CN100377177C - 图像压缩域上的人体肤色区域检测方法 - Google Patents

Abstract

本发明公开了一种JPEG图像压缩域上的人体肤色区域检测方法，该方法包括以下步骤：初始化系统参数；对待检测的JPEG图像进行哈夫曼解码和反量化，得到Y，Cb，Cr颜色分量上各个图像块对应的DCT系数；计算每个图像块的颜色特征和纹理特征；计算每个图像块的肤色概率；根据肤色概率和纹理特征判断每个图像块是否是人体肤色区域。本发明的优点在于：本发明方法不需要把图像完全解压缩，直接在压缩码流上操作，提高了人体肤色区域检测的速度；提高了人体肤色区域检测的精度。

Description

图像压缩域上的人体肤色区域检测方法

技术领域

本发明涉及一种图像中人体肤色区域检测的方法，特别涉及一种JPEG图像压缩域上的人体肤色区域检测方法。

背景技术

图像中一类重要的信息是人的信息，人类的皮肤是人类的重要生理特征。快速而准确地检测图像中的人体肤色区域在人脸检测和敏感图像过滤等应用中有重要的理论和实用价值。

JPEG(Joint Photographic Experts Group)是国际标准化组织(ISO)下的静态图像压缩标准制定委员会所制定的国际静态图像压缩标准。由于JPEG对图像静态压缩的优良品质，使得它获得了极大的成功。目前网站上百分之八十的图像都是采用JPEG的压缩标准。

由于JPEG的广泛适用性，在对人体肤色进行检测时，不可避免地要求对采用JPEG标准压缩的图像进行肤色区域检测。在现有的肤色区域检测方法中，对于采用JPEG标准压缩的图像，肤色检测的主要步骤为：

1)对待检测的JPEG图像进行哈夫曼解码，得到每个图像块DCT系数；

2)对每个图像块再进行反DCT解码，把图像解压到像素域，实现对图像的完全解压缩；

3)对完全解压缩后的图像逐像素地进行肤色检测，判别。

以上只是对现有的肤色区域检测方法做简要的描述，关于肤色区域检测方法的详细信息可参见参考文献1：1999年在Computer Vision and Pattern Recognition会议上，Jones等人的论文“Statistical Color Models with application to skindetection”。

现有的检测方法需要先把图像完全解压缩到像素域才能进行肤色检测，在完全解压缩的过程中，对每个图像块在进行反DCT解码时运算复杂度高，而且检测过程是逐像素地进行，只考虑了颜色信息，没有考虑纹理信息，这就导致肤色检测需要很大的计算量并且检测精度不高。

如果对现有的人体区域肤色检测方法的操作步骤加以简化，并充分考虑纹理信息，就能够降低肤色检测的计算量，并提高检测的精度。

发明内容

本发明的目的是提供一种JPEG图像压缩域上的人体肤色区域检测方法，克服现有检测方法中操作步骤复杂、计算量大的缺陷，实现对人体肤色区域的快速检测。

本发明的又一个目的是提供一种JPEG图像压缩域上的人体肤色区域检测方法，克服现有检测方法中肤色区域检测精度不高的缺陷，实现对人体肤色区域的精确检测。

为实现上述目的，本发明提供了一种JPEG图像压缩域上的人体肤色区域检测方法，该方法包括以下步骤：

a)初始化系统参数，系统参数包括：纹理特征阈值，肤色概率阈值，图像块大小，人体肤色分布模型；所述的图像块大小的取值为下列三者之一：8×8，4×4，2×2

b)对待检测的JPEG图像进行哈夫曼解码和反量化，并将待检测的JPEG图像分解为图像块，得到Y，Cb，Cr颜色分量上各个图像块对应的DCT系数；

c)利用步骤b)得到的DCT系数计算每个图像块的颜色特征和纹理特征；

d)利用步骤c)得到的颜色特征与步骤a)中设定的人体肤色分布模型，计算每个图像块的肤色概率；

e)根据肤色概率和纹理特征判断每个图像块是否是人体肤色区域，判断图像块为人体肤色区域的标准是：该图像块的肤色概率在设定的肤色概率阈值的范围之内并且纹理特征在设定的纹理特征阈值的范围之内。

上述技术方案中，在步骤c)中，所述的图像块的颜色特征在Y，Cb，Cr三个颜色分量上的值分别是该图像块在对应的颜色分量上的DCT系数中的DC系数除以图像块的像素块中的像素个数的平方根。

上述技术方案中，在步骤c)中，所述的图像块的纹理特征的值是该像素块Y颜色分量上DCT系数中非零AC系数的平方和除以像素块中的像素个数。

本发明方法的优点在于：

1、本发明方法不需要把图像完全解压缩，直接在压缩码流上操作，简化了操作步骤，提高了人体肤色区域检测的速度。

2、在检测过程中充分考虑了检测图像的纹理信息，提高了人体肤色区域检测的

2、在检测过程中充分考虑了检测图像的纹理信息，提高了人体肤色区域检测的精度。

附图说明

图1为本发明方法的流程图

图2为一个4×4大小的图像块的DCT系数示意图

具体实施方式

下面参照附图和具体实施方式对本发明所述方法进行详细描述。

如图1所示，本发明的JPEG图像压缩域上的人体肤色区域检测方法主要包括以下步骤：

在步骤100中，初始化系统参数。这些参数包括：纹理特征阈值，肤色概率阀值，图像块大小，人体肤色分布模型。纹理特征阈值和颜色特征阈值是由实验得到的固定值。所述的图像块大小是指在做人体肤色区域检测时的图像基本块的大小，图像块大小应该为2的整次幂，且必须是下列三者之一：8×8，4×4，2×2；人体肤色分布模型刻画了各种颜色属于人体肤色的可能性。各种已有的或将来出现的人体肤色分布模型均适用于本发明方法，如统计肤色模型，单高斯模型。

在步骤200中，对待检测的JPEG图像进行哈夫曼解码和反量化，并将待检测的JPEG图像分解为图像块，得到Y，Cb，Cr颜色分量上各个图像块对应的DCT系数。

由于彩色JPEG图像中，每个颜色一般用三个颜色分量来表示，即：Y，Cb，Cr.因此每个N×N大小的图像块分别对应三个颜色分量上的图像块。每个N×N大小图像块每个颜色分量上的数值经过离散余弦变换(DCT)后得到对应的离散余弦变换(DCT)系数，该系数是一个N×N大小的矩阵。该矩阵的第一个系数是直流(DC)系数，其他系数称为交流(AC)系数。如图2所示，该图是一个4×4大小的DCT系数，其中矩阵中的第一个系数(0，0)为直流(DC)系数，该矩阵中的其他系数为交流(AC)系数。

参照JPEG图像压缩标准，通过哈夫曼解码可以得到每个8×8图像块对应的DCT系数；在步骤100中可知，图像块的大小有三种可能，若步骤100中设定的图像块大小是4×4，需要把每个8×8图像块分解为4个4×4；若步骤100中设定的图像块大小是2×2，需要把每个8×8图像块分解为16个2×2图像块。将8×8图像块分解的过程是在DCT上操作实现的，也就是要根据原来8×8图像块的DCT系数，运算得到每个4×4或2×2的图像子块的DCT系数。

以一个8×8图像块为例，对该图像块的分解进行说明。

记8×8块块对应的DCT系数为D88；对应的四个4×4块的DCT系数为D44₁，D44₂，D44₃，D44₄；对应的16个2×2块的DCT系数为D22₁，D22₂，D22₃，D22₄，D22₅，D22₆，D22₇，D22₈，D22₉，D22₁₀，D22₁₁，D22₁₂，D22₁₃，D22₁₄，D22₁₅，D22₁₆。D88是8×8的矩阵，D44₁～D44₄都是4×4的矩阵，D22₁～D22₁₆都是2×2矩阵。

8×8块分解为4个4×4块的方法如下：

$\left[\begin{array}{cc}{D44}_1& {D44}_2\\ {D44}_3& {D44}_4\end{array}\right]=2\×D84\×D88\×{D84}^T.$

其中D84是转换矩阵，D84^T是其转置矩阵。D84是一个固定值，它的值为：

$\left[\begin{array}{cccccccc}0.5& 0.4531& 0& -0.1591& 0& 0.1063& 0& -0.0901\\ 0& 0.2079& 0.5& 0.3955& 0& -0.1762& 0& 0.1389\\ 0& -0.0373& 0& 0.2566& 0.5& 0.3841& 0& -0.1877\\ 0& 0.011& 0& -0.0488& 0& 0.2452& 0.5& 0.4329\\ 0.5& -0.4531& 0& 0.1591& 0& -0.1063& 0& 0.0901\\ 0& 0.2079& -0.5& 0.3955& 0& -0.1762& 0& 0.1389\\ 0& 0.0373& 0& -0.2566& 0.5& 0.3841& 0& 0.1877\\ 0& 0.0114& 0& -0.0488& 0& 0.2452& -0.5& 0.4329\end{array}\right]$

4×4块分解为2×2块的方法如下：

$\left[\begin{array}{cc}{D22}_1& {D22}_2\\ {D22}_3& D22_2\end{array}\right]=2\×D42\×{D44}_1\×{D42}^T,$

$\left[\begin{array}{cc}{D22}_5& {D22}_6\\ {D22}_7& D22_8\end{array}\right]=2\×D42\×{D44}_2\×{D42}^T,$

$\left[\begin{array}{cc}{D22}_9& {D22}_{10}\\ {D22}_{11}& D22_{12}\end{array}\right]=2\×D42\×{D44}_3\×{D42}^T,$

$\left[\begin{array}{cc}{D22}_{13}& {D22}_{14}\\ {D22}_{15}& D22_{16}\end{array}\right]=2\×D42\×{D44}_4\×{D42}^T$

其中D42是转换矩阵，D42^T是其转置矩阵。

D42是一个固定值，它的值为：

$\left[\begin{array}{cccc}0.5& 0.4619& 0& -0.1913\\ 0& 0.1913& 0.5& 0.4619\\ 0.5& -0.4619& 0& 0.1913\\ 0& 0.1913& -0.5& 0.4619\end{array}\right].$

从8×8块分解为16个2×2块，可以先把8×8块分解为4个4×4块，再把每个4×4块分解为4个2×2块。

在步骤300中，计算每个图像块的颜色特征和纹理特征。

图像块的颜色特征用YCbCr颜色空间表示，其在Y，Cb，Cr三个颜色分量上的值分别是该图像块在对应的颜色分量上的DCT系数中DC系数除以图像块的像素块中的像素个数的平方根，用公式表示为： $y=\frac{1}{N}{C}_y\left(\mathrm{0,0}\right),$ $\mathrm{cb}=\frac{1}{N}{C}_{\mathrm{cb}}\left(\mathrm{0,0}\right),$ $\mathrm{cr}=\frac{1}{N}{C}_{\mathrm{cr}}\left(\mathrm{0,0}\right).$

该图像块的纹理特征是该像素块Y颜色分量上DCT系数中非零AC系数的平方和除以像素块中的像素个数，即 $\mathrm{texture}=\frac{1}{N^2}\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{\left(C_y(i,j)\right)}^2,(i,j)\≠\left(\mathrm{0,0}\right),$ 在以上公式中，y，cb，cr分别是图像块的颜色特征在Y，Cb，Cr三个颜色分量上的值，texture是该图像块的纹理特征。C_y，C_cb，C_cr分别是该图像块在Y，Cb，Cr分量上的DCT系数，每个图像块大小为N×N，即有N²个像素。

在步骤400中，计算每个图像块的肤色可能性。由步骤300得到图像块的颜色特征的值，由步骤100中的肤色分布模型可知各颜色值的肤色概率，将图像块的颜色特征的值与肤色分布模型中各颜色值做对比，得到该图像块的肤色概率。

在步骤500中，根据肤色概率和纹理特征对每个图像块进行判断，判断其是否是人体肤色区域。判断图像块为人体肤色图像块的标准是：该图像块的肤色概率在设定的肤色概率阈值的范围之内并且纹理特征在设定的纹理特征阈值的范围之内。

Claims (3)

1.一种JPEG图像压缩域上的人体肤色区域检测方法，该方法包括以下步骤：

a)初始化系统参数，系统参数包括：纹理特征阈值，肤色概率阈值，图像块大小，人体肤色分布模型；所述的图像块大小的取值为下列三者之一：8×8，4×4，2×2；

b)对待检测的JPEG图像进行哈夫曼解码和反量化，并将待检测的JPEG图像分解为图像块，得到Y，Cb，Cr颜色分量上各个图像块对应的DCT系数；

c)利用步骤b)得到的DCT系数计算每个图像块的颜色特征和纹理特征；

d)利用步骤c)得到的颜色特征与步骤a)中设定的人体肤色分布模型，计算每个图像块的肤色概率；

e)根据肤色概率和纹理特征判断每个图像块是否是人体肤色区域，判断图像块为人体肤色区域的标准是：该图像块的肤色概率在设定的肤色概率阈值的范围之内并且纹理特征在设定的纹理特征阈值的范围之内。

2.根据权利要求1所述的JPEG图像压缩域上的人体肤色区域检测方法，其特征在于，在步骤c)中，所述的图像块的颜色特征在Y，Cb，Cr三个颜色分量上的值分别是该图像块在对应的颜色分量上的DCT系数中的DC系数除以图像块的像素块中的像素个数的平方根。

3.根据权利要求1所述的JPEG图像压缩域上的人体肤色区域检测方法，其特征在于，在步骤c)中，所述的图像块的纹理特征的值是该像素块Y颜色分量上DCT系数中非零AC系数的平方和除以像素块中的像素个数。

Images