基于多顏色空間信息整合和AdaBoost算法的自適應(yīng)膚色建模研究.pdf

1、隨著視頻圖像采集設(shè)備——攝像機(jī)的廣泛使用，人們對(duì)圖像中膚色區(qū)域分割的研究越來越多，進(jìn)而膚色檢測(cè)技術(shù)也越來越多的應(yīng)用到相關(guān)的各種機(jī)器視覺系統(tǒng)中，這也顯示了膚色檢測(cè)具有巨大的市場(chǎng)潛力。目前比較典型的應(yīng)用包括人臉檢測(cè)與識(shí)別、表情識(shí)別、基于內(nèi)容的圖像與視頻檢索、人機(jī)接口技術(shù)、肌體檢測(cè)和黃色圖片過濾等方面。也包括計(jì)算機(jī)圖形學(xué)真實(shí)感潤色、視頻監(jiān)控、皮膚疾病診斷、化妝品效果量化分析、通過下意識(shí)行為的檢測(cè)分析進(jìn)行測(cè)謊等。
　　 視頻在拍攝過程中

2、會(huì)受到光照角度、光源顏色等的影響，因此會(huì)發(fā)生色彩偏移；同時(shí)由于物體表面存在鏡面反射或界面反射，物體常常產(chǎn)生高光或者陰影，在視頻幀中，高光部分常對(duì)應(yīng)高亮度區(qū)域，陰影部分對(duì)應(yīng)低亮度區(qū)域；視頻中會(huì)出現(xiàn)不同的人種；一段視頻中所呈現(xiàn)出的色彩風(fēng)格（黑白、不大鮮艷、比較鮮艷、非常鮮艷等）不同等。上述這些因素都會(huì)對(duì)準(zhǔn)確的進(jìn)行膚色建模產(chǎn)生影響，因此在進(jìn)行膚色建模以前要對(duì)視頻幀圖像進(jìn)行預(yù)處理。
　　 規(guī)定膚色的取值范圍是閾值法進(jìn)行膚色建模的一種，在

3、本文中選取的是YCbCr空間。首先視頻幀進(jìn)行RGB空間到Y(jié)CbCr空間的轉(zhuǎn)換，比較每一個(gè)像素對(duì)應(yīng)的Y值，若其在膚色模型亮度范圍內(nèi)，并且對(duì)應(yīng)色度(Cb，Cr)也在相應(yīng)色度范圍內(nèi)，則給結(jié)果圖像相應(yīng)像素賦1，否則賦0，得到一個(gè)二值圖像。該方法對(duì)于背景比較簡單的視頻幀閾值法可以很好的檢測(cè)出膚色區(qū)域，但是對(duì)于背景比較復(fù)雜的視頻幀，準(zhǔn)確的檢測(cè)膚色還是有一定的難度。
　　 利用區(qū)域生長法檢測(cè)膚色區(qū)域，首先要找到一個(gè)種子點(diǎn)，然后將種子點(diǎn)周圍鄰域

4、中與之具有相同或相似性質(zhì)的像素合并為一個(gè)區(qū)域。在合并的過程中需要找個(gè)一個(gè)合適的閾值T，如果閾值設(shè)置的過小，膚色就不容易檢測(cè)出來。反之，T值設(shè)置的過大，就會(huì)把和膚色相近的背景包含進(jìn)去。
　　 以上兩種方法進(jìn)行膚色建模都不能實(shí)現(xiàn)對(duì)復(fù)雜背景圖像進(jìn)行建模的要求，本文中研究了一種自適應(yīng)的膚色建模方法。自適應(yīng)膚色建模的過程是，首先利用AdaBoost算法檢測(cè)視頻幀中的人臉，然后利用這些檢測(cè)到的人臉區(qū)域的信息進(jìn)行膚色建模。在研究的過程中，為了

5、取得較好的膚色建模效果，首先適當(dāng)縮小由AdaBoost算法檢測(cè)到的人臉區(qū)域；然后利用多顏色空間信息融合技術(shù)，即通過選取多個(gè)顏色空間的若干顏色分量(Y、Cb、Cr、H、S、I、Y、U、V)，計(jì)算待檢測(cè)圖像中選取的這些分量的各自的膚色概率圖(SPM)，經(jīng)過“與”運(yùn)算融合獲得最終檢測(cè)的膚色區(qū)域。該算法不需要考慮色彩偏移、色彩風(fēng)格和人種等因素，是一種自適應(yīng)的建模過程。
　　 本文重點(diǎn)研究色情視頻檢測(cè)過程中的膚色建模問題，解決了自適應(yīng)膚色

6、建模的問題。主要研究內(nèi)容如下：
　　 1.利用S（飽和度）分量的累計(jì)直方圖對(duì)視頻幀的色彩風(fēng)格進(jìn)行分類，并利用“GrayWorld”方法對(duì)偏色的視頻幀圖像進(jìn)行顏色矯正。把視頻幀的色彩風(fēng)格分為黑白、不大鮮艷、比較鮮艷、非常鮮艷等四種。并把偏色的圖像給矯正過來，完成視頻的預(yù)處理，為后面的自適應(yīng)的膚色建模提供了一個(gè)良好的基礎(chǔ)。
　　 2.利用AdaBoost算法檢測(cè)人臉。AdaBoost算法是利用大量的分類能力一般的弱分類器通過

7、一定方法疊加起來，構(gòu)成一個(gè)分類能力很強(qiáng)的強(qiáng)分類器。理論證明，只要每個(gè)弱分類器分類能力比隨機(jī)猜測(cè)好，當(dāng)簡單分類器個(gè)數(shù)趨向于無窮時(shí)，強(qiáng)分類器的錯(cuò)誤率將趨于0。本文在OpenCV中實(shí)現(xiàn)了上述算法，實(shí)驗(yàn)對(duì)635個(gè)人臉進(jìn)行了檢測(cè)，漏檢51個(gè)誤檢19個(gè)，檢測(cè)率達(dá)到88.9％，利用AdaBoost人臉檢測(cè)算法，基本實(shí)現(xiàn)了復(fù)雜背景下的人臉檢測(cè)。
　　 3.利用多顏色空間和膚色概率圖(SPM)進(jìn)行自適應(yīng)膚色建模。然后利用多顏色空間信息融合技術(shù)，即