[发明专利]高斯框架下近似最优肤色检测方法

摘要

为了解决目前高斯框架下的方法只能在某个特定的误检率(FalsePositive Rates，简称FPRs)区间内性能较好的问题，本发明提出一种高斯框架下近似最优的肤色检测方法，称为多高斯模型(Multiple GaussianModels，简称MGMs)，并推导出其离散和连续的形式。该方法对于整个FPR区间内都具有很好的性能。首先将RGB颜色空间归一化得到rgb空间，然后建立多个最优单高斯模型，最后将多个最优模型融合。MGMs模型包含多个最优单高斯模型，每个高斯模型对应于一个事先定义的FPR值。在每个FPR情况下，对应的最优模型会得到最高的肤色检测率(True Positive Rates，简称TPRs)，该模型采用基于搜索算法的优化问题求解来获得。因此，对于所有的FPR值，MGMs模型能够在高斯框架下获得近似最优的肤色检测性能。此外，MGMs模型与单高斯模型(Single Gaussian Models，简称SGMs)在测试环节具有相同的计算复杂度。

主权项

1.一种高斯框架下近似最优的肤色检测方法，其特征在于，包括如下步骤：1)首先将RGB空间归一化至rgb空间；2)建立最优单高斯模型：从单高斯概率密度函数出发，通过判断概率密度函数值与事先定义的阈值之间的关系来对肤色空间中的样本点进行分类；最优单高斯模型通过求解优化问题来获得：假定肤色检测的FPR值为r_F＝C，最大化肤色检测的检测率TPR，通过该优化问题可以获得最优单高斯模型的均值向量和协方差矩阵参数；该最优化问题的求解通过搜索算法来，按如下步骤进行：①.最优高斯模型的协方差矩阵通过对训练集中的肤色样本点采用最大似然估计方法获得，假设该矩阵在搜索算法执行过程中不变；②.采用Fisher线性判别和主成分分析方法得到两个方向，对此进行线性组合来初始化搜索算法中的高斯模型均值向量μ_ini，即为0时刻的均值向量μ₀；③.在搜索算法中的t时刻，沿着方向θ∈Θ对均值向量μ_t进行移动，其中Θ为预定义的8个方向，步长为δ个像素，从中选择一个方向使得：在该方向上t时刻向量在ROC曲线r_F＝C处法线方向上的投影向量处在该ROC曲线的上方，并且范数最大，则即为t时刻均值向量的更新方向，转至④，其中r_F，t和r_T，t分别是模型在t时刻的误检率和检测率，和分别是该模型沿着方向对均值向量μ_t进行移动后新模型的误检率和检测率；否则，中止搜索算法，输出最终的均值向量；④.在t+1时刻，通过调整阈值的大小使得FPR的值重新为r_F，t+1＝C；t←t+1，转至③；最终可以通过以上搜索算法获得对应于r_F＝C的最优单高斯模型；若有k个给定的FPR值C₁，C₂，…，C_K，则通过以上算法可以得到K个对应的最优单高斯模型{<N(μ_k，∑)，C_k>|k＝1，2，...，K}，其中μ_k为第k个最优高斯模型均值向量，C_k为第k个最优高斯模型的FPR值；3)融合多个最优高斯模型：使N(μ_k，∑)作用于区间F∈[a_k，b_k)而不仅仅是C_k，其中a_k＜C_k＜b_k；第k个模型的ROC曲线可以用函数r_T＝f_k(r_F)，r_F∈[0，1]表示。a_k和b_k的值由下式决定：a_k＝min{r_F|f_k(r_F)≥f_l(r_F)，l≠k}和b_k＝max{r_F|f_k(r_F)≥f_l(r_F)，l≠k}，其中f_k(r_F)和f_l(r_F)分别为对应模型N(μ_k，∑)和N(μ_l，∑)的ROC曲线；在[0，1]区间内对误检率FPR进行采样，在此基础上通过实验方法得到f_k(·)，最后通过比较f_k(r_F)和其它ROC曲线来计算a_k，b_k，其中k＝1，2，...，K；最终得到融合后的多高斯模离散形式，表示为如下二元组的集合{<N(μ_k，∑)，[a_k，b_k)>|k＝1，2，...，K}。