基于灰度直方图和高斯混合模型多特征肤色识别算法

任民宏， 陈 波， 鲁秋菊

(陕西理工大学 数学与计算机科学学院， 陕西 汉中 723000)

基于灰度直方图和高斯混合模型多特征肤色识别算法

任民宏， 陈 波， 鲁秋菊

(陕西理工大学 数学与计算机科学学院， 陕西 汉中 723000)

肤色识别是色情图像识别和人脸检测中的关键技术，肤色识别的效果关系着相关图像处理技术的应用效果。尽管基于高斯混合模型的肤色识别算法能较好识别存在干扰因素的图像中的肤色，但对于图像中与肤色相近的毛发、背景、风景等部分识别效果并不理想。为了解决这个问题，结合灰度直方图和高斯混合模型的优势，提出了基于灰度直方图和高斯混合模型多特征肤色识别算法。实验表明该算法识别效率较高，能较好识别与肤色相近的非肤色部分，具有一定的实用性。

灰度直方图； 高斯混合模型； 肤色识别

肤色识别是将图像中肤色区域从整个图像中区分出来，其核心问题是肤色像素和非肤色像素的分类[1]。文献[2]提出了YCbCr色度空间上基于高斯混合模型自适应肤色识别算法，该算法既解决了单高斯模型肤色识别效果不佳的问题，又避免了采用固定阈值过大或过小造成的错检情况，但是该算法会把图像中与肤色相近的毛发、背景、风景等非肤色部分识别成肤色。图像灰度直方图是图像区域分割的重要特征，笔者对多幅肤色图像的灰度直方图研究发现，肤色图像灰度直方图的均值位于一定范围，其方差偏小也位于一定范围。本文结合肤色的灰度直方图和高斯混合模型的特征，提出了基于灰度直方图和高斯混合模型多特征肤色识别算法，以期较好地解决与肤色相近的毛发、背景、风景等非肤色部分识别问题。

1 灰度直方图

图像灰度直方图是反映一幅图像的灰度级与出现这种灰度级概率之间的关系图形[3]。设L为灰度级数目，则灰度级ri出现的概率为

(1)

其中ni为灰度图像中出现灰度级ri的像素数，n为图像的像素总数。图像灰度直方图就是以ri为直角坐标系的横轴，以p(ri)为纵轴的图像。例如，图1的灰度直方图如图2所示。

图1 原图 图2 灰度直方图

图像灰度直方图能描述一幅图像或图像区域的特性，在肤色识别中可以使用的统计量主要有均值和方差，分别如式(2)和式(3)所示：

(2)

(3)

均值反映图像灰度级的加权平均值，方差反映图像灰度级的集中程度。笔者研究发现，黄色人种的肤色图像灰度直方图的均值位于120～240范围内，方差偏小且位于0～70范围内，而非肤色图像直方图的方差偏大。

2 高斯混合模型

在YCbCr色度空间上，肤色呈现良好的聚类特性，符合高斯模型分布[2]。高斯模型分为单高斯模型和高斯混合模型，单高斯模型的肤色识别算法计算量小，识别效率高，但是当图像中存在干扰因素时，单高斯模型的肤色识别效果不佳。高斯混合模型的肤色识别算法则可以克服单高斯模型的上述缺点。

在YCbCr色度空间上，像素X(Cb,Cr)在肤色分布空间中是肤色的概率公式为

(4)

(5)

3 肤色识别算法

3.1 基于灰度直方图和高斯混合模型的肤色识别

由于图像灰度直方图能描述一幅图像或图像区域的特性，并且肤色图像灰度直方图的均值位于一定范围，其方差偏小也位于一定范围，所以，可以利用直方图识别图像中的肤色。灰度直方图反映一幅图像或图像区域的特性，但是对于一幅既含有肤色部分，又含有非肤色部分的图像，其灰度直方图的均值和方差总是不能满足肤色图像灰度直方图的均值和方差的范围要求，因此不能直接对整幅图像运用灰度直方图进行肤色识别，解决办法是将图像分块，对每一块进行肤色识别。分块的大小不能太大，分块太大会影响识别的精度，笔者经过多次试验，分块大小为2×2较为合适。为了提高识别效率，在对图像分块前需要将图像规范化到一定的宽度和高度，笔者在算法中将图像大小规范化到200×200。基于灰度直方图的肤色识别过程如下：

Step1 将图像大小规范化到200×200；

Step2 将图像转化成灰度图；

Step3 将转化后的灰度图按从左到右、从上到下的顺序分块，每块大小2×2；

Step4 根据式(1)计算图像块的灰度直方图；

Step5 在Step4得到的灰度直方图基础上，根据式(2)和式(3)计算均值和方差，如果均值位于120～240范围内，且方差位于0～70范围内，则认为该图像块为肤色，其对应的像素用1表示，否则认为该图像块为非肤色，用0表示；

Step6 重复Step4和Step5，直到所有图像块都处理过为止。

当对一幅图像采用基于灰度直方图的肤色识别后，就要进行如文献[2]所述的基于高斯混合模型自适应肤色识别。笔者在文献[2]中详细论述了基于高斯混合模型自适应肤色识别算法，在此不再赘述。

3.2 肤色区域分割

笔者对同一幅图像分别利用灰度直方图和高斯混合模型进行肤色识别，结果发现这两种不同的识别算法识别与肤色相近的毛发、背景、风景等非肤色部分的效果不同，如图3所示。从图中所示的识别结果来看，基于灰度直方图的肤色识别算法在识别与肤色相近的毛发、背景等粗糙部分时效果明显优于基于高斯混合模型识别算法，如果将灰度直方图和高斯混合模型这两种不同的识别特征结合起来，识别算法在识别与肤色相近的毛发、背景、风景等非肤色部分方面的识别效果会大大提升。

图3 灰度直方图和高斯混合模型对肤色的识别结果

假设A、B是两个200×200的矩阵，分别表示基于灰度直方图和高斯混合模型肤色识别结果，矩阵A和B的元素定义为

用矩阵C表示结合灰度直方图和高斯混合模型的肤色识别结果，则矩阵C按式(6)和式(7)运算求得：

C=A⊕B，

(6)

其中

cij=aij⊕bij，

(7)

式中：i=1,2…,200；j=1,2,…,200；运算符“⊕”的运算规则为

1⊕1=1， 1⊕0=0， 0⊕1=0， 0⊕0=0。

如果cij=1，则对应像素为肤色像素，否则为非肤色像素。将图3中的(b)和(c)两幅图像以及(e)和(f)两幅图像分别根据式(6)进行合成运算，结果分别如图4(a)和4(b)所示。从图示识别结果来看，本文提出的肤色识别算法能正确识别图像中的肤色部分，也能正确识别与肤色相近的毛发、背景、风景等非肤色部分。

(a) 图3(b)和(c)合成结果 (b) 图3(e)和(f)合成结果 图4 图3合成结果

4 实验结果及分析

在Intel CORE i7 CPU、8.0 G RAM的环境下，采用MATLAB 7.0分别编程实现基于灰度直方图的肤色识别算法、基于高斯混合模型自适应肤色识别算法(实验中由6个单高斯模型构成高斯混合模型)以及基于灰度直方图和高斯混合模型多特征肤色识别算法，以能正确识别图像中皮肤区域的95%以上为正确识别的标准，对百度图库中1000幅图像(400幅女性图像、400幅男性图像、200幅风景图像)进行肤色识别，识别情况如表1所示。

表1 3种肤色识别算法识别情况对比表

从表1列出的实验结果来看，尽管基于灰度直方图和高斯混合模型多特征肤色识别算法识别每幅图像的时间相对于其他两个算法稍长一些，但算法正检率得到较大提高，特别是识别女性图像和风景图像的正检率提高明显。基于灰度直方图和高斯混合模型多特征肤色识别算法可以有效解决肤色识别中识别与肤色相近的毛发、背景、风景等非肤色部分的问题。

[1] 杨扬,程楠楠,张萌萌.直方图在线更新的肤色识别方法研究[J].计算机工程与应用,2012,48(4):204-206.

[2] 任民宏,鲁秋菊.基于高斯混合模型自适应肤色识别算法[J].陕西理工学院学报(自然科学版),2016,32(6):53-56.

[3] 张远鹏,董海,周文灵.计算机图像处理技术基础[M].北京:北京大学出版社,1998:89-92.

[4] CHAI D,NGAN K N.Locating facial region of a head-and-shoulders color image[C]//Nara:Proceedings of the 3rd International Conference on Automatic Face and Gesture Recognition,1998:124-129.

[5] 宗苏.人类肤色识别中高斯模型的应用[J].中小企业管理与科技,2011(22):273.

[6] 胡伏原,张艳宁,张广鹏.肤色检测研究[A]//信号与信息处理技术第三届信号与信息处理全国联合学术会议论文集[C].中国体视学学会图像分析分会,2004:6.

[7] 胡春华,马旭东,戴先中,等.一种基于标准混合高斯模型的快速人脸检测方法[J].东南大学学报(自然科学版),2007,37(3):389-394.

[8] 杨世强,弓逯琦.基于高斯模型的手部肤色建模与区域检测[J].中国图象图形学报,2016(11):1492-1501.

[9] 柳伯超.基于内容的不良图像识别研究[D].济南:山东师范大学,2007:13-25.

[责任编辑：魏 强]

Algorithm for skin color recognition based on multi-feature of gray-level histogram and Gaussian mixture model

REN Min-hong, CHEN bo, LU Qiu-ju

(School of Mathematics and Computer Science, Shaanxi University of Technology, Hanzhong 723000, China)

Skin color recognition is the key technology in the pornographic image recognition and face detection. The effect of skin color recognition may affect the related image processing technology. Although skin color in the noise images is better recognized with algorithm for skin color recognition based on Gaussian mixture model, for such body parts close to skin color as hair, background and scenery, the effect of skin color recognition is unsatisfactory. In order to solve the problem, algorithm for skin color recognition based on multi-feature of gray-level histogram and Gaussian mixture model is presented along with gray-level histogram and Gaussian mixture model in this paper. The experiment shows that recognition efficiency of the algorithm is higher, similar color of skin parts in image is better recognized with this algorithm and the algorithm has certain practicality.

gray-level histogram; Gaussian mixture model; skin color recognition

TP391.4

A

2096-3998(2017)05-0043-04

2017-03-18

2017-05-11

陕西省教育厅专项科研计划项目(15JK1134)；陕西理工大学科研基金资助项目(SLGKY16-14)

任民宏(1970—)，男，陕西省洋县人，陕西理工大学副教授，主要研究方向为计算机图形图像处理；陈波(1978—)，男，陕西省宁强县人，陕西理工大学讲师，硕士，主要研究方向为计算机图形图像处理；鲁秋菊(1982—)，女，陕西省汉中市人，陕西理工大学讲师，硕士，主要研究方向为计算机图形图像处理。