幾種皮膚檢測算法的仿真?

鄒奉天

（南京理工大學 南京 210000）

1 引言

皮膚檢測是計算機視覺領域的重要研究內容之一，有著廣泛的應用前景。長期以來，它在諸如人體識別、色情圖片識別、人臉識別、皮膚病診斷等領域有著廣泛的應用。皮膚檢測過程是基于像素的顏色分類器，在不同的顏色空間下，通過圖形分割，前景提取，顏色判斷等方式，提取出皮膚區域。為了找出分類器的最佳組成和顏色空間對皮膚檢測的影響，Vezhnevets等做了廣泛的研究和測試。Zarit等在CIE Lab，Fleck hs，HSV，歸一化RGB，Ycrcb五種顏色空間上，使用査表法與Baves決策法來檢測，并比較了檢測結果。

人體檢測、定位和跟蹤過程中膚色是一種有特點和區別的圖像特征。就像其他計算機視覺研究領域一樣，成像條件如光照變化、陰影和高光都使皮膚檢測過程更加復雜化。此外不同種族的膚色可能有所不同。此外對于同一個人，膚色在身體不同部位如臉和手和日照時間如長時日照后會出現顯著差異。

細胞學習自動機（CLA）是由簡單元素組成的系統模型。這些簡單的元素基于它們的鄰近元素行為和先前的經驗來提高他們的性能。它們可以根據它們之間的相互作用來識別復雜的行為。像素間的鄰域特性使得細胞學習自動機成為不錯的圖像處理選擇。

2 幾種皮膚檢測算法介紹

2.1 基于RGB顏色空間的皮膚檢測

RGB空間由紅，綠，藍三種顏色為原色在三維直角坐標系中構成顏色空間，是當前最為廣泛運用的顏色空間［1］。由peeretal的研究表明，人體的膚色在RGB空間中符合下列的規律。

在室內白光下：

（R>95）AND（G>40）AND（B>20）AND（max（R，G，B）-max（R，G，B）>15）AND（|R-G|>15）AND（R＞G）AND（R＞B）

在通常日光下：

（R>220）AND（G>210）AND（B>170）AND（|R-G|≤15）AND（R＞G）AND（R＞B）

通過上述對RGB分量的閾值分割，我們可以得到皮膚檢測的區域。

2.2 基于YCr Cb空間的橢圓皮膚模型檢測

YCbCr顏色空間是一種常用的膚色檢測的色彩模型，其中Y代表亮度，Cr代表光源中的紅色分量，Cb代表光源中的藍色分量［2］。人的膚色在外觀上的差異是由色度引起的，不同人的膚色分布集中在較小的區域內。膚色的YCbCr顏色空間CbCr平面分布在近似的橢圓區域內，通過判斷當前像素點的CbCr是否落在膚色分布的橢圓區域內，就可以很容易地確認當前像素點是否屬于膚色。圖1為橢圓區域。

圖1 橢圓區域

根據經驗某點的CrCb值滿足：133≤Cr≤173，77≤Cb≤127那么該點被認為是膚色點，其他的就為非膚色點。

YCrCb和RGB互相轉換的公式如下：

通過將圖像轉化到YCbCr空間并且在CbCr平面進行投影，采集膚色的樣本點并且投影后，再進行相應的非線性K-L變換，遍歷轉換后的像素點，可得到皮膚區域。

2.3 基于機器學習的皮膚檢測算法

元胞自動機（CA）被廣泛應用于空間擴展物理系統的動力學建模［3］。元胞自動機是細胞的集合，每個細胞都適用于多種狀態的一種。單個細胞的變化依賴于細胞環境的規則狀態。一個細胞的環境是由一小部分鄰細胞構成。圖2顯示了兩種鄰里關系。

學習自動機（LA）是用于執行簡單任務的簡單機器［4］。它們有一組有限的動作，并且在每個階段根據自動機的狀態選擇一個動作的，自動機的狀態通常由動作概率向量表示。對于自動機選擇的每一個動作，環境都會給出一個強化。環境給出一個固定的未知概率分布的強化信號，該信號指定了應用動作的為“增益”。然后，當接收到增益信號時，學習自動機用學習算法更新其動作概率向量。學習自動機與其環境的相互作用如圖3所示。

圖2 鄰里關系

圖3 學習自動機

具體的學習算法是一種遞推關系，如下，其中α為動作選擇，β為環境對動作的回應，ρ為選擇概率，如式（1）、（2）所示：

基于機器學習的皮膚檢測算法將皮膚的顏色和紋理信息與細胞學習自動機相結合，在彩色圖像中分割皮膚區域［5］。首先，檢測圖像中的皮膚顏色，從若干明確的邊界皮膚模型選定區域［6］。然后將檢測到的膚色區域發送到顏色紋理提取器，它通過膚色統計屬性提取皮膚區域的紋理特征，并將它們映射到皮膚概率圖［7］。細胞學習自動機使用這張概率圖來選定皮膚區域。

具體檢測的步驟如圖4所示。

圖4 基于CLA的皮膚檢測流程

皮膚區域的紋理是比較光滑，通過它的顏色先選定皮膚區域，再結合膚色和紋理信息根據其不同的紋理特性，通過CLA分析進行進一步識別［8］。如圖5其中顯示了具有不同紋理的兩個皮膚候選區域的示例，其顏色相似但紋理是完全不同的。

圖5 皮膚檢測候選區示例

我們可以根據相鄰像素的顏色信息及其歐幾里德距離，提取區域的紋理。首先，對于圖上的每個像素（r，g，b）先使用式（3）計算該像素的顏色與塊中的所有鄰域之間的歐幾里德距離［9］。然后，通過（4）計算“粗糙度圖”，最后，使用計算的粗糙度值來計算“概率圖”式（5）。

通過概率圖的計算，學習機（CLA）可以對整張圖的皮膚紋理進行分析，我們根據中心自動機及其鄰域的選定動作來獎勵或懲罰每個學習自動機［10］。如果選擇與皮膚相關行為的學習自動機數量更多（超過7個），對中心學習自動機進行獎勵。如果選擇與非皮膚相關的學習自動機的數目少（少于4個），我們就用它的學習算法來懲罰中心學習自動機［11］。具體如圖6。

圖6 學習自動機的獎懲機制

經過幾次迭代后，CLA中的每個現有自動機都會聚在一起，選擇皮膚或非皮膚狀態［12］。學習自動機收斂到0或1，流程就會停止。至此可以將每個像素劃分為皮膚像素或非皮膚像素。

3 仿真結果

仿真環境使用了Win10系統下的Visual Stu?dio2013加OpenCV包完成RGB顏色空間和YCrCb橢圓空間模型的皮膚檢測，Matlab2016加Image Processing Toolbox完成了基于機器學習（CLA）的皮膚檢測［13］。

圖片選自網絡中隨機的三張街景，分別包含一人兩人和三人下面為具體的仿真結果，其中每組第一張為原圖，第二張為RGB顏色空間下的皮膚檢測結果，第三張為YCrCb橢圓空間模型下皮膚檢測結果，第四張為基于機器學習（CLA）的皮膚檢測結果。

圖7 單人、雙人、三人皮膚檢測算法結果

由上面對比明顯見在街拍自然光背景存在干擾的情況下，使用RGB顏色空間的皮膚檢測存在很高的誤檢率，YCrCb橢圓空間模型下相對較好但還是存在部分環境影響導致的誤檢測［14］，基于機器學習（CLA）的皮膚檢測獲得了相對滿意的檢測效果，最大程度地減少了皮膚誤檢測［15］。

表1為三種不同皮膚檢測方式的皮膚正檢率與誤檢率統計。

表1 各種皮膚檢測算法正誤檢率

從數據上看基于機器學習（CLA）的皮膚檢測可以在基本保持正檢率的情況下極大地減少皮膚誤檢率。

4 結語

通過對幾種皮膚檢測算法的仿真與比較，我們不難發現基于RGB的皮膚檢測算法雖然算法簡單，但在復雜環境光，復雜背景的情況下存在比較大的誤檢率，基于YCrCb橢圓空間模型下的皮膚檢測則主要減少偏藍色背景的誤檢，但還是存在比較大的皮膚誤檢率，特別是背景也存在偏黃色的場景時。基于機器學習（CLA）的皮膚檢測因為引入了背景紋理可得分析，所以對于偏黃色的草地這類粗糙背景，可以有效過濾，但部分飛粗糙類膚色的背景如金色光滑的欄桿，衣服上白條等，還是存在部分的誤檢情況，不過相對來說誤檢已經極大地減少了。

在單一光源，教單一背景下很多算法都能比較準確地檢測膚色，但遇到室外復雜自然光復雜背景的情況，對膚色檢測的算法也提出了更高的要求，基于機器學習通過引入紋理檢測膚色能部分解決誤檢的問題，但還是存在一定程度的誤檢情況，如果我們引入更多維度的特征，比如形態學特征，背景分析前景提取等，應該可以進一步提高檢測率減少誤檢率，這也是我們可以進一步考慮改進算法的方向。