一種新的光照自適應的膚色檢測方法

胡秀云

(信陽師范學院 華銳學院，河南 信陽464000)

1 基本概念

1.1 顏色空間

眾所周知，RGB 表示法[2]是最廣泛使用顏色空間模型，在該顏色空間中，顏色被定義為由R、G、B 三個主分量組成，各分量均包含了亮度信息，它們之間存在很大的相關性，而這種相關性，不利于膚色的檢測和分割。 因此改變對光照變化敏感的方法就是將RGB 顏色空間的圖像轉換到亮度和色度分離的顏色空間。

Carcia 等人比較了膚色在YCgCr 和HSV 顏色空間中的聚類結果；Cai 等人介紹了在CIE Lab 顏色空間中的聚類結果， 認為CIE Lab 顏色空間比RGB 和HSV 顏色空間具有更好的認知均勻性。 這些方法在某種特定的條件下均比較成功，但均未考慮到環境光照對膚色檢測的影響。 Chai 等人假設非膚色區域具有均衡亮度的前提下檢測人臉，該方法不適合于復雜背景下的膚色區域檢測。 TSL 顏色空間在單高斯模型和混合高斯模型下提供更好的結果。

1.2 膚色建模

膚色特征刻畫的優劣不僅與顏色空間的選用有關，而且與膚色模型的選擇有關。 基于像素的膚色檢測模型可分為兩種：非參數的直方圖模型的方法和參數估計的高斯模型[6]（包括單高斯模型和高斯混合模型）。 單高斯模型的參數估計通常采用ML 估計或MAP 估計，高斯混合模型的參數估計通常采用EM 算法。Zarit 等在5 個顏色空間上比較ML 和MAP 方法，發現ML 方法優于MAP 方法。 Terillon 等[7]比較了9 個不同的色彩空間， 包括TSL、r-g、CIE-xy、CIE DSH、HSV、YIQ、YES、CIE-Luv、CIE-Lab，指出對于規范化的色度空間，當采用單高斯模型時，TSL 方法和r-g 方法分別是最優和次優；而如果采用高斯混合模型，TSL 方法和HSV 方法分別是最優和次優。 并且指出單高斯模型最適合刻畫規范化的色度空間膚色信息，而非規范化的色度空間不適合用單高斯模型。 Jones和Rehg 比較了直方圖模型和高斯模型方法的膚色檢測方法，發現無論是在精度上還是在計算時間上，直方圖模型方法都比高斯模型方法要好，這為最佳膚色空間的選擇明確了方向。

1.3 圖像的小波變換

圖像信號可用二維信號f（x，y）∈L2（R×R）來表示，根據多分辨率分析理論， 有函數空間的關系：V0=V1⊕W1=V2+W2+W1=……

即對于任意信號f（x，y）可以將其分解為細節部分[8]W1和大尺度逼近部分V1，然后將大尺度逼近部分V1再進行分解，如此重復分解就得到任意尺度，即任意分辨率上的逼近部分和細節部分，這即為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）」

若取基函數為：

則二維小波空間[9]WJ（x，y）由是三個部分組成：

VJ（x）?WJ（y）其基函數為：φj，m（x）φj，n（y）=2j/2φ（2jx-m）2j/2φ（2jy-n）

VJ（y）?WJ（x）其基函數為：φj，m（x）φj，n（y）=2j/2φ（2jx-m）2j/2φ（2jy-n）

WJ（x）?WJ（y）其基函數為：φj，m（x）φj，n（y）=2j/2φ（2jx-m）2j/2φ（2jy-n）

上面的分析過程即為小波分解， 逆過程為小波構成，均滿足Mallat 的遞推公式和反遞推公式。 分析知小波變換相當于交替在水平和垂直方向上進行濾波和亞采樣，每經過一次分解， 當前頻率LLn-1 被分為4 個子帶，LLn，LHn，HLn 和HHn， 其中底頻率帶LLn 反映了圖像的下一尺度的概貌，其余3 個子帶分別反映圖像在水平、垂直和對角線方向的高頻細節信息，對圖像進行3 級分解的頻譜圖（見圖1）。

根據Mallat 算法，對圖像進行小波分解也可用濾波器結構來表示。

2 自適應膚色檢測

2.1 自適應光照的膚色檢測的概述

隨著光照條件的變化， 膚色特征的表現也出現差異，為此人們一直在試圖解決光照對顏色的影響問題，當前對此已提出了顏色常量、通過膚色信息估計光照的方法、白點調整方法。自適應顏色模型方法和自適應閾值方法[10-11]。自適應模型的方法是一種基于對象的顏色分部高斯混合模型的方法，它采用HSV 顏色空間來描述人臉，并采用EM 算法來動態地估計參數，以自適應光照條件的變化。 自適應閾值的方法是一種基于直方圖模型[12-13]的方法，該方法在HSV 顏色空間中通過估計其顏色直方圖的重心，計算出用于刻畫膚色信息的自適應閾值BOX，從而可以針對不同的光照條件較準確定位膚色區域。

圖1 三級分解的頻譜圖

2.2 自適應光照的膚色檢測算法

1）Cho 等提出的采用HSV 顏色空間[14]來描述人臉的自適應閾值方法，是一種基于直方圖模型的方法，該方法實際上給出了一種實用膚色檢測方法的研究方向，但仍然存在許多問題有待改善。

為證明此方法的局限性，在表1 中，已對YIQ 構造的色度H 和飽和度S 粗略地給定了閾值， 但在光照因素的影響下，無法保證基于該閾值能檢測到大多數膚色塊，因此有必要調整閾值以適應光照條件、光照方向、光的陰影和熒虹燈光等因素的影響。

表1 在s=80%的條件下個顏色字空間刻畫膚色特征的參數范圍

說明：表中的各項數據已被歸一化到100，其中第3 行分別為4 個閾值為α1，α2，α3，α4的參數。

由于H 和S 是兩個相對獨立的量，因此根據每幅圖像在H 和S 上的顏色直方圖的形狀，可以采用迭代的算法更新H和S 的閾值，以確定膚色的特征。 具體算法如下：

（1）將H 和S 量化成100 個等級。 首先給定H×S 的閾值為（46，57）×（4，18），對滿足給定閾值的顏色塊，構造H 和S空間上的二維顏色直方圖f（u，v）。

（2）根據表給出的H 和S 閾值的上界和下界，構造閾值矩形（46，57）×（4，18）。

（3）計算直方圖的最大值，記為Vmax，并將直方圖頻數值小于0.1×Vmax 的單元置為0。 即結果為：

其中，二值函數χ（u，v）取值為：

（4）對直方圖頻數值大于0.1×Vmax 的單元，即函數fx（u，v），計算其重心坐標（h，s）。 計算公式為：

其中，mpq為fx（u，v）的（p+q）矩陣，即：

（5）移動閾值矩形，使矩形的中心處于上一步的重心，矩形的尺寸重新定為（h-20，h+20）×（s-8，s+8）；

（6）重復步驟（4）和（5），直到依此計算的兩個重心的距離變化不超過預先給定的閾值為止；

（7）在最終的直方圖中，由那些頻數大于0.1×Vmax 的單元確定閾值矩形， 并且由閾值矩形的4 個邊確定最終的閾值。 通常最終的閾值矩形比迭代計算中所有的閾值矩形要小。

3 人臉膚色區域的精確定位

一個完整的人臉輪廓檢測過程可分為四步：

（1）利用（YIQ）H-S 和r-g 雙空間方法的自適應閾值的方法獲得較準確的膚色區域，選擇有一定面積的膚色連通區域作為可能的人臉區域，用一個矩形包圍它，稱為準人臉膚色區域；

（2）在準人臉膚色區域的左右邊界附近分別取一個領域，做小波變換；

（3）利用小波邊緣檢測的方法，檢測出人臉左右輪廓，估計出下巴點的位置；

（4）利用準膚色區域的上界，下巴點和左右邊緣的最外點4 個參數，畫出人臉橢圓。

在精確定位人臉輪廓的前提下， 利用Lai 等提出的查找眼睛和嘴巴的方法，可以用于驗證所確定的膚色區域是否為人臉區域。

4 小結

在人臉檢測和手勢識別方面膚色檢測具有非常重要的價值。 當進行人臉檢測時，膚色信息可以用于預處理，也可以用于后期驗證。 但基于膚色檢測算法實用化的前提是排除光照對膚色特征的影響。 本文從三個方面考慮了抗光照問題：

（1）從色度空間入手，在眾多的顏色空間如r-g 空間、H SV（H-S）空間、YIQ（H-S）空間和TDL（T-S）空間中選擇出對光照因素穩健的膚色子空間YIQ（H-S）空間。

（2）從膚色建模入手，基于像素的膚色檢測模型分為：非參數的直方圖模型的方法和參數估計的高斯模型（包括單高斯模型和高斯混合模型）。 比較兩者的優劣，最總選擇了直方圖模型。從而在基于膚色子空間YIQ（H-S）核直方圖模型，提出了其閾值能歲光照條件自適應確定的膚色檢測方法。

（3）從人臉檢測入手，膚色特征僅是低級的特征，單純采用膚色特征不能決定所檢測的區域是否為人臉的膚色區域，類似人臉膚色背景的物體產生的偽膚色區域會給人臉膚色區域的確定造成誤差。 本文通過小波邊緣檢測技術能精確定位人臉位置。

［1］賴劍煌，阮邦志，馮莉.光照自適應的人臉膚色檢測方法[J].中山大學學報，2005，44（5）：1-5.

［2］王建國，華繼釗，楊靜宇.基于YCgCr 顏色空間的自適應的膚色檢測[J].計算機應用研究，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］鄔長安.數字圖像處理、分析及應用[M].大象出版社，2008.

［5］江國來，林耀榮.自適應模型和固定模型結合的膚色分割算法[J].計算機應用，2010，30（10）：2698-2701.

［6］張毓晉.圖像分割[M].科學出版社，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.新穎的基于小波變換的圖像壓縮編碼[D].上海：復旦大學，2007.

［9］王惠敏，艾春廷，陳作炳.基于多進制小波變換圖像壓縮編碼研究[J].武漢理工大學學報，2002，24（8）：77-89.

［10］陳家偉，王知衍，張艷青.魯棒膚色檢測方法[J].計算機工程與設計，2010，31（9）：2073－2079.

［11］蘇潔，印桂生，魏振華，劉亞輝.基于模糊控制的光照自適應特征提取[J].計算機應用，2010，30（9）：39-47.

［12］張毓晉.圖像工程-圖像處理和分析[M].清華大學出版社，1999.

［13］邊肇祺，張學工.模式識別2 版[M].清華大學出版社，2000.

［14］騰升華，沈怡平.顏色空間在圖像彩色化處理中的應用分析[J].計算機科學，2009，36（10）：277-279.