【文章內(nèi)容簡介】 空間HSV顏色空間在視覺上是均勻的，與人類的視覺特性有很好的一致性。如果去掉其亮度分量V，使用H和S分量對圖像進行膚色分割，也可以得到很好的效果，但是它也有很大的不足：(1) 三個分量H、S、V是由三基色R、G、B經(jīng)過非線性變換得到的，因此計算復(fù)雜度高，計算效率較低。(2) HSV顏色空間中存在著奇異點，即色度點在V軸上時，其S值為零，而H沒有定義。而且在奇異點附近R、G、B值的較小變化就會引起H、S、V值的較大變化。飽和度S越小，顏色越淺時，色調(diào)H值越不穩(wěn)定。圖331 YCbCr 顏色空間YCbCr顏色空間的Y亮度分量和色度分量Cb與Cr基本分離，比較適合膚色聚類。除此YCbCr顏色空間還顯示了其他一些良好的特性：(1) 該空間具有與人類視覺感知過程相類似的構(gòu)成原理。(2) YCbCr色彩空間被廣泛地應(yīng)用在電視顯示等領(lǐng)域中，也是許多視頻壓縮編碼，如MPEG和JPEG等標(biāo)準(zhǔn)中普遍采用的顏色表示。(3) YCbCr的計算過程和空間坐標(biāo)表示形式簡單，與RGB之間的轉(zhuǎn)換為線性，容易實現(xiàn)，避免了非線性的奇異性。(4) YCbCr顏色空間是離散的，采用YCbCr顏色空間易于實現(xiàn)聚類算法。(5) Anil ，其結(jié)果表明，膚色在YCbCr顏色空間的淚俱效果較好。一般情況下，顏色圖像都是RGB顏色空間的，其他顏色空間都是通過RGB轉(zhuǎn)換得到的，而YCbCr也是如此。由于是線性轉(zhuǎn)換關(guān)系，其中的亮度分量Y并不是完全獨立于色度信息存在的，而Anil ，膚色的聚類區(qū)域因為亮度分量的關(guān)系而呈現(xiàn)非線性變化的情況，而且在YCbCr顏色空間中，膚色聚類成兩頭尖的橢球形。因此單純的排除亮度分量Y的影響，可能會導(dǎo)致選取的膚色區(qū)域不夠準(zhǔn)確，降低其魯棒性。所以，在膚色檢測之前，要先對圖像進行分段線性顏色變換。由YCbCr到Y(jié)Cb’Cr’如式313所示。Ci39。YCiYCiY?WciWCiY+CiY,ifYKiorKhYCiY ,ifY∈Ki,Kh 331其中，i表示b或r,WCb=，WCr=，Ki和Kh為常量分別為125和188，CiY為聚類兩頭尖的橢球形的中軸線處的值，實際上是Cb、Cr兩個分量隨Y變化的聚類中心線處的值。 RGB顏色空間到Y(jié)CbCr顏色空間的映射人類的膚色在YCbCr顏色空間相對比較集中（被稱為膚色的聚類特性），因此選用在YCbCr顏色空間中進行人臉檢測，需完成RGB顏色空間到Y(jié)CbCr顏色空間的映射。在你從RGB到Y(jié)CbCr的轉(zhuǎn)換過程中，輸入、輸出數(shù)據(jù)都是8位二進制格式。轉(zhuǎn)換公式如下： Y=++ Cb=++128 314 Cr=+128式中，R、G、B是RGB顏色空間中紅、綠、藍3種顏色通道的顏色值。YCbCr顏色空間中，Y的范圍為16 ~ 235，Cb和Cr的范圍為 16 ~ 240。但是，由于Y和Cb、Cr可能偶然超出 16 ~ 235和 16 ~ 240 范圍（視頻處理和噪聲的緣故），根據(jù)以上公式可知，此時RGB的值可能偏移到 0 ~ 15和 236 ~ 255范圍內(nèi)。計算機系統(tǒng)中的RGB數(shù)值范圍為0 ~ 255，因此，使用以下的方程式會更加方便： Y=+++16 Cb=++128 Cr=+128 膚色模型 選好顏色空間后，接下來就是在此顏色空間中進行膚色建模。所謂膚色模型是指用一種代數(shù)的、解析的或查找表等形式來表示膚色的聚類特性，或者表征出某一像素的顏色與膚色的相似程度。常用的膚色模型、橢圓模型和高斯模型。 直方圖模型是一種非參數(shù)化模型。此模型通過選定的顏色空間對膚色進行統(tǒng)計得出其各顏色分量直方圖，由直方圖顯現(xiàn)出的規(guī)律選定閾值，通過該閾值來對整個圖像進行膚色與非膚色的判別。盡管此模型在三維直方圖中效果比較好，但是由于其訓(xùn)練樣本數(shù)量龐大而且訓(xùn)練時間較長。因此，在膚色建模中較少使用。膚色在CbCr 空間中也可以用橢圓分布來描述，根據(jù)式（）和式（）來匹配橢圓分布兩個色度分量的距離。 xex2a2+yecy2b2=1 (3221) xy=cosθsinθsinθcosθCb39。cxCr39。cy (3222)其中，ecx和ecy分別為Cb和Cr的統(tǒng)計均值。式中的參數(shù)ecx=，ecy=，a=，b=，cx=，cy=，θ=。高斯模型主要是利用了統(tǒng)計學(xué)的原理。膚色符合正態(tài)分布的隨機樣本，在特征空間中的分布則復(fù)合高斯分布，高斯函數(shù)平面圖如圖323所示。高斯分布的數(shù)學(xué)表達形式簡單且直觀，又是統(tǒng)計學(xué)中研究比較深入的一種正態(tài)模型，因此借助此模型具有一定的優(yōu)越性。它主要通過統(tǒng)計分析，預(yù)測高斯分布的參數(shù)，或通過統(tǒng)計直接求得顏色空間中每個分量（一般利用的是該顏色空間中的色度分量）的均值與協(xié)方差。這種方法分為兩步：首先選擇方法確定模型的參數(shù)（即均值和協(xié)方差），其次利用該模型來判別新的像素或區(qū)域是否為膚色。圖323光線補償?shù)南敕ǖ奶岢鲋饕强紤]到膚色等色彩信息經(jīng)常受到光源顏色、圖像采集設(shè)備的色彩偏差等因素的影響，而在整體上偏離本質(zhì)色彩而向某一方向移動，即我們通常所說的色彩偏冷、偏暖，照片偏黃、偏藍等等。這種現(xiàn)象在藝術(shù)照片中更為常見。我們采用Gary World算法對RGB圖像進行快速顏色補償，即： SC=CstdCave，Cnew=C*SC 331式中，Cstd為標(biāo)準(zhǔn)亮度圖像R、G、B的平均值；Cave為輸入圖像R、G、B的平均值；C為原圖像的像素值；Cnew為亮度補償后的像素值。不同種族、不同年齡、不同性別的人膚色看起來存在差異，但這個差異主要體現(xiàn)在亮度上。當(dāng)去除亮度，膚色就具有很高的聚類性。在RGB顏色空間，為了去除光照影響，人臉膚色需進行亮度歸一化。歸一化的顏色分量分別為r，g，b。 r=RR+G+B，g=GR+G+B，b=BR+G+B 332式中，r、g、b分別來自于R、G、B，相互獨立且r+g+b=1。由于這種歸一僅去除了R、G、B中的相對亮度成分R+G+B，而r、g、b仍存在亮度信息，所以這種方法用于膚色檢測效果不好。在YCbCr色彩空間，歸一化色度直方圖后假定膚色滿足二維高斯模型M=(m,C)，其中m為均值，m=E(x)，x=Cb,CrT，C為協(xié)方差矩陣，C=E[(xm)(xm)]，通過這個膚色模型檢測任意一個像素是否為膚色的概率為 PCb,Cr= 332已經(jīng)證明，這個模型能很好的區(qū)分出人臉和非人臉。中值濾波是抑制噪聲的一種非線性平滑處理方法，后來人們將其用于二維數(shù)字圖像處理中。中值濾波也是一種鄰域運算，但不是簡單的以待處理像素點(i,j)的8個相鄰像素的灰度均值來取代該點的灰度，對于給定的n個像素（n為奇數(shù)）的灰度值{a1，a2，…，an}，將其按大小進行排序，利用排在中間的灰度值來取代待處理像素點的原始灰度，其實質(zhì)上是用與相鄰像素接近的灰度值來取代與相鄰像素相差較大的灰度，按此操作辨理圖像，即可得到平滑后的圖像。陣列xi , jMN經(jīng)過窗口為Mn的中值濾波后，待處理像素點(i ,j)的響應(yīng)輸出為fi, j=medMni,jxi, j 333式中，Mn表示待處理點的鄰域模板，窗口模板可以是正方形或十字形的，分別如圖3331和圖3332111111111010111010 圖3331 圖3332 為了方便在后續(xù)處理中利用圖像像素的鄰域信息，我們首先將像素從彩色空間變到一維空間。根據(jù)膚色在色度空間中的高斯分布，對于彩色圖像中的每個像素點，將其從RGB色彩空間變換到Y(jié)CgCr色彩空間后，就可以計算該點屬于皮膚區(qū)域的概率，即根據(jù)該點距離高斯分布中心的遠近的到其與膚色的相似度，即 PCg,Cr= 34 對一幅圖像中的每個像素點計算完畢后，我們統(tǒng)計出該幅圖像上所有像素點的最大膚色相似度PmaxCG,CR，并將每個像素點的膚色相似度PCg,Cr除以該圖像中的最大膚色相似度PmaxCG,CR，即可將各個像素的膚色相似度值歸一到[0,1]之間。該值越大，表示屬于膚色的可能性也越大，反之越小。為了顯示各像素屬于膚色的相似程度，我們將各像素的膚色相似度值乘以255，然后取整，將其變換到[0,255]之間，即在相似度值的基礎(chǔ)上把一幅彩色圖像轉(zhuǎn)換為一幅膚色相似度灰度圖像。該轉(zhuǎn)換僅僅是為了顯示相似度效果而做的轉(zhuǎn)換。 對人臉膚色相似度計算，一般需要經(jīng)過以下幾個步驟：(a) 首先利用如下公式：Y=+++16 Cb=++128Cr=+128 將人臉圖像從RGB顏色空間映射到Y(jié)CbCr顏色空間，(b) 建立膚色模型，具體代碼如下：Cb_Mean=。Cr_Mean=。Cov00=。Cov10=。Cov11=。(c) 膚色相似度矩陣的計算，得到m_pSimArray[i][j]的值；(d) 對所得到的m_pSimArray[i][j]進行中值濾波；(e) 用相似度矩陣中的最大值對相似度矩陣進行歸一化處理。人臉膚色相似度算法流程圖如圖35所示。初始化獲取圖像參數(shù)將圖像從RGB色彩空間映射到Y(jié)CbCr色彩空間建立膚色模型利用膚色模型，求相似度矩陣中值濾波用相似度矩陣中的最大值對相似度矩陣進行歸一結(jié)束