[发明专利]一种快速肤色检测方法

说明书

技术领域

本发明属于数字信号处理领域，涉及一种快速肤色检测方法。

背景技术

人体肤色检测的目标是从图像中自动定位出人体裸露的皮肤区域。准确地检测出皮肤区域在人脸检测、手势分析、目标跟踪和图像检索中都有着广泛的应用。

RGB(R、G、B分别表示红色、绿色、蓝色)色彩空间中肤色模型定义为：R＞G＞B；HSV(H、S、V分别表示色调、饱和度、亮度)色彩空间肤色模型定义为：V＞40；YCbCr(Y是指亮度分量，Cb指蓝色色度分量，Cr指红色色度分量)色彩空间肤色模型定义为：77≤Cb≤127，且133≤Cr≤173。

肤色模型大体上分为四种：(1)区域模型；(2)简单高斯模型；(3)混合高斯模型；(4)直方图模型。

区域模型：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。

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。

混合高斯模型：利用该算法需要进行迭代，而迭代的收敛速度受参数的初值影响，同时与分量密度个数关系很大，分量越多，运算越复杂。这种方法相对于前面两种模型来说，肤色的检测率要高得多，误检率也要小得多，但是模型的确定较难，速度相对来说也比较慢，不适合快速的肤色检测。

直方图模型，尽管效果很好，但是需要很多的训练样本而且训练时间很长。

人体肤色的不同主要体现为亮度分量的不同，所以选择亮度分量和色度分量分离的YCbCr色彩空间进行肤色建模。用肤色模型对肤色进行分割主要分为两个阶段：模型的建立与模型的运用。模型的建立主要是通过对大量肤色像素集进行统计分析，然后确定模型中的参数；对于模型的运用，主要是通过已建立的肤色模型来判别所输入的像素或区域是否为肤色，或者给出其与肤色的相似程度。

现有的肤色检测技术主要是肤色概率模型法，即对于一幅待检测图像，分别统计出对应该带检测图像的肤色概率分布和非肤色概率分布。肤色概率分布和非肤色概率分布的形式可以有多种结果形式，可以是离散的概率直方图，也可以是归纳的连续的概率密度函数。利用上述两个概率分布可以计算出每个像素分别是肤色的似然概率和非肤色的似然概率，再计算出该像素是肤色的后验概率，这样就能得到一幅与原图像对应的肤色概率图像。从肤色概率图像得到皮肤区域图是一个图像二值化问题，一般都采用阈值法，将肤色概率大于某个阈值的像素作为肤色像素，反之作为非肤色像素，因此阈值的选择对肤色检测的结果很重要，下面叙述现有技术中图像传感器的肤色检测方法。

在现有图像传感器中，在肤色模型的选取上，考虑到算法复杂度和检测效果的因素，一般采用高斯肤色模型。然而高斯肤色模型的缺点是，概率阈值的选取使得非肤色像素点判定为肤色像素点。检测需要快速的计算，才能提高图像传感器的帧率，这样需要快速、简便的算法才能达到满意的图像效果；由于高斯公式计算的复杂性，数字代码难以实现，造成芯片面积较大，速度较低。所以需要一个数字代码易实现的算法，这样就能够达到降低模块面积，从而降低芯片成本的要求。

发明内容

本发明为解决现有肤色检测算法计算复杂、速度较慢的技术问题，提供一种计算简单、快速的肤色检测算法。

一种快速肤色检测方法，包括：

a、获取YCbCr色域空间图像像素值；

b、建立封闭肤色区域模型，该封闭区域肤色模型中Cb、Cr满足：

公式中p为取值范围为[0，1]的常数，c为第一系数，取值范围为[27.7，74.3]；

c、选取Cb、Cr符合封闭区域的像素点为肤色点。

进一步优选，c的值取28。

进一步优选，该方法还包括：d、将符合步骤c的像素点进行二次区域选择。

进一步优选，所述二次区域选择条件为：77≤Cb≤127且133≤Cr≤173。

本发明通过提出一个计算简单的肤色判断模型，解决了传统肤色检测算法计算复杂、速度较慢的技术问题，且利于代码的实现。

附图说明

图1是本发明实施例提供的肤色检测算法流程图。

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一种快速肤色检测方法，如图1所示，包括：