CN101364263A - 对图像进行皮肤纹理检测的方法及系统 - Google Patents

Abstract

本发明涉及通信及图像处理领域，提供了一种对图像进行皮肤纹理检测的方法及系统。所述方法包括以下步骤：A.在输入图像中确定初始皮肤区域，并将其划分为多个皮肤窗口；B.提取得到所述皮肤窗口的微结构特征；C.根据微结构特征对皮肤窗口进行多层级的特征选择，筛选出符合检测条件的候选皮肤窗口；D.合并相邻位置的候选皮肤窗口，确定图像中包含的所有皮肤纹理的属性信息。所述系统包括图像划分单元、特征提取单元、筛选单元和合并单元。本发明与现有技术的区别在于提取出皮肤窗口的微结构特征，并根据微结构特征进行多层级的特征选择，从而筛选出符合检测条件的候选皮肤窗口，再进行合并。因此降低了误检率，并提高了检测效率。

Description

对图像进行皮肤纹理检测的方法及系统

技术领域

本发明涉及通信及图像处理领域，更具体地说，涉及一种对图像进行皮肤纹理检测的方法及系统。

背景技术

随着计算机软硬件和国际互联网技术的飞速发展，人们不仅可以从各种多媒体资料，例如文本、图片、视频、音频等获取大量的信息。但是，随之而来的也会使人们受到含有诸如色情、暴力等不健康的图片和视频的侵扰，网上黄毒泛滥已成为一个较为严重的社会问题，因此非常有必要进行敏感图像检测，从而将敏感图像过滤掉。敏感图像在内容上可能会存在较大差别，但共同点是均包含大量裸露的皮肤区域，于是敏感图像检测问题就归结到了皮肤检测问题。

原始的皮肤检测方法，是直接基于颜色模型，例如颜色直方图、高斯混合模型等来检测肤色，从而得到相应的肤色区域。然而实验表明，在得到的肤色区域中会有很多实际上并不是皮肤的像素点(如：黄色的沙发，黄色的头发等)被误认为是皮肤点，存在较高的误检率。

而现阶段一般是基于纹理分析进行皮肤检测。纹理在图像处理、模式识别和计算机视觉领域都具有重要的地位，其描述的是图像中某种空间结构的固有属性，这种空间结构的固有属性可以通过邻域像素之间的相关性进行刻画，单纯从某个孤立的像素点来谈纹理是没有意义的。纹理的空间结构的分布可以呈现明显的规律性，也可以是随机的；其粒度可以比较粗糙，也可以非常细腻。纹理分析的重点就是建立各种纹理模型，并利用这些模型来研究如何表示和计算邻近像素之间的相关性。目前纹理分析方法通常分为两类，即基于统计模型的方法和基于信号处理的方法，而最为常见的是基于统计模型的方法。其具体过程如下：(1)分析纹理图像中的灰度层的空间依存关系，从而建立统计模型，比如，根据图像中像素之间的方位和距离关系构造灰度共生矩阵；(2)使用灰度共生矩阵提取各种统计特征，作为相关图像的纹理特征，而这些统计特征可包括多种类型，例如相关性、方差、熵和角二阶矩等数字特征。在这种方法中，图像中像素的灰度值被认为是一个随机变量，其值可以通过其邻近像素的灰度值进行刻画，完成纹理分析。此后，则将这些灰度值输入分类器进行判断，从而确定皮肤区域。

但是上述现有技术中，基于统计模型的纹理分析而得到的信息在输入分类器后，拒识率较高，导致仍有大量非皮肤图像被误认为皮肤图像。因此需要一种对图像进行皮肤纹理检测的新方法，从而降低误检率。

发明内容

本发明的目的之一在于提供一种对图像进行皮肤纹理检测的方法及系统，旨在解决现有技术中进行皮肤纹理检测时存在的误检率较高的问题。

为了实现发明目的，所述对图像进行皮肤纹理检测的系统包括：

图像划分单元，在输入图像中确定初始皮肤区域，并将所述初始皮肤区域划分为多个皮肤窗口；

特征提取单元，与图像划分单元相连并进行数据交互，提取得到所述皮肤窗口的微结构特征；

筛选单元，与特征提取单元相连并进行数据交互，根据微结构特征对皮肤窗口进行多层级的特征选择，筛选出符合检测条件的候选皮肤窗口；

合并单元，与筛选单元相连并进行数据交互，合并相邻位置的候选皮肤窗口，并确定图像中包含的所有皮肤纹理的属性信息。

优选地，所述特征提取单元包括：

积分图像计算单元，对所述输入图像进行积分处理，计算出积分图像；

微结构特征提取模块，与积分图像计算单元相连并进行数据交互，根据所述积分图像提取出皮肤窗口的微结构特征。

优选地，所述筛选单元包括多层级的分类器组，采用自适应推进算法对皮肤窗口进行多层级的特征选择，筛选出符合检测条件的候选皮肤窗口。

优选地，所述筛选单元中多层级的分类器组包括多个强分类器，所述强分类器包括多个基于单特征的弱分类器。

优选地，所述系统还包括：

归一化处理单元，与图像划分单元、特征提取单元及筛选单元分别相连并进行数据交互，对所有皮肤窗口和/或微结构特征进行归一化处理。

为了更好的实现发明目的，本发明还提供了一种对图像进行皮肤纹理检测的方法，包括以下步骤：

A.在输入图像中确定初始皮肤区域，并将其划分为多个皮肤窗口；

B.提取得到所述皮肤窗口的微结构特征；

C.根据微结构特征对皮肤窗口进行多层级的特征选择，筛选出符合检测条件的候选皮肤窗口；

D.合并相邻位置的候选皮肤窗口，确定图像中包含的所有皮肤纹理的属性信息。

优选地，所述步骤B包括：

B1.对所述输入图像进行积分处理，计算出积分图像；

B2.根据所述积分图像提取出皮肤窗口的微结构特征。

优选地，所述步骤C包括：

根据微结构特征，采用自适应推进算法对皮肤窗口进行多层级的特征选择，筛选出符合检测条件的候选皮肤窗口。

优选地，所述步骤C中自适应推进算法的过程包括：

C1.对皮肤窗口进行以单特征为基准的第一层级的特征选择，输出第一级判决结果；

C2.采用以最小化错误风险为目标的AdaBoost算法对第一级判决结果进行第二层级的特征选择，输出第二级判决结果。

优选地，所述步骤C1的计算公式为：

$h_j\left(x\right)=\left\{\begin{array}{cc}1,& \mathrm{if}{g}_j\left(x\right)<{\mathrm{\&theta;}}_j\mathrm{or}{g}_j\left(x\right)>{\mathrm{\&theta;}}_j\\ 0,& \mathrm{otherwise}\end{array}\right.;$

其中x是图像窗口，g_j(x)表示图像在第j个特征下的特征值，θ_j是第j个特征对应的判决阈值，h_j(x)表示图像在第j个特征下的判决输出。

优选地，所述步骤C2的计算公式为：

其中，T为迭代次数，α_t和λ为权重调整参数， $\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t{h}_t\left(x\right)\&GreaterEqual;(\frac{1}{2}+\mathrm{\&lambda;})\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t$ 表示皮肤纹理的后验概率非负，H(x)表示图像在第二层级的特征选择中的判决输出。

优选地，所述步骤D中皮肤纹理的属性信息至少包括：位置、尺寸和置信度。

优选地，在所述步骤A和B之间还包括对所述皮肤窗口进行归一化处理的步骤；和/或

在所述步骤B和C之间还包括对所述微结构特征进行归一化处理的步骤。

由上可知，本发明在对图像进行皮肤纹理检测的过程中，与现有技术的区别在于提取出皮肤窗口的微结构特征，并根据微结构特征进行多层级的特征选择，从而筛选出符合检测条件的候选皮肤窗口，再进行合并。因此降低了误检率，并提高了检测效率。

附图说明

图1是本发明的第一实施例中对图像进行皮肤纹理检测的系统结构图；

图2是本发明的第二实施例中对图像进行皮肤纹理检测的系统结构图；

图3是本发明的一个实施例中特征提取单元的结构图；

图4是本发明的一个实施例中微结构类型模板的示意图；

图5是本发明的一个实施例中对图像进行积分图像计算的示意图；

图6是本发明的一个实施例中筛选单元内部强分类器级联的示意图；

图7是本发明的一个实施例中强分类器的结构示意图；

图8是本发明的一个实施例中对图像进行皮肤纹理检测的方法流程图；

图9是本发明的一个实施例中对图像进行皮肤纹理检测的方法流程图。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。

具体实施方式

在本发明中，皮肤纹理检测系统至少包括图像划分单元、特征提取单元、筛选单元和合并单元，该系统通过提取出皮肤窗口的微结构特征，并根据微结构特征进行多层级的特征选择，从而筛选出符合检测条件的候选皮肤窗口，再进行合并。因此降低了误检率，并提高了检测效率。

图1示出了本发明的第一实施例中对图像进行皮肤纹理检测的系统结构，该系统包括图像划分单元10、特征提取单元20、筛选单元30和合并单元40。应当说明的是，本发明所有图示中各设备之间的连接关系是为了清楚阐释其信息交互及控制过程的需要，因此应当视为逻辑上的连接关系，而不应仅限于物理连接。另外需要说明的是，各功能模块之间的通信方式可以采取多种，本发明的保护范围不应限定为某种特定类型的通信方式。其中：

(1)图像划分单元10，在输入图像中确定初始皮肤区域，并将所述初始皮肤区域划分为多个皮肤窗口。本发明所称的图像，包括图片、视频图像等形式。需要说明的是，本发明在输入图像中确定初始皮肤区域的方式可参照现有技术，具体的，是在一张输入图像中按照肤色颜色模型得到符合的皮肤区域，此后划分皮肤窗口则是在该图像中穷举判别所有一定尺寸的小窗口。

(2)特征提取单元20，与图像划分单元10相连并进行数据交互，提取得到所述皮肤窗口的微结构特征。

(3)筛选单元30，与特征提取单元20相连并进行数据交互，根据微结构特征对皮肤窗口进行多层级的特征选择，筛选出符合检测条件的候选皮肤窗口。

(4)合并单元40，与筛选单元30相连并进行数据交互，合并相邻位置的候选皮肤窗口，并确定图像中包含的所有皮肤纹理的属性信息。

图2示出了本发明的第二实施例中对图像进行皮肤纹理检测的系统结构，该系统包括图像划分单元10、特征提取单元20、筛选单元30和合并单元40，此外还包括归一化处理单元50。该归一化处理单元50与图像划分单元10、特征提取单元20及筛选单元30分别相连并进行数据交互，对所有皮肤窗口和/或微结构特征进行归一化处理。

在一个优选实施例中，归一化处理单元50用于对图像划分单元10得到的多个皮肤窗口进行训练样本的灰度归一化处理，以及对特征提取单元20提取出的微结构特征进行归一化处理。分别详述如下：

(1)对皮肤窗口进行训练样本的灰度归一化处理：由于外界光照、成像设备等因素可能导致图像亮度和/或对比度异常，出现强阴影、反光等情况。所以需要对几何归一化后的样本进行灰度均衡化处理，改善其灰度分布，增强模式间的一致性。在本发明的一个实施例中，是采用灰度均值、方差归一化的方式对样本进行灰度均衡化处理，将样本图片灰度的均值μ和方差σ调整到给定值μ₀和σ₀。具体实现过程是：

首先采用下式计算样本图像G(x，y)(0≤x<W，0≤y<H)的均值和方差：

$\stackrel{\&OverBar;}{\mathrm{\&mu;}}=\frac{1}{\mathrm{WH}}\underset{y=0}{\overset{H-1}{\mathrm{\&Sigma;}}}\underset{x=0}{\overset{W-1}{\mathrm{\&Sigma;}}}G(x,y);$

${\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}^2=\frac{1}{\mathrm{WH}}\underset{y=0}{\overset{H-1}{\mathrm{\&Sigma;}}}\underset{x=0}{\overset{W-1}{\mathrm{\&Sigma;}}}{(G(x,y)-\stackrel{\&OverBar;}{\mathrm{\&mu;}})}^2.$

然后对每个像素点的灰度值进行如下变换：

$I(x,y)=\frac{{\mathrm{\&sigma;}}_0}{\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}(G(x,y)-\stackrel{\&OverBar;}{\mathrm{\&mu;}})+{\mathrm{\&mu;}}_0.$

(2)对微结构特征进行归一化处理：为了减轻光照对于皮肤纹理检测的影响，需要对每一个20×20像素小窗口进行灰度均值和方差的归一化，所以首先要快速计算出小窗口的灰度均值μ和方差σ，然后在特征层次上进行归一化。以图4、图5为例进行说明，其中的20×20像素小窗口的μ和σ分别为：

μ＝[II(x₀+19，y₀+19)+II(x₀-1，y₀-1)-II(x₀-1，y₀+19)-II(x₀+19，y₀-1)]/400；

σ＝{[SqrII(x₀+19，y₀+19)+SqrII(x₀-1，y₀-1)-SqrII(x₀-1，y₀+19)

   -SqrII(x₀+19，y₀-1)]/400-μ²}^1/2

对得到的第(a)类微结构特征可以进行如下的归一化：

$g(x,y,w,h)=\frac{{\mathrm{\&sigma;}}_0}{\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}\stackrel{\&OverBar;}{g}(x,y,w,h).$

图3示出了本发明的一个实施例中特征提取单元20的结构，包括积分图像计算单元201和微结构特征提取模202。其中：

(1)积分图像计算单元201对输入图像进行积分处理，计算出积分图像。

在一个优选实施例中，其计算过程如图5所示。对于一个图像I(x，y)，(x≥0，y≥0)，定义其对应的积分图像II(x，y)为从(0，0)到(x，y)范围内的所有像素之和，即 $\mathrm{II}(x,y)=\underset{0\&le;x\&prime;\&le;x}{\mathrm{\&Sigma;}}\underset{0\&le;y\&prime;\&le;y}{\mathrm{\&Sigma;}}I(x\&prime;,y\&prime;).$

积分图的计算可以通过下列迭代公式从左上角到右下角扫描一遍完成：

S(x，y)＝S(x，y-1)+I(x，y)；

II(x，y)＝II(x-1，y)+S(x，y)

其中S(x，y)为第x列的积分和，且S(x，-1)＝0，II(-1，y)＝0。则原始图像I(x，y)中任何一个矩形区域中的像素和可通过积分图经3次加减法快速计算出。

同样定义平方积分图像SqrII(x，y)为从(0，0)到(x，y)范围内的所有像素平方之和，即 $\mathrm{SqrII}(x,y)=\underset{0\&le;x\&prime;\&le;x}{\mathrm{\&Sigma;}}\underset{0\&le;y\&prime;\&le;y}{\mathrm{\&Sigma;}}I(x\&prime;,y\&prime;)\&CenterDot;I(x\&prime;,y\&prime;).$ 平方积分图像可用于计算每个矩形区域的方差。用同样方法通过一遍扫描可以计算出平方积分图SqrII(x，y)：

SqrS(x，y)＝SqrS(x，y-1)+I(x，y)·I(x，y)；

SqrII(x，y)＝SqrII(x-1，y)+SqrS(x，y)。

其中SqrS(x，-1)＝0，SqrII(-1，y)＝0。

(2)微结构特征提取模块202与积分图像计算单元201相连并进行数据交互，根据所述积分图像提取出皮肤窗口的微结构特征。

在一个优选实施例中，微结构特征提取模块202采用图4中的四种类型微结构模板来提取皮肤纹理模式的高维微结构特征。通过计算图像中对应黑色区域和白色区域内像素灰度的差值得到特征，表达出皮肤区别非皮肤的特点。另外微结构特征的一个优点是可以利用整幅图像的积分图像(Integral Image)快速得到图像中任意尺度、任意位置的一种微结构特征，从而为皮肤实时检测系统的实现提供了可能。

而图4中的任意一种微结构特征可以通过对应的积分图像经过若干次加减计算出。在一个具体实施例中，以图4第(a)种类型特征的提取过程为例说明微结构特征的快速提取。如图5所示，在计算出整幅图像的积分图像后，对于左上角像素坐标为(x₀，y₀)的20×20像素的小窗口，左上角像素坐标为(x，y)、宽度为w个像素、高度为h个像素的第(a)种类型微结构特征可以如下计算：

g(x，y，w，h)＝2·II(x+w-1，y-1)+II(x+2·w-1，y+h-1)

               +II(x-1，y+h-1)-2·II(x+w-1，y+h-1)；

               -II(x+2·w-1，y-1)-II(x-1，y-1)

其中x，y，w，h受到下列约束：

x₀≤x，y₀≤y，x+2·w≤x₀+20，y+h≤y₀+20。

改变参数x，y，w，h可以提取不同位置、不同尺度的特征。其它类型的特征可以采取类似的方法提取。由此可知，任何尺度、任何位置的微结构特征仅需要利用整幅图像的积分图进行若干次加减计算即可得到，所以特征提取的效率很高，降低了算法的计算复杂度，从而适应实时性的要求。对于一个20×20像素的皮肤纹理图像来说，共可以得到92267个高度冗余的微结构特征。

图6和图7是本发明的一个实施例中筛选单元30的结构。在本发明中，筛选单元30包括多层级的分类器组，采用自适应推进(Adaptive Boosting，简作“Adaboost”)算法对皮肤窗口进行多层级的特征选择，筛选出符合检测条件的候选皮肤窗口。在本领域内，AdaBoost是推进(Boosting)算法的一种，其主要思想是给每一个训练样本分配一个权重，表明它被某弱分类器选入训练集的概率，并通过不断修正权重来实现推进训练。

在一个优选实施例中，该多层级的分类器组包含两个层次，如图6和图7所示：多层级的分类器组包括多个强分类器(301、302......30m；而各个强分类器(301、302......30m)内部又包括多个基于单特征的弱分类器(如3011、3012......301n)。需要作出说明的是，弱分类器是基于特征的一种分类器，一般是根据某个单一特征对目标进行直接判断分类，这种分类器简单，但一般效果不好。强分类器则是一种弱分类器组合，其提高了分类器的正确率。多层强分类器则是一种多次分类器，它是在强分类器的基础上进行的多次分类过程，它的优点是，由简单到复杂将多层强分类器级联起来，在检测时只要某个图像窗口不能通过其中任何一层，可立即排除掉；所以对于明显不像皮肤纹理的窗口图像，在前几级就可被排除，无需后续计算，从而大大节省了计算量。

本发明使用AdaBoost算法选择特征和训练分类器。一方面AdaBoost算法在每轮迭代中选择出性能最好的基于单个特征的弱分类器，达到特征选择的目的；另一方面把这些弱分类器集成为一个强分类器，并通过将多个强分类器级联起来得到一个性能优秀的皮肤纹理检测器。具体过程是：训练时，先确定某些微特征的弱分类器，然后训练强分类器，根据分类器的效果确定多层分类器。在图像检测过程中，则是直接使用多层级的分类器组对图像进行检测，每层分类器都会对图像输出一个结果，或排除或接受，排除则检测过程结束，直到最后一层。

以下将通过三个优选实施例，具体阐述本发明构造弱分类器、通过AdaBoost算法训练强分类器，以及将强分类器进行级联的过程：

在一个优选实施例中，对应于每一维特征构造最简单的树分类器，来作为弱分类器：

$h_j\left(x\right)=\left\{\begin{array}{cc}1,& \mathrm{if}{g}_j\left(x\right)<{\mathrm{\&theta;}}_j\mathrm{or}{g}_j\left(x\right)>{\mathrm{\&theta;}}_j\\ 0,& \mathrm{otherwise}\end{array}\right.;$

其中x是20×20的图像窗口，g_j(x)表示图像在第j个特征下的特征值，θ_j是第j个特征对应的判决阈值，h_j(x)表示图像在第j个特征下的判决输出。这样每个弱分类器只需要比较一次阈值就可以完成判决。

在一个优选实施例中，训练强分类器的过程如下：

本发明对采用以最小化错误风险为优化目标的AdaBoost算法，并结合上述弱分类器构造方法用于训练皮肤/非皮肤强分类器。训练算法步骤如下(记给定训练集L＝{(x_i，y_i)}，i＝1，...，n，y_i＝0，1是模式x_i的标号分别对应非皮肤类别和皮肤类别)：

选择训练样本集上皮肤类别是非皮肤类别的误分类风险倍数c>0，则对于皮肤纹理样本 $C_i=\frac{2c}{c+1},$ 对非皮肤样本 $C_i=\frac{2}{c+1}.$ 初始每个样本的权重为 $D_1\left(i\right)=\frac{C_i}{\underset{j}{\mathrm{\&Sigma;}}{C}_j};$ 迭代次数t＝1，...，T，其中T即为希望选择的弱分类器的个数。

对每个特征j，利用单个特征训练分类器h_j，根据训练样本集的权值D_t得到最优的阈值参数，使得h_j的错误率ε_j最小， ${\mathrm{\&epsiv;}}_j=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{D}_t\left(i\right)\&CenterDot;|h_j\left(x_i\right)-y_i|;$ 选择其中错误率最小的弱分类器作为h_t，在此基础上寻找参数α_t使总权重和 $Z_t=\underset{i}{\mathrm{\&Sigma;}}{D}_t\left(i\right)\exp \left({-\mathrm{\&alpha;}}_t{y}_i{h}_t\left(x_i\right)\right)\exp \left({\mathrm{\&lambda;\&alpha;}}_t{y}_i\right)$ 最小；

更新样本的权重 $D_{t+1}\left(i\right)=\frac{D_t\left(i\right)\exp \left({-\mathrm{\&alpha;}}_t{y}_i{h}_t\left(x_i\right)\right)\exp \left({\mathrm{\&lambda;\&alpha;}}_t{y}_i\right)}{Z_t},$ 其中

输出最后的强分类器：

其中，T为迭代次数，α_t和λ为权重调整参数， $\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t{h}_t\left(x\right)\&GreaterEqual;(\frac{1}{2}+\mathrm{\&lambda;})\underset{i=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t$ 表示皮肤纹理的后验概率非负，H(x)表示图像在强分类器(也即第二层级的特征选择)中的判决输出。

对于通过强分类器判断的模式，本发明采用 $P\left(1\right|f\left(x\right))=\frac{e^{f\left(x\right)}}{e^{f\left(x\right)}+e^{-f\left(x\right)}}$ 得到模式属于皮肤纹理的后验概率，此处 $f\left(x\right)=\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t(h_t\left(x\right)-\frac{1}{2}-\mathrm{\&lambda;}).$ 模式的后验概率可以用于临近皮肤候选的合并仲裁等。

在一个优选实施例中，将强分类器级联的过程如下：

由于单层强分类器很难同时实现高分类速度、极低的错误拒识率(Falserejection Rat，FRR)和极低的错误接受率(False Acceptance Rate，FAR)等目标，所以整个皮肤检测器必须采用分层结构，由简单到复杂将多层强分类器级联起来，在检测时只要某个图像窗口不能通过其中任何一层，可立即排除掉，因此能够降低误检率；所以对于明显不像皮肤纹理的窗口图像，在前几级就可被排除，无需后续计算，从而大大节省了计算量，因此提高了检测效率。

在本实施例中，训练阶段时每层强分类器的训练目标是保证在皮肤验证集上的FRR≤0.05％，在非皮肤样本集上FAR≤45％。这样训练得到N层强分类器后，整个系统的非皮肤误检率最低可以达到0.45^N，而皮肤正确率至少为0.9995^N。多层强分类器级联的具体训练步骤如下：(1)训练时使用10000个皮肤样本，3000个皮肤样本作为验证集合。从图片中随机选择11000张非皮肤样本作为出示训练样本集；(2)采用前述强分类器的训练方法的方法训练第i层强分类器；(3)用训练得到的前i层分类器对收集的大量非皮肤干扰图片进行检测；如果虚警率仍高于预定值，则随机选择部分虚警构成新的非皮肤样本集，i←i+1，返回继续进行训练；否则停止训练。在一个较佳实施例中，最后训练得到的皮肤检测器包括10层强分类器，共使用了780个弱分类器。整个检测器在皮肤验证集上的检测率约为96.85％。

在检测时如果一个窗口通过所有层分类器判决，则认为该窗口包含一个皮肤候选，得到其位置(rect)、尺度(scale)、置信度(conf)三个属性。由于由多个弱分类器构成的强分类器具有对分类界面具有更精细的刻画能力；我们以最后六个强分类器对窗口后验概率估计的平均值作为置信度。这样检测一张图像可得到一个皮肤候选序列，然后经过后处理算法，得到最终的皮肤区域。

图8示出了本发明的一个实施例中对图像进行皮肤纹理检测的方法流程。具体包括：

在步骤S801中，在输入图像中确定初始皮肤区域，并将其划分为多个皮肤窗口；

在步骤S802中，提取得到所述皮肤窗口的微结构特征；

在步骤S803中，根据微结构特征对皮肤窗口进行多层级的特征选择，筛选出符合检测条件的候选皮肤窗口；

在步骤S804中，合并相邻位置的候选皮肤窗口，确定图像中包含的所有皮肤纹理的属性信息。

图9示出了本发明的一个实施例中对图像进行皮肤纹理检测的方法流程。具体包括：

在步骤S901中，在输入图像中确定初始皮肤区域，并将其划分为多个皮肤窗口；

在步骤S902中，对皮肤窗口进行样本灰度归一化处理，将所有皮肤窗口的灰度调整一致；

在步骤S903中，提取得到所述皮肤窗口的微结构特征；

在步骤S904中，对微结构特征进行归一化处理；

在步骤S905中，根据微结构特征对皮肤窗口进行多层级的特征选择，筛选出符合检测条件的候选皮肤窗口；

在步骤S906中，合并相邻位置的候选皮肤窗口，确定图像中包含的所有皮肤纹理的属性信息。

在一个优选实施例中，上述步骤S902的具体实现过程如下：

由于外界光照、成像设备等因素可能导致图像亮度或对比度异常，出现强阴影或反光等情况。所以需要对几何归一化后的样本进行灰度均衡化处理，改善其灰度分布，增强模式间的一致性。在本发明的一个实施例中，归一化处理单元50采用灰度均值、方差归一化的方式对样本进行灰度均衡化处理，将样本图片灰度的均值μ和方差σ调整到给定值μ₀和σ₀。具体过程是：

首先采用下式计算样本图像G(x，y)(0≤x<W，0≤y<H)的均值和方差：

$\stackrel{\&OverBar;}{\mathrm{\&mu;}}=\frac{1}{\mathrm{WH}}\underset{y=0}{\overset{H-1}{\mathrm{\&Sigma;}}}\underset{x=0}{\overset{W-1}{\mathrm{\&Sigma;}}}G(x,y);$

${\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}^2=\frac{1}{\mathrm{WH}}\underset{y=0}{\overset{H-1}{\mathrm{\&Sigma;}}}\underset{x=0}{\overset{W-1}{\mathrm{\&Sigma;}}}{(G(x,y)-\stackrel{\&OverBar;}{\mathrm{\&mu;}})}^2.$

然后对每个像素点的灰度值进行如下变换：

$I(x,y)=\frac{{\mathrm{\&sigma;}}_0}{\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}(G(x,y)-\stackrel{\&OverBar;}{\mathrm{\&mu;}})+{\mathrm{\&mu;}}_0.$

在一个优选实施例中，上述步骤S802和步骤S903的具体实现过程如下：

(1)积分图像计算单元201对输入图像进行积分处理，计算出积分图像。

在一个优选实施例中，其计算过程如图5所示。对于一个图像I(x，y)，(x≥0，y≥0)，定义其对应的积分图像II(x，y)为从(0，0)到(x，y)范围内的所有像素之和，即 $\mathrm{II}(x,y)=\underset{0\&le;x\&prime;\&le;x}{\mathrm{\&Sigma;}}\underset{0\&le;y\&prime;\&le;y}{\mathrm{\&Sigma;}}I(x\&prime;,y\&prime;).$

积分图的计算可以通过下列迭代公式从左上角到右下角扫描一遍完成：

S(x，y)＝S(x，y-1)+I(x，y)；

II(x，y)＝II(x-1，y)+S(x，y)。

其中S(x，y)为第x列的积分和，且S(x，-1)＝0，II(-1，y)＝0。则原始图像I(x，y)中任何一个矩形区域中的像素和可通过积分图经3次加减法快速计算出。

同样定义平方积分图像SqrII(x，y)为从(0，0)到(x，y)范围内的所有像素平方之和，即 $\mathrm{SqrII}(x,y)=\underset{0\&le;x\&prime;\&le;x}{\mathrm{\&Sigma;}}\underset{0\&le;y\&prime;\&le;y}{\mathrm{\&Sigma;}}I(x\&prime;,y\&prime;)\&CenterDot;I(x\&prime;,y\&prime;).$ 平方积分图像可用于计算每个矩形区域的方差。用同样方法通过一遍扫描可以计算出平方积分图SqrII(x，y)：

SqrS(x，y)＝SqrS(x，y-1)+I(x，y)·I(x，y)；

SqrII(x，y)＝SqrII(x-1，y)+SqrS(x，y)

其中SqrS(x，-1)＝0，SqrII(-1，y)＝0。

(2)微结构特征提取模块202根据所述积分图像提取出皮肤窗口的微结构特征。

在一个优选实施例中，微结构特征提取模块202采用图4中的四种类型微结构模板来提取皮肤纹理模式的高维微结构特征。通过计算图像中对应黑色区域和白色区域内像素灰度的差值得到特征，表达出皮肤区别非皮肤的特点。另外微结构特征的一个优点是可以利用整幅图像的积分图像(Integral Image)快速得到图像中任意尺度、任意位置的一种微结构特征，从而为皮肤实时检测系统的实现提供了可能。

而图4中的任意一种微结构特征可以通过对应的积分图像经过若干次加减计算出。在一个具体实施例中，以图4第(a)种类型特征的提取过程为例说明微结构特征的快速提取。如图5所示，在计算出整幅图像的积分图像后，对于左上角像素坐标为(x₀，y₀)的20×20像素的小窗口，左上角像素坐标为(x，y)、宽度为w个像素、高度为h个像素的第(a)种类型微结构特征可以如下计算：

g(x，y，w，h)＝2·II(x+w-1，y-1)+II(x+2·w-1，y+h-1)

               +II(x-1，y+h-1)-2·II(x+w-1，y+h-1)；

               -II(x+2·w-1，y-1)-II(x-1，y-1)

其中x，y，w，h受到下列约束：

x₀≤x，y₀≤y，x+2·w≤x₀+20，y+h≤y₀+20

改变参数x，y，w，h可以提取不同位置、不同尺度的特征。其它类型的特征可以采取类似的方法提取。可以看出，任何尺度、任何位置的微结构特征仅需要利用整幅图像的积分图进行若干次加减计算即可得到，所以特征提取的效率很高。保证了算法的计算复杂度相当低，从而适应对于实时性的要求。对于一个20×20像素的皮肤纹理图像来说，共可以得到92267个高度冗余的微结构特征。

在一个优选实施例中，上述步骤S904的具体实现过程如下：

为了减轻光照对于皮肤纹理检测的影响，需要对每一个20×20像素小窗口进行灰度均值和方差的归一化，所以首先要快速计算出小窗口的灰度均值μ和方差σ，然后在特征层次上进行归一化。以图5为例进行说明，其中的20×20像素小窗口的μ和σ分别为：

μ＝[II(x₀+19，y₀+19)+II(x₀-1，y₀-1)-II(x₀-1，y₀+19)-II(x₀+19，y₀-1)]/400；

σ＝{[SqrII(x₀+19，y₀+19)+SqrII(x₀-1，y₀-1)-SqrII(x₀-1，y₀+19)

    -SqrII(x₀+19，y₀-1)]/400-μ²}^1/2

对得到的第(a)类微结构特征可以进行如下的归一化：

$g(x,y,w,h)=\frac{{\mathrm{\&sigma;}}_0}{\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}\stackrel{\&OverBar;}{g}(x,y,w,h).$

在一个优选实施例中，上述步骤S803和步骤S905的具体实现过程如下：

根据微结构特征，通过多层级的分类器组，采用Adaboost算法对皮肤窗口进行多层级的特征选择，筛选出符合检测条件的候选皮肤窗口。该多层级的分类器组包括多个强分类器(301、302......30m；而各个强分类器(301、302......30m)内部又包括多个基于单特征的弱分类器(如3011、3012......301n)。关于该多层级的分类器组的结构及训练过程，可参考前述图6和图7的内容，此处不再赘述。

需要特别说明的是，本发明在训练分类器及用于检测过程中所采用的AdaBoost算法，相比于现有技术做出了改进，其以最小化错误风险为优化目标。

在图像检测过程中，则是直接使用多层级的分类器组对图像进行检测，每层分类器都会对图像输出一个结果，或排除或接受，排除则检测过程结束，直到最后一层。由于多层强分类器是一种多次分类器，它是在强分类器的基础上进行的多次分类过程，它的优点是，由简单到复杂将多层强分类器级联起来，在检测时只要某个图像窗口不能通过其中任何一层，可立即排除掉；所以对于明显不像皮肤纹理的窗口图像，在前几级就可被排除，无需后续计算，从而大大节省了计算量。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (13)

1、一种对图像进行皮肤纹理检测的系统，其特征在于，所述系统包括：

图像划分单元，在输入图像中确定初始皮肤区域，并将所述初始皮肤区域划分为多个皮肤窗口；

特征提取单元，与图像划分单元相连并进行数据交互，提取得到所述皮肤窗口的微结构特征；

筛选单元，与特征提取单元相连并进行数据交互，根据微结构特征对皮肤窗口进行多层级的特征选择，筛选出符合检测条件的候选皮肤窗口；

合并单元，与筛选单元相连并进行数据交互，合并相邻位置的候选皮肤窗口，并确定图像中包含的所有皮肤纹理的属性信息。

2、根据权利要求1所述的对图像进行皮肤纹理检测的系统，其特征在于，所述特征提取单元包括：

积分图像计算单元，对所述输入图像进行积分处理，计算出积分图像；

微结构特征提取模块，与积分图像计算单元相连并进行数据交互，根据所述积分图像提取出皮肤窗口的微结构特征。

3、根据权利要求1所述的对图像进行皮肤纹理检测的系统，其特征在于，所述筛选单元包括多层级的分类器组，采用自适应推进算法对皮肤窗口进行多层级的特征选择，筛选出符合检测条件的候选皮肤窗口。

4、根据权利要求3所述的对图像进行皮肤纹理检测的系统，其特征在于，所述筛选单元中多层级的分类器组由多个强分类器级联而成，所述强分类器包括多个基于单特征的弱分类器。

5、根据权利要求1至4中任一项所述的对图像进行皮肤纹理检测的系统，其特征在于，所述系统还包括：

归一化处理单元，与图像划分单元、特征提取单元及筛选单元分别相连并进行数据交互，对所述皮肤窗口和/或微结构特征进行归一化处理。

6、一种对图像进行皮肤纹理检测的方法，其特征在于，所述方法包括以下步骤：

A.在输入图像中确定初始皮肤区域，并将其划分为多个皮肤窗口；

B.提取得到所述皮肤窗口的微结构特征；

C.根据微结构特征对皮肤窗口进行多层级的特征选择，筛选出符合检测条件的候选皮肤窗口；

D.合并相邻位置的候选皮肤窗口，确定图像中包含的所有皮肤纹理的属性信息。

7、根据权利要求6所述的对图像进行皮肤纹理检测的方法，其特征在于，所述步骤B包括：

B1.对所述输入图像进行积分处理，计算出积分图像；

B2.根据所述积分图像提取出皮肤窗口的微结构特征。

8、根据权利要求6所述的对图像进行皮肤纹理检测的方法，其特征在于，所述步骤C包括：

根据微结构特征，采用自适应推进算法对皮肤窗口进行多层级的特征选择，筛选出符合检测条件的候选皮肤窗口。

9、根据权利要求8所述的对图像进行皮肤纹理检测的方法，其特征在于，所述步骤C中自适应推进算法的过程包括：

C1.对皮肤窗口进行以单特征为基准的第一层级的特征选择，输出第一级判决结果；

C2.采用以最小化错误风险为目标的AdaBoost算法对第一级判决结果进行第二层级的特征选择，输出第二级判决结果。

10、根据权利要求9所述的对图像进行皮肤纹理检测的方法，其特征在于，所述步骤C1的计算公式为：

$h_j\left(x\right)=\left\{\begin{array}{cc}1,& \mathrm{if}{g}_j\left(x\right)<{\mathrm{\&theta;}}_j\mathrm{or}{g}_j\left(x\right)>{\mathrm{\&theta;}}_j\\ 0,& \mathrm{otherwise}\end{array}\right.;$

其中x是图像窗口，g_j(x)表示图像在第j个特征下的特征值，θ_j是第j个特征对应的判决阈值，h_j(x)表示图像在第j个特征下的判决输出。

11、根据权利要求10所述的对图像进行皮肤纹理检测的方法，其特征在于，所述步骤C2的计算公式为：

其中，T为迭代次数，α₁和λ为权重调整参数， $\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t{h}_t\left(x\right)\&GreaterEqual;(\frac{1}{2}+\mathrm{\&lambda;})\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t$ 表示皮肤纹理的后验概率非负，H(x)表示图像在第二层级的特征选择中的判决输出。

12、根据权利要求6所述的对图像进行皮肤纹理检测的方法，其特征在于，所述步骤D中皮肤纹理的属性信息至少包括：位置、尺寸和置信度。

13、根据权利要求6至12中任一项所述的对图像进行皮肤纹理检测的方法，其特征在于：

在所述步骤A和B之间还包括对所述皮肤窗口进行归一化处理的步骤；和/或

在所述步骤B和C之间还包括对所述微结构特征进行归一化处理的步骤。

Images