CN102324020A - 人体肤色区域的识别方法和装置 - Google Patents

Abstract

本发明公开了一种人体肤色区域的识别方法和装置，能够快速准确地得到肤色区域，提高图片过滤的准确率和效率。本发明实施例提供的人体肤色区域的识别方法，包括：获取待检测图像中各像素点的HSV数据，并根据所述HSV数据对各像素点进行聚类，得到聚类结果图像；基于统计结果，选取色调H的阈值范围；根据所述聚类结果图像中各像素点的H分量以及所述H的阈值范围，进行区域分割，得到所述待检测图像的肤色区域；利用漫水填充算法对所述肤色区域中像素点进行划分，将满足连通条件的像素点划分在同一个肤色块中；对所述各个肤色块分别进行特征提取，执行对所述待检测图像的过滤。

Description

人体肤色区域的识别方法和装置

技术领域

本发明涉及图像识别技术领域，尤其涉及一种人体肤色区域的识别方法和装置。

背景技术

肤色区域分割技术是目前图像分割研究中的热点之一，其在人脸识别、表情识别、人手跟踪、人机交互、运动人体目标跟踪、黄色图片过滤中都有重要应用。目前互联网黄色图片泛滥对未成年人有极大伤害，是否能够快速有效地实现肤色分割对准确识别黄色图片有重要影响。

现有黄色图片的过滤方案中，先通过肤色区域的分割，在黄色图片上找到整个人体，找到人体后再分析动作，并通过预先定义的一些人体部位如手、脚、头、肩等，来识别是否黄色图片。

然而，现有的过滤方案也存在不少问题，例如，现有方案无法准确地对肤色区域进行分割，通常是基于整个人体的肤色区域提取特征进行动作识别，造成特征提取的难度较高，图片过滤的准确率较低。

发明内容

本发明实施例提供了一种人体肤色区域的识别方法和装置，能够快速准确地得到肤色区域，提高图片过滤的准确率和效率。

为达到上述目的，本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种人体肤色区域的识别方法，包括：

获取待检测图像中各像素点的HSV数据，并根据所述HSV数据对各像素点进行聚类，得到聚类结果图像；

基于统计结果，选取色调H的阈值范围；

根据所述聚类结果图像中各像素点的H分量以及所述H的阈值范围，进行区域分割，得到所述待检测图像的肤色区域；

利用漫水填充算法对所述肤色区域中像素点进行划分，将满足连通条件的像素点划分在同一个肤色块中；

对所述各个肤色块分别进行特征提取，执行对所述待检测图像的过滤。

本发明实施例还提供了一种人体肤色区域的识别装置，包括肤色区域获取单元，肤色块划分单元和过滤单元，

所述肤色块划分单元，用于利用漫水填充算法对所述肤色区域获取单元获取到的肤色区域中像素点进行划分，将满足连通条件的像素点划分在同一个肤色块中；

所述过滤单元，用于对所述各个肤色块分别进行特征提取，执行对所述待检测图像的过滤；

所述肤色区域获取单元，包括如下模块：

聚类分割模块，用于获取待检测图像中各像素点的HSV数据，并根据所述HSV数据对各像素点进行聚类，得到聚类结果图像；

色调阈值选取模块，用于基于统计结果，选取色调H的阈值范围；

阈值分割模块，用于根据所述聚类结果图像中各像素点的H分量以及所述H的阈值范围，进行区域分割，得到所述待检测图像的肤色区域。

由上述可见，本技术方案先对待检测图像在HSV空间中进行聚类，将具有相似颜色属性的像素点分割在同一类中；然后，在聚类的基础上，根据统计得到的肤色分布的阈值范围，再次进行区域的分割，得到所需检测的肤色区域。本方案的这种两次分割的处理模式，提高了肤色区域分割的准确率，能够快速有效地得到肤色区域。

并且，本发明实施例提供的技术方案在快速准确地得到整个人体的肤色区域之后，进一步根据连通条件将该肤色区域划分为多个肤色块，以将人体上的各个部位对应于肤色区域分离出来，分别对各个肤色块进行分析和识别，从而大大降低了特征提取的难度，提高了图片过滤的准确率和效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的一种人体肤色区域的识别方法流程示意图；

图2为本发明实施例二提供的HSV颜色空间的圆锥空间模型示意图；

图3为本发明实施例二提供的金字塔算法流程处理示意图；

图4为本发明实施例二提供的统计得到的表示肤色的H向量的概率分布图；

图5(a)为本发明实施例二提供的漫水填充算法中4邻域的位置示意图；

图5(b)为本发明实施例二提供的漫水填充算法中4邻域的坐标关系示意图；

图6(a)为本发明实施例二提供的漫水填充算法中8邻域的位置示意图；

图6(b)为本发明实施例二提供的漫水填充算法中8邻域的坐标关系示意图；

图7为本发明实施例三提供的人体肤色区域的识别装置结构示意图；

图8为本方案提供的实验一中原始的待检测图像；

图9为实验一中采用本方案得到的聚类结果图像；

图10为实验一中对图9的聚类结果图像执行H阈值分割后得到的图像；

图11中的图像(a)至(d)为实验一中利用漫水填充算法对获取到的肤色区域中的像素点进行划分后得到的结果图像；

图12为本方案提供的实验二中原始的待检测图像；

图13为实验二中采用本方案得到的聚类结果图像；

图14为实验二中对图13的聚类结果图像执行H阈值分割后得到的图像；

图15为实验二中利用漫水填充算法对获取到的肤色区域中的像素点进行划分后得到的结果图像；

图16为本方案提供的实验三中原始的待检测图像；

图17为实验三中采用本方案得到的聚类结果图像；

图18为实验三中对图17的聚类结果图像执行H阈值分割后得到的图像；

图19中的图像(a)至(f)为实验三中利用漫水填充算法对获取到的肤色区域中的像素点进行划分后得到的结果图像。

具体实施方式

下面将结合本发明的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例一提供的人体肤色区域的识别方法，参见图1，具体包括：

11：获取待检测图像中各像素点的HSV数据；

上述HSV数据为待检测图像中各像素点在色调、饱和度、亮度(Hue，Saturation，Value)颜色空间中的数据。

12：根据所述HSV数据对各像素点进行聚类，得到聚类结果图像；

13：基于统计结果，选取色调H的阈值范围；

14：根据所述聚类结果图像中各像素点的H分量以及所述H的阈值范围，进行区域分割，得到所述待检测图像的肤色区域。

本发明实施例中对各步骤的执行次序不进行严格的限制，例如，步骤13中选取H的阈值范围的操作可以在步骤11之前预先执行，也可以在步骤11之后或者与步骤11同时执行。

优选的，上述的H的阈值范围为7到12。

15：利用漫水填充算法对所述肤色区域中像素点进行划分，将满足连通条件的像素点划分在同一个肤色块中。

16：对所述各个肤色块分别进行特征提取，执行对所述待检测图像的过滤。

由上述可见，本技术方案先对待检测图像在HSV空间中进行聚类，将具有相似颜色属性的像素点分割在同一类中；然后，在聚类的基础上，根据统计得到的肤色分布的阈值范围，再次进行区域的分割，得到所需检测的肤色区域。本方案的这种两次分割的处理模式，提高了肤色区域分割的准确率，能够快速有效地得到肤色区域。

并且，本发明实施例提供的技术方案在快速准确地得到整个人体的肤色区域之后，进一步根据连通条件将该肤色区域划分为多个肤色块，以将人体上的各个部位对应于肤色区域分离出来，分别对各个肤色块进行分析和识别，从而大大降低了特征提取的难度，提高了图片过滤的准确率和效率。

下面对本发明实施例二提供的人体肤色区域的识别方法进行说明，具体包括：

11：获取待检测图像中各像素点的HSV数据。

根据不同应用的需要，设计了多种颜色空间，如RGB颜色空间、HSV颜色空间。然而本技术方案中采用在HSV颜色空间中进行肤色区域的分割。主要原因在于：

人类的肤色在颜色空间分布比较集中，但是受人种和光照的影响比较大。人种的问题可以通过分类解决，但光照问题则不太容易处理，是普通存在的问题。为了解决这个问题，本方案把颜色空间映射到亮度(光照)和色度(颜色)分离的颜色空间，即采用HSV颜色空间，从而避免了光照对区域分割的影响。

并且，RGB模式虽然是一种常用的颜色空间，但这个空间不区分亮度、色度，主要是面向硬件设备，如物理显示器、摄影机等，并不适合人眼系统，不适于直接用于肤色分割。

HSV颜色空间中H是色调，S是饱和度，V是亮度。H值是色彩的基本属性，也就是通常说的颜色，取值0-360。S是色彩的纯度，S越高色彩越纯，S越低则色彩越灰，取值0-100。V是亮度，取值0-100。HSV颜色空间可以用一个圆锥空间模型来表示，参见图2。HSV颜色空间的模型对应于圆柱坐标系中的一个圆锥形子集，圆锥的顶面对应于V＝1，它对应RGB模型中的R＝1，G＝1，B＝1三个面，所代表的颜色较亮。色彩H由绕V轴的旋转角给定。红色对应于角度0°，绿色对应于角度120°，蓝色对应于角度240°。在HSV颜色模型中，每一种颜色和它的补色相差180°。饱和度S取值从0到1，所以圆锥顶面的半径为1。HSV颜色模型所代表的颜色域是CIE色度图的一个子集。在圆锥的顶点(即原点)处，V＝0，H和S无定义，代表黑色。圆锥的顶面中心处S＝0，V＝1，H无定义，代表白色。从该点到原点代表亮度渐暗的灰色，即具有不同灰度的灰色。对于这些点，S＝0，H的值无定义。可以说，HSV模型中的V轴对应于RGB颜色空间中的主对角线。在圆锥顶面的圆周上的颜色，V＝1，S＝1，这种颜色是纯色。

当利用硬件设备读取待检测图像时，硬件设备采用是RGB颜色空间，则通过对待检测图像中各像素点的RGB值进行转换，得到所述各像素点的HSV数据。RGB数据向HSV数据的转换方式可以具体表示如下：

RGB＝＞HSV，转换公式如下：

令MAX为R、G、B三个分量的最大值；MIN为三个分量的最小值

若MAX＝MIN，则

H＝0

S＝0

V＝MAX/255

若MAX≠MIN

当G≥B时

H＝(Max-R’+G’-Min+B’-Min)/(Max-Min)×60

S＝1-MIN/MAX

V＝MAX/255

当G＜B时

H＝360-(Max-R’+G’-Min+B’-Min)/(Max-Min)×60

S＝1-MIN/MAX

V＝MAX/255

12：根据所述HSV数据对各像素点进行聚类，得到聚类结果图像。

在利用H的阈值范围进行区域分割之前，先通过聚类分割将颜色属性相近的像素点分割在同一区域，从而提高了最终肤色区域分割的准确度。

本方案的聚类分割处理中，将待检测图像中各像素点的HSV数据作为聚类分割的输入数据，即对各像素点的HSV数据执行聚类分割操作。

聚类的主要操作就是在待检测图像中各像素点的HSV数据中，根据预定的特征阈值范围进行搜索，将满足所述特征阈值范围的像素点划分在同一个类中。例如，将位于特征阈值范围内的像素点或者接近特征阈值范围的像素点集合在一起归为同一类。

进一步的，在聚类操作中，本方案还可以采用金字塔聚类分割方式，从而达到分割速度更快，分割效果更好的效果。

金字塔聚类分割方式具体包括：

通过多分辨分析，将HSV数据构成的待检测图像迭代分解为多级不同分辨率的金字塔滤波图像；按照分辨率从高到底的顺序，根据预定的特征阈值范围在所述多个金字塔滤波图像中进行搜索，将满足所述特征阈值范围的像素点划分在同一个类中。

例如，若原始的HSV图像表示为g0，对g0分解得到的一阶金字塔滤波图像表示为g1，g0的分辨率和采样率都比g1低，然后再对g1分解得到的二阶金字塔滤波图像表示为g2，不断迭代处理得到g3、g4等，这一系列的图像｛g0，g 1，…，gn}构成金子塔结构，用公式描述如下：

g_k＝R(g_k-1)

其中，k表示序号，R(·)表示关系函数。

每阶的滤波图像对应于一个节点，则示例性的，对每个节点可以有如下公式：

$g_k(i,j)=\underset{m=-2}{\overset{2}{\mathrm{\Σ}}}\underset{n=-2}{\overset{2}{\mathrm{\Σ}}}w(m,n)g_{k-1}(2i+m,2j+n)$

其中，上式中的i，j表示节点的编号，(m，n)表示5*5的像素块的位置，w(m，n)表示对应像素块(m，n)的权重，(2i+m，2j+n)表示该节点与高阶中节点的对应关系。

参见图3，对每一级的金字塔滤波图像对应一级的特征矢量，则聚类处理包括在得到多级特征矢量的基础上，进行如下流程操作：

a)确定聚类的HSV距离阀值；

b)选择某级特征失量，作为初始聚类中心，按最小距离原则，把距离近的对象分配到各个聚类中心；

c)取每一区域块中已经初步聚类的特征的平均值作为新的聚类中心；

d)如果聚类中心有变化重复执行b)、c)直到聚类中心稳定及达到a)设置的阀值则结束。

进一步的，金字塔级数的选择需要权衡运算速度和分割效果，级数过小，分割效果较差，级数过高建立金字塔耗费的时间过长，运算速度较慢。在本方案中，迭代分解为4级不同分辨率的金字塔滤波图像，实验证明，4级的金字塔在运算速度和分割效果上都能够达到预期的要求。

13：基于统计结果，选取色调H的阈值范围。

本方案利用H的阈值范围，在聚类的结果上继续进行区域分割。该H的阈值范围为一个基于样本数据统计出来的结果，根据统计结果大量的真实肤色会落在该阈值范围内，而其他的颜色则散布在该阈值范围之外。

相对于现有基于贝叶斯分类方案的样本量，本方案的样本量较小，简化了操作，节省了资源。具体处理如下：

131：建立肤色图片的样本库；

132：确定所述样本库中各肤色图片内的肤色区域。

例如，可以通过人工分割出各肤色图片内的肤色区域。

133：对肤色区域中出现的每一个H向量，通过如下公式，计算该H向量的概率值：

P(Skin)(c)＝Skin(c)/PixCount

其中，Skin(c)表示各肤色区域中H向量为c的像素点的个数，PixCount表示样本库中各肤色图片所包含的像素点的总数；

134：当H向量所对应的概率值大于概率阈值时，该H向量属于所述H的阈值范围内。

参见图4，显示了统计得到的表示肤色的H向量的概率分布图，横坐标表示H向量的取值，纵坐标为该H向量表示肤色的概率值。将概率分布图中纵坐标上峰值部分所对应的横坐标区域作为H的阈值范围，即当H向量为c的概率值大于概率阈值时，该H向量c的数值才属于上述H的阈值范围。如图4所示，H向量7至12对应于概率分布的峰值，将7至12作为上述H的阈值范围。

14：根据所述聚类结果图像中各像素点的H分量以及所述H的阈值范围，进行区域分割，得到所述待检测图像的肤色区域。

提取所述聚类结果图像中各像素点的H分量；

判断所述像素点的H分量是否满足H的阈值范围，若满足，如该H分量在7至12的范围内，确认该像素点位于肤色区域中，并保留该像素点，这些保留的像素点构成所分割得到的像素区域；若不满足，如该H分量在7至12的范围之外，确认该像素点位于肤色区域之外，丢弃该像素点。

15：利用漫水填充算法对所述肤色区域中像素点进行划分，将满足连通条件的像素点划分在同一个肤色块中。

漫水填充算法(Floodfill)的基本思想中引入了邻域的概念，如4邻域或8邻域。参见图5(a)和图5(b)，图5(a)显示了4邻域的位置示意图，其中，像素点p用空心的圆圈表示，像素点p的4邻域的像素点用黑色的实心圆圈表示，图5(b)显示了4邻域的坐标关系示意图，其中，像素点p的坐标为(m，n)，像素点p的水平方向(左右)垂直方向(上下)相邻的像素的坐标分别为(m，n-1)，(m，n+1)，(m-1，n)，(m+1，n)，则这4个像素点构成了像素点p的4相邻或者4邻域。

参见图6(a)和图6(b)，图6(a)显示了8邻域的位置示意图，其中，像素点p用空心的圆圈表示，像素点p的8邻域的像素点用黑色的实心圆圈表示，图6(b)显示了8邻域的坐标关系示意图，其中，像素点p的坐标为(m，n)，像素点p的水平方向(左右)、垂直方向(上下)、45度角倾斜方向上相邻的像素的坐标分别为(m，n-1)，(m，n+1)，(m-1，n)，(m+1，n)，(m-1，n-1)，(m+1，n+1)，(m-1，n+1)，(m+1，n-1)则这8个像素点构成了像素点p的8相邻或者8邻域。

漫水填充算法中只要邻域中的像素点和像素点p(或者是其它的指定的像素点)满足约束条件则把邻域中的像素点和像素点p(或者指定点)归为一类。该算法适用于灰度图像和彩色图像。

在浮动范围下，本方案中所采用的连通条件(或称之为约束条件)可以在HSV空间中表示为如下公式：

src(x′，y′)h-lo_diffh＜＝src(x，y)h＜＝src(x′，y′)h+up_diffh

src(x′，y′)s-lo_diffs＜＝src(x，y)s＜＝src(x′，y′)s+up_diffs

src(x′，y′)v-lo_diffv＜＝src(x，y)v＜＝src(x′，y′)v+up_diffv

在固定范围下，本方案中所采用的连通条件(约束条件)也可以在HSV空间中表示为如下公式：

src(seed.x，seed.y)h-lo_diffh＜＝src(x，y)h＜＝src(seed.x，seed.y)h+up_diffh

src(seed.x，seed.y)s-lo_diffs＜＝src(x，y)s＜＝src(seed.x，seed.y)s+up_diffs

src(seed.x，seed.y)v-lo_diffv＜＝src(x，y)v＜＝src(seed.x，seed.y)v+up_diffv

其中，上式中src(x，y)表示需要重新绘制的区域，src(x′，y′)是像素邻域点的值，src(seed.x，seed.y)表示种子区域，lo_diff是范围的下限，up_diff是范围的上限。lo_diff，up_diff选择的原则是根据具体需要来确定。

也就是说，为了被加入到连通域中，一个像素点的HSV分量的数值应该足够接近于它的邻域像素点的HSV分量的数值，当该邻域点已经被认为属于浮动范围情况下的连通域。或者，一个像素点的HSV分量的数值应该足够接近于固定范围情况下种子点的HSV分量的数值。

在本方案中因为使用了聚类肤色分割的操作，在使用漫水填充算法之前各种像素点已经聚类，所以不再需要指定一个范围差值，lo_diff，up_diff都取0即可。

这时，本方案中所采用的连通条件可以描述为：

在采用漫水填充算法的浮动范围方式时，所述连通条件为像素点的HSV三个分量的数值相等；

在采用漫水填充算法的固定范围方式时，所述连通条件为像素点的HSV三个分量的数值分别与同一种子点的HSV分量的数值相等。

即在浮动范围方式下，有如下公式成立：

src(x，y)h＝src(x′，y′)h

src(x，y)s＝src(x′，y′)s

src(x，y)v＝src(x′，y′)v

在固定范围方式下，有如下公式成立：

src(x，y)h＝src(seed.x，seed.y)h

src(x，y)s＝src(seed.x，seed.y)s

src(x，y)v＝src(seed.x，seed.y)v

16：对所述各个肤色块分别进行特征提取，执行对所述待检测图像的过滤。

考虑到通过分析图片上人的行为可以辅助识别黄图，而要分析人的行为需要把人的各个部分识别出来。

利用本方案能从人体整个的肤色图片中分离出各个肤色区域，进一步把手、脚、头等部位分离出来，且各个肤色区域准确分离后还可以分析肤色的分布等，从而为黄色图片过滤提供更多的特征以提高过滤的准确率。

进一步的，在对各个肤色块分别进行特征提取的步骤之前，上述方法还可以包括：

判断肤色块的面积是否小于预定面积阈值，若是，丢弃该肤色块，若否，对该肤色块进行特征提取。这种处理方式，考虑到面积过小的肤色块对于动作的分析(或图片过滤)的影响较小，直接舍弃这部分肤色块，以进一步减少计算量，提高过滤速度。

由于分离后的各个部位所对应的肤色区域较小，且某一具体部位的属性也相对固定，所以降低了特征提取的难度。本方案能够准确地提取更多的特征用于待检测图片的过滤，从而提高了图片过滤的效果。

由上述可见，本技术方案先对待检测图像在HSV空间中进行聚类，将具有相似颜色属性的像素点分割在同一类中；然后，在聚类的基础上，根据统计得到的肤色分布的阈值范围，再次进行区域的分割，得到所需检测的肤色区域。本方案的这种两次分割的处理模式，提高了肤色区域分割的准确率，能够快速有效地得到肤色区域。

并且，本发明实施例提供的技术方案在快速准确地得到整个人体的肤色区域之后，进一步根据连通条件将该肤色区域划分为多个肤色块，以将人体上的各个部位对应于肤色区域分离出来，分别对各个肤色块进行分析和识别，从而大大降低了特征提取的难度，提高了图片过滤的准确率和效率。

本发明实施例三还提供了一种人体肤色区域的识别装置，参见图7，所述装置包括肤色区域获取单元71，肤色块划分单元72和过滤单元73：

所述肤色块划分单元72，用于利用漫水填充算法对所述肤色区域获取单元71获取到的肤色区域中像素点进行划分，将满足连通条件的像素点划分在同一个肤色块中；

所述过滤单元73，用于对所述各个肤色块分别进行特征提取，执行对所述待检测图像的过滤；

所述肤色区域获取单元71，包括如下模块：

聚类分割模块711，用于获取待检测图像中各像素点的HSV数据，并根据所述HSV数据对各像素点进行聚类，得到聚类结果图像；

色调阈值选取模块712，用于基于统计结果，选取色调H的阈值范围；

阈值分割模块713，用于根据所述聚类结果图像中各像素点的H分量以及所述H的阈值范围，进行区域分割，得到所述待检测图像的肤色区域。

进一步的，上述色调阈值选取模块712选取的H的阈值范围为7到12。

上述阈值分割模块713，还具体用于提取所述聚类结果图像中各像素点的H分量；判断所述像素点的H分量是否满足H的阈值范围，若满足，确认该像素点位于肤色区域中，并保留该像素点；若不满足，确认该像素点位于肤色区域之外，丢弃该像素点。

本发明装置实施例中各单元的具体工作方式参见本发明方法实施例中的相关内容。

由上述可见，本技术方案先对待检测图像在HSV空间中进行聚类，将具有相似颜色属性的像素点分割在同一类中；然后，在聚类的基础上，根据统计得到的肤色分布的阈值范围，再次进行区域的分割，得到所需检测的肤色区域。本方案的这种两次分割的处理模式，提高了肤色区域分割的准确率，能够快速有效地得到肤色区域。

并且，本发明实施例提供的技术方案在快速准确地得到整个人体的肤色区域之后，进一步根据连通条件将该肤色区域划分为多个肤色块，以将人体上的各个部位对应于肤色区域分离出来，分别对各个肤色块进行分析和识别，从而大大降低了特征提取的难度，提高了图片过滤的准确率和效率。

下面通过三组实验的实验结果进一步证明本方案的有益效果。

图8为实验一中原始的待检测图像，该图像中包含了肤色区域，(为保护人物的肖像，在显示时对面部区域进行了遮挡)；图9为实验一中采用本方案得到的聚类结果图像，可以看出颜色属性相近的像素点已经被分集合在一起，不同区域之间已经出现了初步的分界线(或轮廓)。图10为实验一中对图9的聚类结果图像执行H阈值分割后的图像，可以清楚看出，采用本方案能够将肤色区域准确地分割出来。图11中的图像(a)至(d)为利用漫水填充算法对获取到的肤色区域中像素点进行划分后的结果图像，即实验一中划分得到了四个肤色块，分别对应于人体的头部、左臂、右臂和腿部。

图12为实验二中原始的待检测图像，该图像中包含了肤色区域，主要是人脸区域，即大头像(为保护人物的肖像，在显示时对面部区域进行了遮挡)；图13为实验二中采用本方案得到的聚类结果图像，可以看出颜色属性相近的像素点已经被分集合在一起，不同区域之间已经出现了初步的分界线(或轮廓)。图14为实验二中对图13的聚类结果图像执行H阈值分割后的图像，可以清楚看出，采用本方案能够将肤色区域准确地分割出来。图15为利用漫水填充算法对获取到的肤色区域中像素点进行划分后的结果图像，即实验二中划分得到了一个肤色块，其对应于人脸部位。

图16为实验三中原始的待检测图像，该图像中包含了多个人体上的肤色区域(为保护人物的肖像，在显示时对面部区域进行了遮挡)；图17为实验三中采用本方案得到的聚类结果图像，可以看出颜色属性相近的像素点已经被分集合在一起，不同区域之间已经出现了初步的分界线(或轮廓)。图18为实验三中对图17的聚类结果图像执行H阈值分割后的图像，可以清楚看出，采用本方案能够将肤色区域准确地分割出来。图19中的图像(a)至(f)为利用漫水填充算法对获取到的肤色区域中像素点进行划分后的结果图像，即实验三中划分得到了六个肤色块，分别对应于相应人体的头部和手臂。

由上述可见，本技术方案提供的肤色区域分割方式，相对简单易于实现，所需的样本量较小，显著降低了计算的复杂度和数据量，计算速度快，图像分割的效率较高。

并且，本方案能够准确地将人体上的各个部位对应的肤色区域分离出来，分别对各个肤色块进行分析和识别，从而大大降低了特征提取的难度，提高了图片过滤的准确率和效率。

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，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种人体肤色区域的识别方法，其特征在于，所述方法包括：

获取待检测图像中各像素点的HSV数据，并根据所述HSV数据对各像素点进行聚类，得到聚类结果图像；

基于统计结果，选取色调H的阈值范围；

根据所述聚类结果图像中各像素点的H分量以及所述H的阈值范围，进行区域分割，得到所述待检测图像的肤色区域；

利用漫水填充算法对所述肤色区域中像素点进行划分，将满足连通条件的像素点划分在同一个肤色块中；

对所述各个肤色块分别进行特征提取，执行对所述待检测图像的过滤。

2.根据权利要求1所述的方法，其特征在于，所述获取待检测图像中各像素点的HSV值包括：

通过对待检测图像中各像素点的RGB值进行转换，得到所述各像素点的HSV数据。

3.根据权利要求1所述的方法，其特征在于，所述根据所述HSV值对各像素点进行聚类，得到聚类结果图像包括：

在待检测图像中各像素点的HSV数据中，根据预定的特征阈值范围进行搜索，将满足所述特征阈值范围的像素点划分在同一个类中。

4.根据权利要求3所述的方法，其特征在于，所述在待检测图像中各像素点的HSV数据中，根据预定的特征阈值范围进行搜索，将满足所述特征阈值范围的像素点划分在同一个类中，具体包括：

通过多分辨分析，将HSV数据构成的待检测图像迭代分解为多级不同分辨率的金字塔滤波图像；

按照分辨率从高到底的顺序，根据预定的特征阈值范围在所述多个金字塔滤波图像中进行搜索，将满足所述特征阈值范围的像素点划分在同一个类中。

其中，将所述待检测图像迭代分解为4级不同分辨率的金字塔滤波图像。

5.根据权利要求1所述的方法，其特征在于，所述基于统计结果，选取色调H的阈值范围包括：

建立肤色图片的样本库；

确定所述样本库中各肤色图片内的肤色区域；

对所述肤色区域中出现的每一个H向量，通过如下公式，计算该H向量的概率值：

P(Skin)(c)＝Skin(c)/PixCount

其中，Skin(c)表示各肤色区域中H向量为c的像素点的个数，PixCount表示样本库中各肤色图片所包含的像素点的总数；

当H向量所对应的概率值大于概率阈值时，该H向量属于所述H的阈值范围内。

6.根据权利要求1所述的方法，其特征在于，所述根据所述聚类结果图像中各像素点的H分量以及所述H的阈值范围，进行区域分割，得到所述待检测图像的肤色区域，具体包括：

提取所述聚类结果图像中各像素点的H分量；

判断所述像素点的H分量是否满足H的阈值范围，若满足，确认该像素点位于肤色区域中，并保留该像素点；若不满足，确认该像素点位于肤色区域之外，丢弃该像素点。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述H的阈值范围为7到12。

8.根据权利要求7所述的方法，其特征在于，利用漫水填充算法对所述肤色区域中像素点进行划分，将满足连通条件的像素点划分在同一个肤色块中，具体包括：

在采用漫水填充算法的浮动范围方式时，所述连通条件为像素点的HSV三个分量的数值相等；

在采用漫水填充算法的固定范围方式时，所述连通条件为像素点的HSV三个分量的数值分别与同一种子点的HSV分量的数值相等。

9.根据权利要求7所述的方法，其特征在于，在所述对所述各个肤色块分别进行特征提取的步骤之前，所述方法还包括：

判断肤色块的面积是否小于预定面积阈值，若是，丢弃该肤色块，若否，对该肤色块进行特征提取。

10.一种人体肤色区域的识别装置，其特征在于，所述装置包括肤色区域获取单元，肤色块划分单元和过滤单元，

所述肤色块划分单元，用于利用漫水填充算法对所述肤色区域获取单元获取到的肤色区域中像素点进行划分，将满足连通条件的像素点划分在同一个肤色块中；

所述过滤单元，用于对所述各个肤色块分别进行特征提取，执行对所述待检测图像的过滤；

所述肤色区域获取单元，包括如下模块：

聚类分割模块，用于获取待检测图像中各像素点的HSV数据，并根据所述HSV数据对各像素点进行聚类，得到聚类结果图像；

色调阈值选取模块，用于基于统计结果，选取色调H的阈值范围；

阈值分割模块，用于根据所述聚类结果图像中各像素点的H分量以及所述H的阈值范围，进行区域分割，得到所述待检测图像的肤色区域。

Images