光照自适应的肤色检测方法
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)。
［1 ］
1
特征
颜色空间
在图像的低级特征中， 颜色是最显著、 最有区别性的视觉
［3 ］
。颜色空间的选取对准确地进行肤色研究至关重要 。
［4 ］
不同的颜色空间具有不同的优缺点， 但在某一种特定的环境 下， 其中一种可能更加适合 。Fleck 等人 把图像的每个像素
［5 ］
进而计算出色度和饱和 在 RGB 颜色空间的值进行对数变换， 度， 根据色度和饱和度的阈值进行肤色分割 。 刘嘉勇等人 和喻阳等人
第3 步 计算相关矩阵： M Bayes = （ p i，j ） n ×m
（ 3）
m 是光源的种类个数。 其中： n 是色度空间中离散的 n 种色彩， p i，j = log（ p（ i j） ） 表示在光源 j 下色彩点 i 出现的概率。 这个 概率需要大量统计各种光照环境下的图像 。 计算每一种色彩 作为这个相关矩阵每一项的概率 。 点出现的概率， 第4 步 光照环境的估计： p1 ×m = V T M Bayes p max = max（ p1 ×m ） （ 4） （ 5）
Illuminationadaptive skin color detection method
XIONG Xia， SANG Qingbing
( College of Internet of Things Engineering， Jiangnan University， Wuxi Jiangsu 214062 ， China)
光照自适应的肤色检测方法
熊 霞， 桑庆兵
（ 江南大学 物联网工程学院， 江苏 无锡 214062 ） ( xiongxia0105@ 163． com)
摘
要： 通过在颜色空间 YCgCr 里对不同光照环境下的肤色特征进行研究， 发现不同光照环境下的肤色像素高
Cr 区域。对此， 度聚集在不同的 Cg、 提出了利用相关矩阵法对图片的光照环境进行估计， 然后针对图片的光照环境检 测结果采用不同的肤色分割方法， 并采用一种基于类间方差和类内离散度相结合的动态阈值方法来确定分割阈值 。 该方法与传统的肤色检测方法相比， 能够充分减少不同光照环境下带来的颜色失真的影响， 是一种光照自适应的肤 。 。 色检测方法 实验表明， 该方法对肤色检测具有较高的准确率和较低的误检率 关键词： YCgCr； 相关矩阵； 混合高斯模型； 动态阈值 中图分类号： TP751． 1 ； TP391． 41 文献标志码： A
0． 504 1 0． 439 2 － 0． 367 7
0． 097 9 － 0． 121 2 － 0． 071 4
][ ] [ ]
R B 128
16 G + 128 （ 1 ）
收稿日期： 2010 － 11 － 01 ； 修回日期： 2011 － 01 － 13 。 基金项目： 国家自然科学基金资助项目（ 60875036 ） 。 作者简介： 熊霞（ 1987 － ） ， 女， 江西南昌人， 硕士研究生， 主要研究方向： 图像处理、 神经网络； 桑庆兵（ 1973 － ） ， 男， 江苏无锡人， 副教授， 博士研究生， 主要研究方向： 图像处理、 机器视觉、 神经网络。
图2
肤色在 YCgCr 颜色空间中 Cr 分布图
由图 2 可知， 用 YCgCr 颜色空间表示的肤色像素点在不 同光照环境下， 所对应的 Cr 值的聚集范围不同。 室内白炽灯 145 ． 65 ， 156 ． 85 ］ ，均 值 是 下的 肤 色 像 素 的 Cr 值 范 围 是［ 150 ． 48 。 157 ． 32 ， 室外晴天下的肤色像素点的 Cr 值范围是［ 168 ． 56 ］ ， 均值是164 ． 54 。 室内日光灯下的肤色像素的 Cr 值的 138 ． 25 ， 148 ． 33 ］ ， 均值是 145 ． 14 。 室外阴天下的肤色 范围是［ 131 ． 92 ， 142 ． 22 ］ ， 像素点的 Cr 值的范围是［ 均值是 136 ． 58 。 可 不同光照环境下的肤色像素在 YCgCr 颜色空间中的 Cr 值 见， 的分布也是不同的。 综合图 1 和图 2 可知， 在 4 种不同光照环境下的肤色像素 Cr 值范围及其均值是不相同的 。 所对应的 Cg、 因此， 根据图片
Βιβλιοθήκη Baidu
0
引言
近年来， 随着互联网的普及， 网络色情的泛滥已经成为危
结合来动态地确定分割阈值算法
［2 ］
。 实验表明， 该方法比传
统的肤色检测具有更高的准确率和更低的误检率 。
害人们身心健康的全球性公害， 敏感信息的过滤问题逐渐引 起人们的重视。现在过滤软件大都采用基于 IP 地址的过滤 和基于网页中文本内容的判断，前者需要定期更新 IP 地址 库，具有明显的滞后性； 后者由于文本内容的局限性会造成 漏检、 误检， 对隐藏关键词的敏感图片无能为力， 准确性不高。 只有针对图像内容的分析才能从根本上解决目前网络安全技 术对图像信息过滤与监控能力不足的问题 。 肤色检测是基于内容的敏感图像过滤中的关键技术 。 然 而目前存在的肤色检测方法却很少考虑到不同的光照环境， 使其在一定程度上对光照环境的改变缺少稳定性 。肤色表面 呈现的颜色与光源特性和光照条件有关， 随着光照环境的不 同而改变。针对以上问题， 通过对大量图片的光照环境进行 发现光照环境可分为 4 种： 室外晴天、 室外阴天、 室 统计分析， 。 内日光灯和室内白炽灯 本文提出一种新的光照自适应的肤色检测方法， 首先使 用 YCgCr 颜色空间对肤色在不同的光照环境下的 Cg 和 Cr 进 然后采用相关矩阵法 行研究，
［10 ］
根据 YCbCr 中亮度与颜色
独立性得到肤色恒常性 。 以上方法在实际应用都有一定效 YCgCr 颜色空间里的肤色像素比在其
来判断图片的光照环境， 并
他颜色空间更加聚集， 比其他颜色空间更加适合本文所提出 的方法。 所 以 本 文 采 用 YCgCr 颜 色 空 间 作 为 肤 色 模 型。 YCgCr 颜色空间的转换公式为：
［6 ］
在 RGB 空间中利用统计的方法计算肤色分布
［7 ］
的规律， 从而分割肤色。段立娟等人 区域。 尹显东等人
［8 ］
通过肤色色调在 YUV
和 YIQ 颜色空间中的分布作线性化处理， 得到图像中的肤色 找到 HSV 空间中 HS 平面普通代表黄
［9 ］
种人肤色的区域。 蒙丰博等人 果。 但是， 研究表明
根据图片光照环境判断结果的不同采用不同肤色分割方法 。 当光照环境判断成功时， 采用单高斯模型， 判断不成功时采用 图片可能的 4 种光照环境的概率作为混合高斯模型的权重来 进行肤色分割。最后采用类间方差和类内离散度两个特征相
[ ][
Y Cg = Cr
0． 256 8 － 0． 318 0． 439 2
Cr 值的范围来进行肤色检测， 比不 中对应的光照环境的 Cg、 区分光照环境使用相同固定的阈值范围的肤色检测方法更具 有针对性， 明显提高了肤色检测的准确率以及降低了误检率 。
2
光照环境估计
本文采用相关矩阵法
［1 ］
对光照环境进行估计。 这种算法
适用性强， 计算简单， 具有良好 利用光源和颜色相容性原理， 的性能。 相关矩阵法的主要思想是定义一个相关矩阵， 这个矩 阵的第 i 行第 j 列元素表示色度空间中第 i 中颜色在光源集合 中第 j 中光源下得到的概率。 然后再将输入图像编码成一个矢 量， 用这个矢量和相关矩阵做乘积得到的就是输入图像在各 种光源下得到的概率。 算法步骤分为 4 步。 第1 步 将三维 RGB 颜色空间转化为二维色度空间： （ q1 ， q2 ） = G ， （R+R G + B R + G + B） （ 2）
Abstract: Through the study on skin features under different light environments in YCgCr color space， it was found that the skin pixels have different Cg and Cr areas in different environments． The correlation matrix was used to estimate the light environment． The different skin segmentation methods were ultilized according to the result of environment detection， and dynamic threshold was composed by betweencluster variance and withinclass scatter． Compared with the traditional methods， the proposed method fully reduces the impact of color distortion in different light． The experimental results show that it has higher accuracy and lower detection error rate． Key words: YCgCr; correlation matrix; mixture Gauss model; automatic threshold
G、 B 为 RGB 颜色空间的 3 个分量， （ q1 ， q2 ） 为新的二 其中： R、 维色度空间的坐标。 第2 步 对输入图像进行编码： 将输入图像转换为一个 n 维矢量 V = （ v1 ， v2 ， …， vn ） T ， 其中， 当输入图像中有颜色 i， v = 1 ； v = 0 。 则 i 否则 i
第 31 卷第 5 期 2011 年 5 月 文章编号： 1001 － 9081 （ 2011 ） 05 － 01233 － 04
计算机应用 Journal of Computer Applications
Vol． 31 No． 5 May 2011 doi： 10． 3724 / SP． J． 1087． 2011． 01233
图1 肤色在 YCgCr 颜色空间中 Cg 分布图
由图 1 可知， 用 YCgCr 颜色空间表示的肤色像素点在不 同光照环境下， 所对应的 Cg 值的聚集范围不同。 室内白炽灯 123 ． 32 ， 128 ． 45 ］ ，均 值 是 下的 肤 色 像 素 的 Cg 值 范 围 是［ 127 ． 24 。 Cg 97 ． 11 ， 室外晴天下的肤色像素点的 值范围是［ 116 ． 77 ］ ， 均值是 112 ． 72 。 室内日光灯下的肤色像素的 Cg 值 119 ． 23 ， 126 ． 56 ］ ， 的范围是［ 均值是 123 ． 82 。 室外阴天下的肤 110 ． 74 ， 123 ． 41 ］ ， 均值是 117 ． 25 。 色像素点的 Cg 值的范围是［ 可见， 不同光照环境下的肤色像素在 YCgCr 颜色空间中的 Cg 值的分布是不同的。
其中： p1 ×m 的第 j 项表示该输入图像在光源 j 下拍摄的概率， p1 ×m 中的最大元素 p max 对应的光照环境以最大概率接近图像 的真实光照环境。 图 3 是对 1 000 幅手工分割的肤色图片利用该方法进行 环境检测的结果， 横轴表示样本图片通过相关矩阵计算得出 p max ， 1］内样本的查准率。 的 p max 值， 纵轴表示横轴在范围［ 实 其查准率大大降低， 从图中 验发现在当 p max 低于一定值 t 时， t 存在这样的值， 可以看出， 其值为 0 ． 731 4 。 大于 p max 值检测正确的图片总数 大于 p max 值的图片总数 大于 p max 值检测错误的图片总数 误检率 = 大于 p max 值的图片总数 查准率 = （ 6） （ 7）
1234
计算机应用
第 31 卷
Y ∈［ 16 ， 235 ］ ； Cg， Cr ∈ ［ 16 ， 其中： Y 代表图像的亮度信息， 240 ］ 。 目前的多数肤色检测方法在不同的光照环境下都采用了 忽略了不同光照环境对肤色的影响， 以及其在颜 相同的阈值， 色空间上的差异， 不能满足准确识别肤色区域的要求 。 本文 将需进行肤色检测的肤色图片按不同 在 YCgCr 颜色空间里， 的光照环境进行分类， 对不同种类的图像进行统计分析 。 通 100 幅室内白炽灯肤色图 过对 100 幅室内日光灯肤色图像 、 100 幅室外晴天肤色图像、 100 幅室外阴天肤色图像进行 像、 图像统计， 实验证明， 不同光照环境的样本图片在 YCgCr 颜 色空间中具有环境聚类性， 即相同环境下的肤色样本高度聚 类在一定范围内。
1
特征
颜色空间
在图像的低级特征中， 颜色是最显著、 最有区别性的视觉
［3 ］
。颜色空间的选取对准确地进行肤色研究至关重要 。
［4 ］
不同的颜色空间具有不同的优缺点， 但在某一种特定的环境 下， 其中一种可能更加适合 。Fleck 等人 把图像的每个像素
［5 ］
进而计算出色度和饱和 在 RGB 颜色空间的值进行对数变换， 度， 根据色度和饱和度的阈值进行肤色分割 。 刘嘉勇等人 和喻阳等人
第3 步 计算相关矩阵： M Bayes = （ p i，j ） n ×m
（ 3）
m 是光源的种类个数。 其中： n 是色度空间中离散的 n 种色彩， p i，j = log（ p（ i j） ） 表示在光源 j 下色彩点 i 出现的概率。 这个 概率需要大量统计各种光照环境下的图像 。 计算每一种色彩 作为这个相关矩阵每一项的概率 。 点出现的概率， 第4 步 光照环境的估计： p1 ×m = V T M Bayes p max = max（ p1 ×m ） （ 4） （ 5）
Illuminationadaptive skin color detection method
XIONG Xia， SANG Qingbing
( College of Internet of Things Engineering， Jiangnan University， Wuxi Jiangsu 214062 ， China)
光照自适应的肤色检测方法
熊 霞， 桑庆兵
（ 江南大学 物联网工程学院， 江苏 无锡 214062 ） ( xiongxia0105@ 163． com)
摘
要： 通过在颜色空间 YCgCr 里对不同光照环境下的肤色特征进行研究， 发现不同光照环境下的肤色像素高
Cr 区域。对此， 度聚集在不同的 Cg、 提出了利用相关矩阵法对图片的光照环境进行估计， 然后针对图片的光照环境检 测结果采用不同的肤色分割方法， 并采用一种基于类间方差和类内离散度相结合的动态阈值方法来确定分割阈值 。 该方法与传统的肤色检测方法相比， 能够充分减少不同光照环境下带来的颜色失真的影响， 是一种光照自适应的肤 。 。 色检测方法 实验表明， 该方法对肤色检测具有较高的准确率和较低的误检率 关键词： YCgCr； 相关矩阵； 混合高斯模型； 动态阈值 中图分类号： TP751． 1 ； TP391． 41 文献标志码： A
0． 504 1 0． 439 2 － 0． 367 7
0． 097 9 － 0． 121 2 － 0． 071 4
][ ] [ ]
R B 128
16 G + 128 （ 1 ）
收稿日期： 2010 － 11 － 01 ； 修回日期： 2011 － 01 － 13 。 基金项目： 国家自然科学基金资助项目（ 60875036 ） 。 作者简介： 熊霞（ 1987 － ） ， 女， 江西南昌人， 硕士研究生， 主要研究方向： 图像处理、 神经网络； 桑庆兵（ 1973 － ） ， 男， 江苏无锡人， 副教授， 博士研究生， 主要研究方向： 图像处理、 机器视觉、 神经网络。
图2
肤色在 YCgCr 颜色空间中 Cr 分布图
由图 2 可知， 用 YCgCr 颜色空间表示的肤色像素点在不 同光照环境下， 所对应的 Cr 值的聚集范围不同。 室内白炽灯 145 ． 65 ， 156 ． 85 ］ ，均 值 是 下的 肤 色 像 素 的 Cr 值 范 围 是［ 150 ． 48 。 157 ． 32 ， 室外晴天下的肤色像素点的 Cr 值范围是［ 168 ． 56 ］ ， 均值是164 ． 54 。 室内日光灯下的肤色像素的 Cr 值的 138 ． 25 ， 148 ． 33 ］ ， 均值是 145 ． 14 。 室外阴天下的肤色 范围是［ 131 ． 92 ， 142 ． 22 ］ ， 像素点的 Cr 值的范围是［ 均值是 136 ． 58 。 可 不同光照环境下的肤色像素在 YCgCr 颜色空间中的 Cr 值 见， 的分布也是不同的。 综合图 1 和图 2 可知， 在 4 种不同光照环境下的肤色像素 Cr 值范围及其均值是不相同的 。 所对应的 Cg、 因此， 根据图片
Βιβλιοθήκη Baidu
0
引言
近年来， 随着互联网的普及， 网络色情的泛滥已经成为危
结合来动态地确定分割阈值算法
［2 ］
。 实验表明， 该方法比传
统的肤色检测具有更高的准确率和更低的误检率 。
害人们身心健康的全球性公害， 敏感信息的过滤问题逐渐引 起人们的重视。现在过滤软件大都采用基于 IP 地址的过滤 和基于网页中文本内容的判断，前者需要定期更新 IP 地址 库，具有明显的滞后性； 后者由于文本内容的局限性会造成 漏检、 误检， 对隐藏关键词的敏感图片无能为力， 准确性不高。 只有针对图像内容的分析才能从根本上解决目前网络安全技 术对图像信息过滤与监控能力不足的问题 。 肤色检测是基于内容的敏感图像过滤中的关键技术 。 然 而目前存在的肤色检测方法却很少考虑到不同的光照环境， 使其在一定程度上对光照环境的改变缺少稳定性 。肤色表面 呈现的颜色与光源特性和光照条件有关， 随着光照环境的不 同而改变。针对以上问题， 通过对大量图片的光照环境进行 发现光照环境可分为 4 种： 室外晴天、 室外阴天、 室 统计分析， 。 内日光灯和室内白炽灯 本文提出一种新的光照自适应的肤色检测方法， 首先使 用 YCgCr 颜色空间对肤色在不同的光照环境下的 Cg 和 Cr 进 然后采用相关矩阵法 行研究，
［10 ］
根据 YCbCr 中亮度与颜色
独立性得到肤色恒常性 。 以上方法在实际应用都有一定效 YCgCr 颜色空间里的肤色像素比在其
来判断图片的光照环境， 并
他颜色空间更加聚集， 比其他颜色空间更加适合本文所提出 的方法。 所 以 本 文 采 用 YCgCr 颜 色 空 间 作 为 肤 色 模 型。 YCgCr 颜色空间的转换公式为：
［6 ］
在 RGB 空间中利用统计的方法计算肤色分布
［7 ］
的规律， 从而分割肤色。段立娟等人 区域。 尹显东等人
［8 ］
通过肤色色调在 YUV
和 YIQ 颜色空间中的分布作线性化处理， 得到图像中的肤色 找到 HSV 空间中 HS 平面普通代表黄
［9 ］
种人肤色的区域。 蒙丰博等人 果。 但是， 研究表明
根据图片光照环境判断结果的不同采用不同肤色分割方法 。 当光照环境判断成功时， 采用单高斯模型， 判断不成功时采用 图片可能的 4 种光照环境的概率作为混合高斯模型的权重来 进行肤色分割。最后采用类间方差和类内离散度两个特征相
[ ][
Y Cg = Cr
0． 256 8 － 0． 318 0． 439 2
Cr 值的范围来进行肤色检测， 比不 中对应的光照环境的 Cg、 区分光照环境使用相同固定的阈值范围的肤色检测方法更具 有针对性， 明显提高了肤色检测的准确率以及降低了误检率 。
2
光照环境估计
本文采用相关矩阵法
［1 ］
对光照环境进行估计。 这种算法
适用性强， 计算简单， 具有良好 利用光源和颜色相容性原理， 的性能。 相关矩阵法的主要思想是定义一个相关矩阵， 这个矩 阵的第 i 行第 j 列元素表示色度空间中第 i 中颜色在光源集合 中第 j 中光源下得到的概率。 然后再将输入图像编码成一个矢 量， 用这个矢量和相关矩阵做乘积得到的就是输入图像在各 种光源下得到的概率。 算法步骤分为 4 步。 第1 步 将三维 RGB 颜色空间转化为二维色度空间： （ q1 ， q2 ） = G ， （R+R G + B R + G + B） （ 2）
Abstract: Through the study on skin features under different light environments in YCgCr color space， it was found that the skin pixels have different Cg and Cr areas in different environments． The correlation matrix was used to estimate the light environment． The different skin segmentation methods were ultilized according to the result of environment detection， and dynamic threshold was composed by betweencluster variance and withinclass scatter． Compared with the traditional methods， the proposed method fully reduces the impact of color distortion in different light． The experimental results show that it has higher accuracy and lower detection error rate． Key words: YCgCr; correlation matrix; mixture Gauss model; automatic threshold
G、 B 为 RGB 颜色空间的 3 个分量， （ q1 ， q2 ） 为新的二 其中： R、 维色度空间的坐标。 第2 步 对输入图像进行编码： 将输入图像转换为一个 n 维矢量 V = （ v1 ， v2 ， …， vn ） T ， 其中， 当输入图像中有颜色 i， v = 1 ； v = 0 。 则 i 否则 i
第 31 卷第 5 期 2011 年 5 月 文章编号： 1001 － 9081 （ 2011 ） 05 － 01233 － 04
计算机应用 Journal of Computer Applications
Vol． 31 No． 5 May 2011 doi： 10． 3724 / SP． J． 1087． 2011． 01233
图1 肤色在 YCgCr 颜色空间中 Cg 分布图
由图 1 可知， 用 YCgCr 颜色空间表示的肤色像素点在不 同光照环境下， 所对应的 Cg 值的聚集范围不同。 室内白炽灯 123 ． 32 ， 128 ． 45 ］ ，均 值 是 下的 肤 色 像 素 的 Cg 值 范 围 是［ 127 ． 24 。 Cg 97 ． 11 ， 室外晴天下的肤色像素点的 值范围是［ 116 ． 77 ］ ， 均值是 112 ． 72 。 室内日光灯下的肤色像素的 Cg 值 119 ． 23 ， 126 ． 56 ］ ， 的范围是［ 均值是 123 ． 82 。 室外阴天下的肤 110 ． 74 ， 123 ． 41 ］ ， 均值是 117 ． 25 。 色像素点的 Cg 值的范围是［ 可见， 不同光照环境下的肤色像素在 YCgCr 颜色空间中的 Cg 值的分布是不同的。
其中： p1 ×m 的第 j 项表示该输入图像在光源 j 下拍摄的概率， p1 ×m 中的最大元素 p max 对应的光照环境以最大概率接近图像 的真实光照环境。 图 3 是对 1 000 幅手工分割的肤色图片利用该方法进行 环境检测的结果， 横轴表示样本图片通过相关矩阵计算得出 p max ， 1］内样本的查准率。 的 p max 值， 纵轴表示横轴在范围［ 实 其查准率大大降低， 从图中 验发现在当 p max 低于一定值 t 时， t 存在这样的值， 可以看出， 其值为 0 ． 731 4 。 大于 p max 值检测正确的图片总数 大于 p max 值的图片总数 大于 p max 值检测错误的图片总数 误检率 = 大于 p max 值的图片总数 查准率 = （ 6） （ 7）
1234
计算机应用
第 31 卷
Y ∈［ 16 ， 235 ］ ； Cg， Cr ∈ ［ 16 ， 其中： Y 代表图像的亮度信息， 240 ］ 。 目前的多数肤色检测方法在不同的光照环境下都采用了 忽略了不同光照环境对肤色的影响， 以及其在颜 相同的阈值， 色空间上的差异， 不能满足准确识别肤色区域的要求 。 本文 将需进行肤色检测的肤色图片按不同 在 YCgCr 颜色空间里， 的光照环境进行分类， 对不同种类的图像进行统计分析 。 通 100 幅室内白炽灯肤色图 过对 100 幅室内日光灯肤色图像 、 100 幅室外晴天肤色图像、 100 幅室外阴天肤色图像进行 像、 图像统计， 实验证明， 不同光照环境的样本图片在 YCgCr 颜 色空间中具有环境聚类性， 即相同环境下的肤色样本高度聚 类在一定范围内。