一种新的光照自适应的肤色检测方法

胡秀云

(信阳师范学院 华锐学院，河南 信阳464000)

1 基本概念

1.1 颜色空间

众所周知，RGB 表示法[2]是最广泛使用颜色空间模型，在该颜色空间中，颜色被定义为由R、G、B 三个主分量组成，各分量均包含了亮度信息，它们之间存在很大的相关性，而这种相关性，不利于肤色的检测和分割。 因此改变对光照变化敏感的方法就是将RGB 颜色空间的图像转换到亮度和色度分离的颜色空间。

Carcia 等人比较了肤色在YCgCr 和HSV 颜色空间中的聚类结果；Cai 等人介绍了在CIE Lab 颜色空间中的聚类结果， 认为CIE Lab 颜色空间比RGB 和HSV 颜色空间具有更好的认知均匀性。 这些方法在某种特定的条件下均比较成功，但均未考虑到环境光照对肤色检测的影响。 Chai 等人假设非肤色区域具有均衡亮度的前提下检测人脸，该方法不适合于复杂背景下的肤色区域检测。 TSL 颜色空间在单高斯模型和混合高斯模型下提供更好的结果。

1.2 肤色建模

肤色特征刻画的优劣不仅与颜色空间的选用有关，而且与肤色模型的选择有关。 基于像素的肤色检测模型可分为两种：非参数的直方图模型的方法和参数估计的高斯模型[6]（包括单高斯模型和高斯混合模型）。 单高斯模型的参数估计通常采用ML 估计或MAP 估计，高斯混合模型的参数估计通常采用EM 算法。Zarit 等在5 个颜色空间上比较ML 和MAP 方法，发现ML 方法优于MAP 方法。 Terillon 等[7]比较了9 个不同的色彩空间， 包括TSL、r-g、CIE-xy、CIE DSH、HSV、YIQ、YES、CIE-Luv、CIE-Lab，指出对于规范化的色度空间，当采用单高斯模型时，TSL 方法和r-g 方法分别是最优和次优；而如果采用高斯混合模型，TSL 方法和HSV 方法分别是最优和次优。 并且指出单高斯模型最适合刻画规范化的色度空间肤色信息，而非规范化的色度空间不适合用单高斯模型。 Jones和Rehg 比较了直方图模型和高斯模型方法的肤色检测方法，发现无论是在精度上还是在计算时间上，直方图模型方法都比高斯模型方法要好，这为最佳肤色空间的选择明确了方向。

1.3 图像的小波变换

图像信号可用二维信号f（x，y）∈L2（R×R）来表示，根据多分辨率分析理论， 有函数空间的关系：V0=V1⊕W1=V2+W2+W1=……

即对于任意信号f（x，y）可以将其分解为细节部分[8]W1和大尺度逼近部分V1，然后将大尺度逼近部分V1再进行分解，如此重复分解就得到任意尺度，即任意分辨率上的逼近部分和细节部分，这即为多分辨率分析的框架。

由于：

VJ（x，y）=VJ（x）⊕VJ（y）

=⎿VJ+1（x）⊕WJ+1（x）」⊗⎿VJ+1（y）⊕WJ+1（y）」

=VJ+1（x，y）⊕⎿VJ+1（x）⊗WJ+1（y）⊕WJ+1（x）⊗VJ+1（y）

⊕WJ+1（x）⊗WJ+1（y）」

若取基函数为：

则二维小波空间[9]WJ（x，y）由是三个部分组成：

VJ（x）⊗WJ（y）其基函数为：φj，m（x）φj，n（y）=2j/2φ（2jx-m）2j/2φ（2jy-n）

VJ（y）⊗WJ（x）其基函数为：φj，m（x）φj，n（y）=2j/2φ（2jx-m）2j/2φ（2jy-n）

WJ（x）⊗WJ（y）其基函数为：φj，m（x）φj，n（y）=2j/2φ（2jx-m）2j/2φ（2jy-n）

上面的分析过程即为小波分解， 逆过程为小波构成，均满足Mallat 的递推公式和反递推公式。 分析知小波变换相当于交替在水平和垂直方向上进行滤波和亚采样，每经过一次分解， 当前频率LLn-1 被分为4 个子带，LLn，LHn，HLn 和HHn， 其中底频率带LLn 反映了图像的下一尺度的概貌，其余3 个子带分别反映图像在水平、垂直和对角线方向的高频细节信息，对图像进行3 级分解的频谱图（见图1）。

根据Mallat 算法，对图像进行小波分解也可用滤波器结构来表示。

2 自适应肤色检测

2.1 自适应光照的肤色检测的概述

随着光照条件的变化， 肤色特征的表现也出现差异，为此人们一直在试图解决光照对颜色的影响问题，当前对此已提出了颜色常量、通过肤色信息估计光照的方法、白点调整方法。自适应颜色模型方法和自适应阈值方法[10-11]。自适应模型的方法是一种基于对象的颜色分部高斯混合模型的方法，它采用HSV 颜色空间来描述人脸，并采用EM 算法来动态地估计参数，以自适应光照条件的变化。 自适应阈值的方法是一种基于直方图模型[12-13]的方法，该方法在HSV 颜色空间中通过估计其颜色直方图的重心，计算出用于刻画肤色信息的自适应阈值BOX，从而可以针对不同的光照条件较准确定位肤色区域。

图1 三级分解的频谱图

2.2 自适应光照的肤色检测算法

1）Cho 等提出的采用HSV 颜色空间[14]来描述人脸的自适应阈值方法，是一种基于直方图模型的方法，该方法实际上给出了一种实用肤色检测方法的研究方向，但仍然存在许多问题有待改善。

为证明此方法的局限性，在表1 中，已对YIQ 构造的色度H 和饱和度S 粗略地给定了阈值， 但在光照因素的影响下，无法保证基于该阈值能检测到大多数肤色块，因此有必要调整阈值以适应光照条件、光照方向、光的阴影和荧虹灯光等因素的影响。

表1 在s=80%的条件下个颜色字空间刻画肤色特征的参数范围

说明：表中的各项数据已被归一化到100，其中第3 行分别为4 个阈值为α1，α2，α3，α4的参数。

由于H 和S 是两个相对独立的量，因此根据每幅图像在H 和S 上的颜色直方图的形状，可以采用迭代的算法更新H和S 的阈值，以确定肤色的特征。 具体算法如下：

（1）将H 和S 量化成100 个等级。 首先给定H×S 的阈值为（46，57）×（4，18），对满足给定阈值的颜色块，构造H 和S空间上的二维颜色直方图f（u，v）。

（2）根据表给出的H 和S 阈值的上界和下界，构造阈值矩形（46，57）×（4，18）。

（3）计算直方图的最大值，记为Vmax，并将直方图频数值小于0.1×Vmax 的单元置为0。 即结果为：

其中，二值函数χ（u，v）取值为：

（4）对直方图频数值大于0.1×Vmax 的单元，即函数fx（u，v），计算其重心坐标（h，s）。 计算公式为：

其中，mpq为fx（u，v）的（p+q）矩阵，即：

（5）移动阈值矩形，使矩形的中心处于上一步的重心，矩形的尺寸重新定为（h-20，h+20）×（s-8，s+8）；

（6）重复步骤（4）和（5），直到依此计算的两个重心的距离变化不超过预先给定的阈值为止；

（7）在最终的直方图中，由那些频数大于0.1×Vmax 的单元确定阈值矩形， 并且由阈值矩形的4 个边确定最终的阈值。 通常最终的阈值矩形比迭代计算中所有的阈值矩形要小。

3 人脸肤色区域的精确定位

一个完整的人脸轮廓检测过程可分为四步：

（1）利用（YIQ）H-S 和r-g 双空间方法的自适应阈值的方法获得较准确的肤色区域，选择有一定面积的肤色连通区域作为可能的人脸区域，用一个矩形包围它，称为准人脸肤色区域；

（2）在准人脸肤色区域的左右边界附近分别取一个领域，做小波变换；

（3）利用小波边缘检测的方法，检测出人脸左右轮廓，估计出下巴点的位置；

（4）利用准肤色区域的上界，下巴点和左右边缘的最外点4 个参数，画出人脸椭圆。

在精确定位人脸轮廓的前提下， 利用Lai 等提出的查找眼睛和嘴巴的方法，可以用于验证所确定的肤色区域是否为人脸区域。

4 小结

在人脸检测和手势识别方面肤色检测具有非常重要的价值。 当进行人脸检测时，肤色信息可以用于预处理，也可以用于后期验证。 但基于肤色检测算法实用化的前提是排除光照对肤色特征的影响。 本文从三个方面考虑了抗光照问题：

（1）从色度空间入手，在众多的颜色空间如r-g 空间、H SV（H-S）空间、YIQ（H-S）空间和TDL（T-S）空间中选择出对光照因素稳健的肤色子空间YIQ（H-S）空间。

（2）从肤色建模入手，基于像素的肤色检测模型分为：非参数的直方图模型的方法和参数估计的高斯模型（包括单高斯模型和高斯混合模型）。 比较两者的优劣，最总选择了直方图模型。从而在基于肤色子空间YIQ（H-S）核直方图模型，提出了其阈值能岁光照条件自适应确定的肤色检测方法。

（3）从人脸检测入手，肤色特征仅是低级的特征，单纯采用肤色特征不能决定所检测的区域是否为人脸的肤色区域，类似人脸肤色背景的物体产生的伪肤色区域会给人脸肤色区域的确定造成误差。 本文通过小波边缘检测技术能精确定位人脸位置。

［1］赖剑煌，阮邦志，冯莉.光照自适应的人脸肤色检测方法[J].中山大学学报，2005，44（5）：1-5.

［2］王建国，华继钊，杨静宇.基于YCgCr 颜色空间的自适应的肤色检测[J].计算机应用研究，2008，25（2）：467-472.

［3］Qieshi Zhang，Sei-ichiro Kanata，Jun Zhang. Face detection and tracking in color images using color cancroids’segmentation [C].Proceedings of the 2008 IEEE International Conference on Robotics and Biomimetics. Bangkok，Thailand：IEEE Press，2009：1008-1013.

［4］邬长安.数字图像处理、分析及应用[M].大象出版社，2008.

［5］江国来，林耀荣.自适应模型和固定模型结合的肤色分割算法[J].计算机应用，2010，30（10）：2698-2701.

［6］张毓晋.图像分割[M].科学出版社，2001.

［7］TERRILION J C，SHIRAZIN M N，FUKAMACH H，et al.Comparative Performance of Different Skin Chrominance Models and Chrominance Space for the Automatic Detection of Human Faces in color Images[C]. Proc IEEE Int’l Conf on Face and esture Recognition，2000：54-61.

［8］邵晟.新颖的基于小波变换的图像压缩编码[D].上海：复旦大学，2007.

［9］王惠敏，艾春廷，陈作炳.基于多进制小波变换图像压缩编码研究[J].武汉理工大学学报，2002，24（8）：77-89.

［10］陈家伟，王知衍，张艳青.鲁棒肤色检测方法[J].计算机工程与设计，2010，31（9）：2073－2079.

［11］苏洁，印桂生，魏振华，刘亚辉.基于模糊控制的光照自适应特征提取[J].计算机应用，2010，30（9）：39-47.

［12］张毓晋.图像工程-图像处理和分析[M].清华大学出版社，1999.

［13］边肇祺，张学工.模式识别2 版[M].清华大学出版社，2000.

［14］腾升华，沈怡平.颜色空间在图像彩色化处理中的应用分析[J].计算机科学，2009，36（10）：277-279.