融合双肤色模型及AdaBoost算法的人脸检测

为提高人脸检测的精度,提出一种融合双肤色模型与Adaboost算法的人脸检测方法。首先采用YCbCr颜色空间的固定阈值模型初次分割图像,利用分割结果修正高斯肤色模型的参数并对图像进行肤色二次分割,对两次分割的结果进行逻辑运算,粗定位人脸区域。结合Adaboost算法,实现对候选人脸区域的精确定位。实验结果表明,该方法提高了人脸检测率,降低了误检率,具有较好的鲁棒性。     

人体肤色区域的自适应模型分割方法

针对现有人体肤色区域分割方法在光照等环境因素变化情况下鲁棒性差、精确度不高的问题,提出一种自适应模型的人体肤色分割方法.首先通过AdaBoost实现自动人脸检测,得到包含光照等信息的脸部皮肤区域样本;然后将所取得的肤色样本在YCbCr颜色空间的y分量和CbCr分量上分别建立高斯混合模型;最后利用改进的Mahalanobis距离度量其他像素与肤色模型间的相似度,并确定阈值来对整幅图像进行肤色分割.实验结果表明,与同类融合算法、CbCr固定阈值等肤色分割方法相比,该方法实现了自动化的肤色建模,在降低误检率的同时平均可以提高10％左右的正检率,具有更好的鲁棒性.     

彩色图像中人脸检测的研究

提出了一种基于色彩信息的由粗到细的人脸检测方法。首先应用肤色模型快速得到人脸候选区域;然后采用基于自适应的阈值选择策略对图像进行肤色分割,弥补了以往固定阈值的漏检和误检的缺陷;接着使用了一种基于先验知识的混合人脸验证方法,从而有效地检测出人脸。实验证明该方法可以有效地应用于多人脸、不同尺度和复杂背景的情况,具有良好的检测效果。     

基于新颜色空间YCgCr的复杂背景图像下的肤色区域检测

肤色信息在基于彩色图像的手势识别、人脸检测与跟踪和基于内容的不良图像过滤等应用中,起着非常重要的作用.为了有效地检测图像中的肤色区域,采用了类似于YCbCr颜色空间的新颜色空间YCgCr.为了说明YCgCr颜色空间的优越性,给出了该颜色空间与YCbCr颜色空间和Karhunen-Loeve （K-L）变换颜色空间中多样实验操作的比较.实验结果表明,用同样肤色样本得到的肤色阈值对相同的测试图像集进行肤色检测时,YCgCr颜色空间具有很好的肤色区域检测效果,漏检率和误检率均低于其它两个颜色空间的漏检率和误检率,并且对于不同的光照条件有较好的鲁棒性.     

YCgCr颜色空间的肤色聚类人脸检测法

由于YCgCr颜色空间好的聚类性。提出一种在YCgCr颜色空间的人脸检测,首先肤色在CgCr颜色空间进行投影,对像素点区域进行拟合,初步去除图像中的非肤色,得到肤色第一次分割的图像,实验证明这种拟合可以起到好的去除非肤色像素的作用。然后把YCgCr颜色空间作为肤色模型建立彩色空间,用高斯模型在已提取的图像上进行人脸检测。实验证明在对CgCr空间拟合的基础上,再运用高斯模型进行人脸检测,该算法提高了人脸检测的速度,并且有较高的检测率和较低的漏检率。     

一种新的基于颜色恒常性的肤色分割算法

为了解决不同光照条件下的肤色分割问题,提出了一种新颖并且行之有效的解决方法。该方法先应用颜色恒常性算法对图像光照进行估计,根据光照估计的结果,在YCbCr颜色空间采用不同分布的高斯肤色模型,并利用动态阈值对图像进行分割。试验结果证明了算法的可行性和优越性。     

基于肤色分割的人脸检测算法研究

提出一种自适应光照补偿算法对图像进行补偿,根据肤色点在YCbCr色彩空间中的聚类性分别建立了肤色的区域模型和简单高斯模型,利用区域模型分割结果消除高斯似然图中类人脸的影响,采用自适应阈值对图像进行肤色分割,得到肤色候选区域.对分割出来的二值图像进行形态学处理后用基于先验知识的检测算法对肤色候选区域进行筛选,确定出人脸的位置.实验结果表明,提出的方法综合检测效果好.     

基于自适应双阈值的足球视频分割算法研究

提出了一种利用双阈值自适应变化逼近视频镜头分割最佳阈值的算法,在双阈值各区间漏检或误检的判别通过相似度差异来完成。实验结果表明,该算法能够得到较为理想的错检率,并能得到比固定阈值算法更低的漏检率。     

光照自适应的肤色检测方法

通过在颜色空间YCgCr里对不同光照环境下的肤色特征进行研究,发现不同光照环境下的肤色像素高度聚集在不同的Cg、Cr区域。对此,提出了利用相关矩阵法对图片的光照环境进行估计,然后针对图片的光照环境检测结果采用不同的肤色分割方法,并采用一种基于类间方差和类内离散度相结合的动态阈值方法来确定分割阈值。该方法与传统的肤色检测方法相比,能够充分减少不同光照环境下带来的颜色失真的影响,是一种光照自适应的肤色检测方法。实验表明,该方法对肤色检测具有较高的准确率和较低的误检率。     

一种与局部模型相结合的自适应肤色检测方法

使用预先训练得到的肤色高斯模型进行肤色检测,容易受到环境影响。为了提高肤色检测的性能和精度,提出一种与局部模型相结合的自适应肤色模型检测方法。在YCgCr颜色空间中使用高斯模型对图像进行肤色分割,并利用初次检测到的肤色区域像素数据建立局部模型,估计出模型参数。把局部模型与预先训练得到的参数相结合,得到自适应的肤色模型。实验表明,该方法和单独的肤色高斯模型相比,提高了在不同背景和光照下肤色检测正确率。     

A new dynamic cellular learning automata-based skin detector

Skin detection is a difficult and primary task in many image processing applications. Because of the diversity of various image processing tasks, there exists no optimum method that can perform properly for all applications. In this paper, we have proposed a novel skin detection algorithm that combines color and texture information of skin with cellular learning automata to detect skin-like regions in color images. Skin color regions are first detected, by using a committee structure, from among several explicit boundary skin models. Detected skin-color regions are then fed to a texture analyzer which extracts texture features via their color statistical properties and maps them to a skin probability map. This map is then used by cellular learning automata to adaptively make a decision on skin regions. Conducted experiments show that the proposed algorithm achieves the true positive rate of about 86.3% and the false positive rate of about 9.2% on Compaq skin database which shows its efficiency.     

YCbCr空间中一种基于贝叶斯判决的肤色检测方法

皮肤颜色是人脸检测、定位、跟踪时的一种十分有效的特征,而且裸露的皮肤区域也是色情图像的最重要特征之一.为了有效地进行图像的皮肤检测,提出了一种新的肤色检测方法.该方法首先通过统计1809 502个肤色像素点和1763682个非肤色像素点,并使用贝叶斯规则来建立肤色分类器;然后考虑亮度对肤色的影响,采用Y-Cb和Y-Cr两个子空间的查询表来建立肤色模型.为了联合使用两个查询表,先采用高斯归一化和线性化方法来将阈值范围调整至[0,1];同时对查询表进行中值滤波处理,以除去离散孤立点.实验表明,与其他3种方法相比,该方法不仅有着较低的漏检率（9.814%）和误检率（3.5%）,而且对于不同光照条件也有较好的检测效果.     

基于肤色和AdaBoost算法的彩色人脸图像检测*

针对肤色检测对复杂背景下的图像误检率高和AdaBoost算法对多姿态、多人脸图像检测效果不理想的问题,将基于肤色的人脸检测与基于AdaBoost算法的人脸检测结合起来,提出一种新的人脸检测方法,即首先利用肤色和形态学操作分割肤色区域,再根据人脸区域的统计特性筛选出人脸候选区域,然后用AdaBoost级联分类器对候选区域扫描,以精确定位人脸.实验表明,该方法同时具有肤色检测正确率高与AdaBoost算法误检率低的优点,可以有效地运用于多姿态、多人脸和复杂背景的情况,具有较好的检测效果.     

基于新颜色空间YCgCr的人脸区域初定位

在RGB颜色空间采用了颜色平衡方法对发生色彩偏移的输入图像进行颜色校正；在新颜色空间YCgCr上建立了亮度和Cg-Cr色度查找表联合的肤色模型，对肤色区域进行检测；引入了有效的预处理技术，进一步去除肤色分割后的二值图像中的部分非人脸区域，减少人脸定位的搜索区域。最后在两个图像测试集上进行了实验比较，实验结果表明，该肤色模型可以有效地从复杂背景的彩色图像中检测出肤色区域，光照条件适应性好，且引入的预处理技术在保证漏检率低的前提下，能够去除大部分非人脸区域。     

基于YCgCr颜色空间的光照自适应的肤色区域检测*

为了校正由于光源颜色变化而引起的图像色彩的偏差,在RGB颜色空间基于Gray World假设,采用颜色平衡方法对输入的彩色图像进行颜色校正;为了有效地检测彩色图像中的肤色区域,采用了新颜色空间YCgCr,并在该颜色空间建立了联合亮度信息和Cg-Cr色度查找表的肤色模型.大量实验结果表明,该模型具有较强的光照适应性,可应用于复杂环境下的彩色图像中的人体肤色区域检测.     

基于肤色的人脸检测研究

对于有背景的彩色图像,肤色是人体表面最显著的特征之一,所以肤色特征是人脸检测中一个重要的特征[1～2]。肤色特征主要由肤色模型描述,检测方法可以分为颜色选择,肤色区域分割和人脸检测三个步骤。文章提出的肤色模型可以较好的适应光照变化,采用肤色分割的方法,可以快速检测不同大小,不同平面以及一定侧面旋转角度的人脸。对简单背景下的人脸检测的检测率达到95.65%,复杂背景下的人脸检测的检测率达到85.22%。     

A survey of skin-color modeling and detection methods

Skin detection plays an important role in a wide range of image processing applications ranging from face detection, face tracking, gesture analysis, content-based image retrieval systems and to various human computer interaction domains. Recently, skin detection methodologies based on skin-color information as a cue has gained much attention as skin-color provides computationally effective yet, robust information against rotations, scaling and partial occlusions. Skin detection using color information can be a challenging task as the skin appearance in images is affected by various factors such as illumination, background, camera characteristics, and ethnicity. Numerous techniques are presented in literature for skin detection using color. In this paper, we provide a critical up-to-date review of the various skin modeling and classification strategies based on color information in the visual spectrum. The review is divided into three different categories: first, we present the various color spaces used for skin modeling and detection. Second, we present different skin modeling and classification approaches. However, many of these works are limited in performance due to real-world conditions such as illumination and viewing conditions. To cope up with the rapidly changing illumination conditions, illumination adaptation techniques are applied along with skin-color detection. Third, we present various approaches that use skin-color constancy and dynamic adaptation techniques to improve the skin detection performance in dynamically changing illumination and environmental conditions. Wherever available, we also indicate the various factors under which the skin detection techniques perform well.