述［ｌ６１，不是
人眼颜色恒常性对照明变化的容忍。因此，人们实际上更多的是研究如何使肤色 模型自动适应环境变化。目前的动态肤色建模方法可以分成两类：第 １类方法是 可以将肤色模型参数调节到适应某幅静态图像；第 ２类方法是针对序列图像，能 适应成像条件随时间的变化。这些自适应方法所建立的动态肤色模型的通用性可
外来无关事件的干扰等特别敏感。
（２）时间差分 （ＴｅｍＰｏｒａｌＤｉ月贻Ｔｅｎｃｅ）
时间 差 分 方法利用图像序列中前后几个相邻帧之间的差分来提取出图像中
的运动区域。例如ＬＩＰｔｏ ｎ等１６］利用两帧差分方法从实际视频图像中检测出运动目
标，进而用于目标的分类与跟踪；一个改进的方法是利用三帧差分代替两帧差分，
效地提取和跟踪运动目标。该方法的优点是在摄像机运动存在的前提下也能检测 出独立的运动 目标。而缺点在于计算方法相当复杂，且抗噪性能差，如果没有特
视频图像中人体 目标的检测方法研究
别的硬件装置则不能被应用于全帧视频流的实时处理。 （４）单高斯模型判定法
文献 １０） 提 出了一种背景／前景分割方法，对最初的前 １于２０ 秒视频信号，在 每个像素点上统计其灰度直方图，将出现频率最大的灰度值作为当前像素的背 景，周期性 （１００－２０帧）地重复该操作，来达到对背景的更新和维护；前景分 割方法是将背景初始化中得到的灰度直方图看成一个高斯分布，计算其标准方差
污染噪声，为了对后续的视频分割提供高质量的输入信号，并考虑实时性的要求 ， 采用了基于脉冲祸合神经网络 （ＰＣＮＮ）与改进的中值滤器相结合的滤波器对其 进行去噪处理 。
１３］将视频分为三维特征空间：颜色、空间和时间位置。每个象素与特征空间的 一个点相对应，象素点通过高斯混合模型来聚类。在模型学习后，空间和时间维 之间的高位协方差系数就能给出运动信息。采用时空法既利用了帧间时域上的强
相关性 ，又利用了帧内空间上的特征，分割效果较好。该方法中前景时空块的定
视频 图像 中人体 目标 的检测方 法研 究
（１） 基于统计的皮肤分割方法 统计 肤 色 检测的主要步骤是颜色空间变换和肤色建模。选择颜色空间本身就
是选择肤色检测的最基本特征表示，肤色模型是关于肤色知识的计算机表示，通 过训练样本集建立肤色模型是肤色检测的关键。一个实用的彩色图像肤色检测系 统必须能够处理由于成像条件变化引起的肤色变化。一般地，处理环境变化有两 种基本方法：容忍和适应。容忍的方法可以利用人眼的颜色恒常性，即在不同照 明条件下，人们一般能正确反映物体固有的颜色。然而人们对颜色恒常性的机制
型，Ｇｏｎ梦周采用条件密度传播法调整不同时刻的高斯混合肤色模型，其优点是：
①较低的空间复杂性，②需要相对较少的训练数据，难点是对于高斯混合模型的 阶数选择，通常阶数是通过启发得到，在约束环境下，已知环境条件决定阶数。
ｙ沁飞９１９］对 Ｎｃｃｒｇｂ 颜色空间的高斯肤色模型通过将原模型参数与预测的参数进
如ｖｓＡＭ闭开发了一种自适应背景减除与三帧差分相结合的混合算法，它能够快
速有效地从背景中检测出运动目标。时间差分运动检测方法对于动态环境具有较 强的自适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部 容易产生空洞现象。 （３）光流 （ＯＰｔｉｃａｌ Ｆｌｏｗ ）
基于 光 流 方法１８的运动检测采用了运动目标随时间变化的光流场特性，来有
行线性组合，实现均值向量和协方差矩阵的自适应。Ｃｏｍａｎｌｃｉｎ碑０１也利用均值漂 移实时跟踪彩色非刚休目标。Ｌｕｌｚｌ］将连续自适应均值漂移 ｃａｍｓｈｉｆｔ方法引入色 调查表，可较好地适应不同测试图像的照明变化。Ｓｔｏｒｉｎ ｇ［２２］的肤色轨迹方法 是基于皮肤色度知识的。Ｃｈｏｌ２３］和 ｚｈｕＩＺ月】采用从粗到细的自适应肤色过滤算法．
运动 检 测 的目的是从序列图像中将运动区域从背景图像中提取出来。因为该 处理过程仅仅考虑图像中对应于运动区域的像素，所以，该方法仅适用于当人体 目标与背景之间有相对运动时才能检测出１３］，下面是归纳出的目前几种常用的方
法。
（ｌ）背景减除 （Ｂ朗ｋ脚ｕｎｄｓｕｂｔｒａｃｔｉｏｎ）
背景 减 除 １４．５１方法是目前运动分割中最常用的一种方法，它是利用当前图像 与背景图像的差分来检测出运动区域的一种技术。它一般能够提供最完全的特征 数据，而且速度快，能适合实时系统的要求。但对于动态场景的变化，如光照和
在复 杂 照 明条件下，比如图像中肤色在高光区或阴影区中，上述基于统计的 肤色检测技术都会使相同的肤色区域分割成不同的区域，导致肤色区域分割失 败。为了从成像机理上克服光照对图像的这种不利影响，需要考虑电磁辐射与皮 肤相互物理作用的肤色检测技术，这就称为基于物理的肤色检测技术。基于物理 与基于统计的肤色检测所使用的数学工具基本相似，主要差异在于有没有利用解 释皮肤辐射特性的物理模型。
视频图像中人体目标的检测方法研究
复杂的背景环境和低质量的数字视频序列，因此，寻找更有效、鲁棒性更强的人 体识别算法，应用到实际的视频监控场景中仍是当今计算机视觉领域的一个热
点。
１．２．２研究方法综述 视频 监 控 系 统 中 人 体目标的检测识别方法可以分为两大类，即基于运动
的人体识别方法和基于人体特征 （主要是人体皮肤为特征的）检测方法。下面分 别介绍这两类方法。 １ 运动目标检测方法
１．பைடு நூலகம்课题研究的主要内容及创新点
１．３．１本课题的主要内容 本课 题 得 到了国家基金委的支持【基金号为６０６４１０１０］，主要内容是研究如何
从实际的数字视频图像序列中检测人体目标，以服务于对人进行监控的视频系统 中。文中首先考虑到实际的视频信号受采集量化噪声、传输信道噪声以及现场电 磁干扰等因素的影响，会产生诸如脉冲噪声、高斯噪声等降低视频序列信噪比的
Ｓｏｃｏ ｈ ｎｋ ｙ阁比较了可见光波段与８一１２ｐｍ的热红外波段中的人脸识别，发
现热红外在许多情况下有比较好的检测性能，而其它情况下也能达到可见光波段 的人脸识别性能，其中的关键因素是热红外波段受到照明条件的影响很小 。 Ｋｏｎｇ侧认为可见光的人脸识别在可控照明条件下比较可靠，而热红外图像在照明
只用到了灰度信息，未使用帧间信息和邻域梯度信息。
（５）混合高斯模型（ＧＭＭ）判定法「１０ 对每 一 个 像素点采用ＧＭＭ来建模，引入场景活动等级（ｓｃｅｎ ａｃｔｌｖｉｔｙｌｅｖｅｌ）
来调节 ＧＭＭ 的学习常数，通过增加深度信息来加强背景分割的依据。但该方法 存在的缺点有：① 当前景背景颜色相近时，无法进行有效的分割。②学习常数 更新速度及混合高斯模型个数的选择，都将影响前景运动目标的分割效果。
（６）贝叶斯统计分割方法ｔｌ］ 充分 利 用 像素的光谱信息、空间信息及帧间信息，借助于 Ｂａｙｅｓ 判定准则
进行前景背景的分割，取得了较好的分割效果，但该方法存在的缺点有：①提取 出的前景目标体空洞较大，数学形态学的方法也无法连通修复。② 当前景背景 颜色相近时，也无法进行有效的分割。
（７）时空联合分割法１２］ 将视 频 看 作像素的时空块，同时考虑时间和空间维的信息。Ｇｒｅｅｎｓｐａｎ 等人
目前 基 于 统计的肤色检测技术比基于物理的倍受关注，相对来说，基于统计 的肤色检测技术强调结果而基于物理的强调过程。在加强特征提取和统计分类算 法研究的基础上，引入基于物理的方法，拓展光谱波段或增加光谱分辨率，建立肤 色成像模型和肤色波谱库，将使肤色真正成为一种强分类特征，大幅提高肤色检 测性能和拓宽应用领域。
。．若当前像素值Ｋｎ 满足 ｛戈 一刀门ｒｌ之２叮式时将其判为前景。该方法存在的
缺点有：①在前景分割时，当前境与背景颜色相近时 （ｃｏ ｕｆｌａｇｅ），此时不满 足此判据，被误判为背景。②由于背景的更新是非实时的，则会产生视觉上的不 连贯效果。而且当背景建模时，背景出现的概率必须大于 ５既，否则会产生错误 的背景：例如，在背景初始化中的２０ 秒内，若有一个人停留巧 秒后离开，则此 处的背景将会被误判为人体，而非真实的背景。③前景分割时使用的信息量太少，
视频 图像 中人体 目标 的检测方 法研 究
点光源。ｓｔＯｒｉｎｇ国将双色反射模型用到多光源的肤色建模。Ｂｕｌｕｓｗａｒ国的归一 化光度函数ＮＰＦ是双色反射模型在ＮＣＣｒｇｂ颜色空间中的简化。Ｐａｖｈｄｉｓ训研究了
可见光波段及红外波段的人脸和伪装检测技术，认为稳健的室内外人脸检测与识 别系统需要可见光、反射红外和中波红外的多波段成像。可见光波段适合于人脸 识别，反射红外波段适合于人脸检测，而反射红外和热红外波段适合于伪装检测。
位精度较差，且该方法的运算效率不高。 一般 说 来 ，衡量一个算法的优劣主要考虑算法的分割质量、计算复杂度以及
算法的通用性。上述方法各有利弊，但它们的共同缺点是只能对运动的 （人体） 目标进行检测，当前景 （人体）目标长时间静止时，它们的运动特征消失而方法 失效，因此产生了基于人体生物特征的分割方法，其中研究最多的是通过人体皮 肤检测方法来检测视频图像中的人体目标。 １１ 基于皮肤特征检测方法
在非 参 数 肤色模型中，直方图交叉１２５，２６］和直方图查找表【６４］常用在肤色跟
踪中。例如文献 【２７邓１通过在 Ｈｓ直方图上做直方图反向投影快速跟踪彩色人 脸区域，ｓｏｒｉａｎｏ ｌ２９１的肤色模型更新利用肤色搜索区中落入肤色轨迹范围的像素
进行直方图反向投影来完成肤色跟踪。ｓｔｅｒｎ 阅发现在 ＲＧ，ｒｇ，Ｈｓ，ＹＱ ，Ｃ汉，这
些不同的ＺＤ 颜色平面间自动切换能改进人脸跟踪性能。通常，能否处理照明变 化是动态肤色模型成功与否的关键 ，也是一个肤色检测系统从室内走向室外的 前提。更普遍的是采用无参统计方法，在彩色空间中利用皮肤颜色直方图表示密 度。其主要优点是：即使肤色分布复杂也能估计概率密度函数。缺点是：直方图 方法需要大量的训练数据。通常，当直方图能正确量化和有足够的训练数据时， 无参方法更好。 （２） 基于物理的分割方法
不可控制的情况下或检测伪装人脸时比较有利。融合红外和可见光进行肤色和人
体检测与识别己经成了一种新的系统设计趋向。例，Ｌｉ侧综合考察红外可见光图
像人脸识别的优缺点，设计了结合红外和可见光波段的人脸检测与识别系统。 ｃｈｅｎｌ’］也验证了结合红外波段和可见光波段比仅用其中之一能更好地识别人脸。 Ｈｅｏｌ侧采用数据融合和决策融合两种方式结合热红外和可见光，在照明变化和表 情变化的带眼镜人脸识别中也取得了较好的结果。
ｓｈａｆ ｅｒ 叫 根据非均匀电介质的反射特性，提出一个模拟不透明的非均匀电介 质物体反射过程的数学模型，称为双色反射模型。Ｋｌｉｎｋｅｒ〔监胡改进了双色反射模
型，认为在ＲＧＢ空间中界面反射以“１”形分布在一个四边形平面中。作为Ｓｈａｆｅｒ 方法的一个变种，Ｓａｔ。以１采用序列图像为界面分量建模。这些方法都只适合于
能较差，但是在特定条件下的性能更优，能获得高检测率和低误检率‘川．
含参 统 计 方法以参数的形式表示皮肤颜色分布，例如高斯模型。但是，皮肤 颜色分布通常是多重的模型，不能用颜色空间的一种高斯模型来充分表示。因此 ， 提出了混合高斯模型，采用最大匹配 （ＥＭ）算法适应和更新基于观察数据的模
视频图像 中人体 目标的检测方法研究
还不清楚，颜色恒常性还没有适合于计算机视觉的好方案出现１１４，１习。 对于 机 器 视觉而言 ，颜色恒常性是关于物理表面光谱反射率的描述［ｌ６１，不是
人眼颜色恒常性对照明变化的容忍。因此，人们实际上更多的是研究如何使肤色 模型自动适应环境变化。目前的动态肤色建模方法可以分成两类：第 １类方法是 可以将肤色模型参数调节到适应某幅静态图像；第 ２类方法是针对序列图像，能 适应成像条件随时间的变化。这些自适应方法所建立的动态肤色模型的通用性可
外来无关事件的干扰等特别敏感。
（２）时间差分 （ＴｅｍＰｏｒａｌＤｉ月贻Ｔｅｎｃｅ）
时间 差 分 方法利用图像序列中前后几个相邻帧之间的差分来提取出图像中
的运动区域。例如ＬＩＰｔｏ ｎ等１６］利用两帧差分方法从实际视频图像中检测出运动目
标，进而用于目标的分类与跟踪；一个改进的方法是利用三帧差分代替两帧差分，
效地提取和跟踪运动目标。该方法的优点是在摄像机运动存在的前提下也能检测 出独立的运动 目标。而缺点在于计算方法相当复杂，且抗噪性能差，如果没有特
视频图像中人体 目标的检测方法研究
别的硬件装置则不能被应用于全帧视频流的实时处理。 （４）单高斯模型判定法
文献 １０） 提 出了一种背景／前景分割方法，对最初的前 １于２０ 秒视频信号，在 每个像素点上统计其灰度直方图，将出现频率最大的灰度值作为当前像素的背 景，周期性 （１００－２０帧）地重复该操作，来达到对背景的更新和维护；前景分 割方法是将背景初始化中得到的灰度直方图看成一个高斯分布，计算其标准方差
污染噪声，为了对后续的视频分割提供高质量的输入信号，并考虑实时性的要求 ， 采用了基于脉冲祸合神经网络 （ＰＣＮＮ）与改进的中值滤器相结合的滤波器对其 进行去噪处理 。
１３］将视频分为三维特征空间：颜色、空间和时间位置。每个象素与特征空间的 一个点相对应，象素点通过高斯混合模型来聚类。在模型学习后，空间和时间维 之间的高位协方差系数就能给出运动信息。采用时空法既利用了帧间时域上的强
相关性 ，又利用了帧内空间上的特征，分割效果较好。该方法中前景时空块的定
视频 图像 中人体 目标 的检测方 法研 究
（１） 基于统计的皮肤分割方法 统计 肤 色 检测的主要步骤是颜色空间变换和肤色建模。选择颜色空间本身就
是选择肤色检测的最基本特征表示，肤色模型是关于肤色知识的计算机表示，通 过训练样本集建立肤色模型是肤色检测的关键。一个实用的彩色图像肤色检测系 统必须能够处理由于成像条件变化引起的肤色变化。一般地，处理环境变化有两 种基本方法：容忍和适应。容忍的方法可以利用人眼的颜色恒常性，即在不同照 明条件下，人们一般能正确反映物体固有的颜色。然而人们对颜色恒常性的机制
型，Ｇｏｎ梦周采用条件密度传播法调整不同时刻的高斯混合肤色模型，其优点是：
①较低的空间复杂性，②需要相对较少的训练数据，难点是对于高斯混合模型的 阶数选择，通常阶数是通过启发得到，在约束环境下，已知环境条件决定阶数。
ｙ沁飞９１９］对 Ｎｃｃｒｇｂ 颜色空间的高斯肤色模型通过将原模型参数与预测的参数进
如ｖｓＡＭ闭开发了一种自适应背景减除与三帧差分相结合的混合算法，它能够快
速有效地从背景中检测出运动目标。时间差分运动检测方法对于动态环境具有较 强的自适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部 容易产生空洞现象。 （３）光流 （ＯＰｔｉｃａｌ Ｆｌｏｗ ）
基于 光 流 方法１８的运动检测采用了运动目标随时间变化的光流场特性，来有
行线性组合，实现均值向量和协方差矩阵的自适应。Ｃｏｍａｎｌｃｉｎ碑０１也利用均值漂 移实时跟踪彩色非刚休目标。Ｌｕｌｚｌ］将连续自适应均值漂移 ｃａｍｓｈｉｆｔ方法引入色 调查表，可较好地适应不同测试图像的照明变化。Ｓｔｏｒｉｎ ｇ［２２］的肤色轨迹方法 是基于皮肤色度知识的。Ｃｈｏｌ２３］和 ｚｈｕＩＺ月】采用从粗到细的自适应肤色过滤算法．
运动 检 测 的目的是从序列图像中将运动区域从背景图像中提取出来。因为该 处理过程仅仅考虑图像中对应于运动区域的像素，所以，该方法仅适用于当人体 目标与背景之间有相对运动时才能检测出１３］，下面是归纳出的目前几种常用的方
法。
（ｌ）背景减除 （Ｂ朗ｋ脚ｕｎｄｓｕｂｔｒａｃｔｉｏｎ）
背景 减 除 １４．５１方法是目前运动分割中最常用的一种方法，它是利用当前图像 与背景图像的差分来检测出运动区域的一种技术。它一般能够提供最完全的特征 数据，而且速度快，能适合实时系统的要求。但对于动态场景的变化，如光照和
在复 杂 照 明条件下，比如图像中肤色在高光区或阴影区中，上述基于统计的 肤色检测技术都会使相同的肤色区域分割成不同的区域，导致肤色区域分割失 败。为了从成像机理上克服光照对图像的这种不利影响，需要考虑电磁辐射与皮 肤相互物理作用的肤色检测技术，这就称为基于物理的肤色检测技术。基于物理 与基于统计的肤色检测所使用的数学工具基本相似，主要差异在于有没有利用解 释皮肤辐射特性的物理模型。
视频图像中人体目标的检测方法研究
复杂的背景环境和低质量的数字视频序列，因此，寻找更有效、鲁棒性更强的人 体识别算法，应用到实际的视频监控场景中仍是当今计算机视觉领域的一个热
点。
１．２．２研究方法综述 视频 监 控 系 统 中 人 体目标的检测识别方法可以分为两大类，即基于运动
的人体识别方法和基于人体特征 （主要是人体皮肤为特征的）检测方法。下面分 别介绍这两类方法。 １ 运动目标检测方法
１．பைடு நூலகம்课题研究的主要内容及创新点
１．３．１本课题的主要内容 本课 题 得 到了国家基金委的支持【基金号为６０６４１０１０］，主要内容是研究如何
从实际的数字视频图像序列中检测人体目标，以服务于对人进行监控的视频系统 中。文中首先考虑到实际的视频信号受采集量化噪声、传输信道噪声以及现场电 磁干扰等因素的影响，会产生诸如脉冲噪声、高斯噪声等降低视频序列信噪比的
Ｓｏｃｏ ｈ ｎｋ ｙ阁比较了可见光波段与８一１２ｐｍ的热红外波段中的人脸识别，发
现热红外在许多情况下有比较好的检测性能，而其它情况下也能达到可见光波段 的人脸识别性能，其中的关键因素是热红外波段受到照明条件的影响很小 。 Ｋｏｎｇ侧认为可见光的人脸识别在可控照明条件下比较可靠，而热红外图像在照明
只用到了灰度信息，未使用帧间信息和邻域梯度信息。
（５）混合高斯模型（ＧＭＭ）判定法「１０ 对每 一 个 像素点采用ＧＭＭ来建模，引入场景活动等级（ｓｃｅｎ ａｃｔｌｖｉｔｙｌｅｖｅｌ）
来调节 ＧＭＭ 的学习常数，通过增加深度信息来加强背景分割的依据。但该方法 存在的缺点有：① 当前景背景颜色相近时，无法进行有效的分割。②学习常数 更新速度及混合高斯模型个数的选择，都将影响前景运动目标的分割效果。
（６）贝叶斯统计分割方法ｔｌ］ 充分 利 用 像素的光谱信息、空间信息及帧间信息，借助于 Ｂａｙｅｓ 判定准则
进行前景背景的分割，取得了较好的分割效果，但该方法存在的缺点有：①提取 出的前景目标体空洞较大，数学形态学的方法也无法连通修复。② 当前景背景 颜色相近时，也无法进行有效的分割。
（７）时空联合分割法１２］ 将视 频 看 作像素的时空块，同时考虑时间和空间维的信息。Ｇｒｅｅｎｓｐａｎ 等人
目前 基 于 统计的肤色检测技术比基于物理的倍受关注，相对来说，基于统计 的肤色检测技术强调结果而基于物理的强调过程。在加强特征提取和统计分类算 法研究的基础上，引入基于物理的方法，拓展光谱波段或增加光谱分辨率，建立肤 色成像模型和肤色波谱库，将使肤色真正成为一种强分类特征，大幅提高肤色检 测性能和拓宽应用领域。
。．若当前像素值Ｋｎ 满足 ｛戈 一刀门ｒｌ之２叮式时将其判为前景。该方法存在的
缺点有：①在前景分割时，当前境与背景颜色相近时 （ｃｏ ｕｆｌａｇｅ），此时不满 足此判据，被误判为背景。②由于背景的更新是非实时的，则会产生视觉上的不 连贯效果。而且当背景建模时，背景出现的概率必须大于 ５既，否则会产生错误 的背景：例如，在背景初始化中的２０ 秒内，若有一个人停留巧 秒后离开，则此 处的背景将会被误判为人体，而非真实的背景。③前景分割时使用的信息量太少，