CN102324036B

CN102324036B - 图像中获取人脸肤色区域的方法和装置

Info

Publication number: CN102324036B
Application number: CN201110258332.6A
Authority: CN
Inventors: 杨志宇
Original assignee: Beijing Feinno Communication Technology Co Ltd
Current assignee: Beijing Feinno Communication Technology Co Ltd
Priority date: 2011-09-02
Filing date: 2011-09-02
Publication date: 2014-06-11
Anticipated expiration: 2031-09-02
Also published as: CN102324036A

Abstract

本发明公开了一种图像中获取人脸肤色区域的方法和装置，能够简单快速地实现对待检测图像的过滤，提高图像识别的准确率和图像过滤的效果。本发明实施例提供的一种图像中获取人脸肤色区域的方法包括：通过图像区域分割，得到待检测图像的肤色区域；识别出所述待检测图像中的人脸区域；根据所述待检测图像的人脸区域和肤色区域，获取到人脸肤色区域；判断所述人脸肤色区域与所述肤色区域的比值是否大于预定比例阈值，若是，允许所述待检测图像，若否，禁止所述待检测图像。

Description

图像中获取人脸肤色区域的方法和装置

技术领域

本发明涉及图像图形处理技术领域，尤其是涉及一种图像中获取人脸肤色区域的方法和装置。

背景技术

随着图像图形技术的进步，黄色图片的过滤技术也得到了长足的发展。最初人们通过在黄色图片上先找人，找到人后再看动作，并通过预先定义人的一些部位如手、脚、头、肩等，再分析动作来识别。这种技术常常把合影的人、雕塑当成是色情图片，再加上无法识别出人脸，这种方式很快就被淘汰了。

目前的黄色图片过滤技术主要依赖肤色来分辨，但一些允许的图片存在肤色面积很大的情况，如大头像照片、人脸照片等，极容易被误判为黄色图片而被过滤掉，从而导致图像识别的准确率较低，图像过滤的效果较差。

发明内容

本发明实施例提供了一种图像中获取人脸肤色区域的方法和装置，能够简单快速地实现对待检测图像的过滤，提高图像识别的准确率和图像过滤的效果。

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图像中获取人脸肤色区域的方法，所述方法包括：

通过图像区域分割，得到待检测图像的肤色区域；

识别出所述待检测图像中的人脸区域；

根据所述待检测图像的人脸区域和肤色区域，获取到人脸肤色区域；

判断所述人脸肤色区域与所述肤色区域的比值是否大于预定比例阈值，若是，允许所述待检测图像，若否，禁止所述待检测图像。

本发明实施例还供了一种图像中获取人脸肤色区域的装置，所述装置包括肤色区域获取单元、人脸区域识别单元、人脸肤色区域获取单元和判断单元，

所述人脸区域识别单元，用于采用基于Adaboosting的Viola-Jones算法对待检测图像中的人脸区域进行判定，识别出所述人脸区域；

所述人脸肤色区域获取单元，用于将所述待检测图像的人脸区域和肤色区域进行交集运算，获取到人脸肤色区域；

所述判断单元，用于判断所述人脸肤色区域与所述肤色区域的比值是否大于预定比例阈值，若是，允许所述待检测图像，若否，禁止所述待检测图像；

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，根据所述HSV数据对各像素点进行聚类，得到聚类结果图像；阈值范围选取模块，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，本发明实施例提供了一种新型的利用肤色属性结合人脸属性进行图片过滤的方案，在肤色分割的基础上，通过人脸识别进一步将人脸肤色区域分离出来，根据人脸肤色区域在整个肤色区域中所占的比例，判断出当前的待检测图像是否为可允许的人脸照片，避免了可允许的图像被过滤掉，从而提高了图像识别的准确率和图像过滤的效果。

进一步的，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。

实验证明，本技术方案提供的快速肤色区域分割方式和优秀的人脸识别方式相结合的图片过滤方案，能够简单快速地实现对待检测图像的过滤，具有较高的可行性和较广的应用前景。

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图像中获取人脸肤色区域的方法流程示意图；

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为本发明实施例二提供的分类器的分类方法的流程示意图；

图6为本发明实施例三提供的一种图像中获取人脸肤色区域的装置结构示意图；

图7本方案提供的实验一中原始的待检测图像；

图8为实验一中采用聚类分割后得到的聚类结果图像；

图9为实验一中对图8的聚类结果图像执行H阈值分割后得到的图像；

图10中圆圈标示的区域显示了实验一中进行人脸识别后得到的人脸区域；

图11为实验一中采用本方案得到的人脸肤色区域结果示意图；

图12本方案提供的实验二中原始的待检测图像；

图13为实验二中采用聚类分割后得到的聚类结果图像；

图14为实验二中对图8的聚类结果图像执行H阈值分割后得到的图像；

图15中圆圈标示的区域显示了实验二中进行人脸识别后得到的人脸区域；

图16为实验二中采用本方案得到的人脸肤色区域结果示意图；

图17本方案提供的实验三中原始的待检测图像；

图18为实验三中采用聚类分割后得到的聚类结果图像；

图19为实验三中对图8的聚类结果图像执行H阈值分割后得到的图像；

图20中圆圈标示的区域显示了实验三中进行人脸识别后得到的人脸区域；

图21为实验三中采用本方案得到的人脸肤色区域结果示意图。

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了一种图像中获取人脸肤色区域的方法，参见图1，所述方法包括：

11：通过图像区域分割，得到待检测图像的肤色区域；

12：识别出所述待检测图像中的人脸区域；

13：根据所述待检测图像的人脸区域和肤色区域，获取到人脸肤色区域；

14：判断所述人脸肤色区域与所述肤色区域的比值是否大于预定比例阈值，若是，执行步骤15，若否，执行步骤16；

15：允许所述待检测图像。

具体地，本步骤中的允许操作可以为允许该待检测图像的显示、传输或编辑等操作，即放行该待检测图像的当前处理。

16：禁止所述待检测图像。

在本步骤中，禁止对该待检测图像的当前处理，如禁止该图像的显示(删除或遮挡)传输或编辑等操作。

下面对本发明实施例二提供的一种图像中获取人脸肤色区域的方法进行说明。

11：通过图像区域分割，得到待检测图像的肤色区域。

在本步骤中，本方案采用了一种新型的肤色分割方案，具体如下：

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

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。

HS V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HS V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。HS V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

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，g1，…，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) = Σ_{m = - 2}^{2} Σ_{n = - 2}^{2} w (m, n) g_{k - 1} (2 i + m, 2 j + 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。

112：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：

T1：建立肤色图片的样本库；

T2：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。

T3：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；

T4：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。

113：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。

由上述步骤，完成对待检测图像的肤色分割。

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。

12：识别出所述待检测图像中的人脸区域。

进一步的，本方案中采用基于自适应增强(Adaptive Boosting，Adaboosting)的维尔拉-琼斯(Viola-Jones)算法对待检测图像中的人脸区域进行判定，识别出所述人脸区域。

本方案中的人脸识别采用机器学习的方法。采用AdaBoosting分类器中的哈尔(Haar)分类器。Adaboosting对于人脸检测是基于特征的方法，而不再基于像素。在训练和检测时需要从人脸中抽取大量的简单特征，这里的特征是一种由矩形构成的特征向量，可以称为Haar特征。

具体的，本方案使用了Viola-Jones分类算法。该算法在每个节点中使用AdaBoosting方式来学习一个高检测率低拒绝率的多层树分类器。其关键点主要如下：

1)使用类Haar输入特征：对矩形图像区域的和或者差进行阀值化。

2)使用的积分图像技术加速了矩形图像区域或者矩形区域45度旋转的值的计算，从而加速类Haar输入特征的计算。

3)基于统计boosting来创建两类分类器(人脸与非人脸)的分类器节点(高通过率、低拒绝率)。

4)将弱分类器节点组成筛选式级联。第一组分类器是最优，能通过包含物体(人脸)的图像区域，同时也可以允许一些不包含物体的图像通过；第二组分类器次优分类器，也是有较低的拒绝率。在这种方式下，在测试模式下，只要图像区域通过了整个级联，则认为里面有物体(人脸)。

进一步的，AdaBoosting分类器能从弱分类器训练出强分类器，为了更加清楚地说明本方案，对弱分类器和强分类器进行介绍。

弱分类器是一个多数情况下只有一层的决策树。一种示例性的决策算法可以表示如下，判断特征f_i的值v_i是否大于某个阀值t_i，若是表示图像可能是人脸，若否表示图像不是人脸，其中，i表示标号：

f_{i} = \begin{matrix} + 1 & v_{i} &GreaterEqual; t_{i} \\ - 1 & v_{i} < t_{i} \end{matrix}

训练中，Viola-Jones分类器在每个弱分类器中使用的类Haar特征的个数可以设置，然后提升算法迭代地建立一个由多个弱分类器的加权和组成的强分类器。该强分类器分类函数可以表示如下：

F＝sign(w₁f₁+w₂f₂+…+w_if_i)

上式中w_i表示对弱分类器f_i的权重，i表示标号。

如果加权和小于0，则函数F返回-1；如果加权和等于0，则函数F返回0；如果加权和大于0，则函数F返回1。

参见图5，显示了一种利用本方案的分类器对待检测图像分类的方法示意图。能够通过每一级分类器的图像为包含人脸(face)的图像，包含非人脸(Not face)的图像不能通过分类器。若待检测图像能够依次通过由F₁、F₂、…F_N级联成的分类器，则确认该待检测图像中包含人脸。

13：根据所述待检测图像的人脸区域和肤色区域，获取到人脸肤色区域。

利用如下公式，对所述人脸区域和肤色区域做交集运算，通过交集区域得到所述人脸肤色区域：

A∩B＝C

其中，A表示所述待检测图像的肤色区域，B表示所述待检测图像的人脸区域，C表示所述待检测图像的人脸肤色区域。

上述比例阈值的具体数值可以根据实际需要进行设置。

15：允许所述待检测图像。

这时，判断出待检测的图像为人脸图像或大头像照片等可允许的图像，允许该待检测图像。

16：禁止所述待检测图像。

这时判断出该待检测图像为黄色图片，禁止该待检测图像。

本发明实施例三还提供了一种图像中获取人脸肤色区域的装置，参见图6，所述装置包括肤色区域获取单元61、人脸区域识别单元62、人脸肤色区域获取单元63和判断单元64，

所述人脸区域识别单元62，用于采用基于Adaboosting的Viola-Jones算法对待检测图像中的人脸区域进行判定，识别出所述人脸区域；

所述人脸肤色区域获取单元63，用于将所述待检测图像的人脸区域和肤色区域进行交集运算，获取到人脸肤色区域；

所述判断单元64，用于判断所述人脸肤色区域与所述肤色区域的比值是否大于预定比例阈值，若是，允许所述待检测图像，若否，禁止所述待检测图像；

所述肤色区域获取单元61，包括如下模块：

聚类分割模块611，用于获取待检测图像中各像素点的HSV数据，根据所述HSV数据对各像素点进行聚类，得到聚类结果图像；

阈值范围选取模块612，用于基于统计结果，选取色调H的阈值范围；

阈值分割模块613，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，上述阈值范围选取模块612选取的H的阈值范围可以为7至12。

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7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8为实验一中聚类分割后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9为实验一中对图8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10为对待检测图像进行人脸识别后的结果图像，所检测到的人脸区域如图像中圆圈标识出的区域，本方案能够准确地识别出人脸区域。图11为实验一得到的人脸肤色区域结果图，其中圆圈所围成的区域中具有斜线标识的部分显示了所识别出的人脸肤色区域，可以看出本方案能够准确获取到待检测图像中的人脸肤色区域。

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，是一副大头像照片(为保护人物的肖像，在显示时对面部区域进行了遮挡)；图13为实验二中聚类分割后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12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为对待检测图像进行人脸识别后的结果图像，所检测到的人脸区域如图像中圆圈标识出的区域，本方案能够准确地识别出人脸区域。图16为实验二得到的人脸肤色区域结果图，其中圆圈所围成的区域中具有斜线标识的部分显示了所识别出的人脸肤色区域，可以看出本方案能够准确获取到待检测图像中的人脸肤色区域。

图17为实验三中原始的待检测图像，该图像中包含了多个人物(为保护人物的肖像，在显示时对面部区域进行了遮挡)；图18为实验三中聚类分割后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19为实验三中对图18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20为对待检测图像进行人脸识别后的结果图像，所检测到的人脸区域如图像中两个圆圈标识出的区域，本方案能够准确地识别出人脸区域。图21为实验三得到的人脸肤色区域结果图，其中两个圆圈所围成的区域中具有斜线标识的部分分别显示了所识别出的人脸肤色区域，可以看出本方案能够准确获取到待检测图像中的人脸肤色区域。

注：为了使实验结果在视觉上更加明显，在显示时同一实验中的多副实验结果图片的尺寸大小略有不同。

通过判断上述得到的人脸肤色区域与人物图像整体肤色区域所占比例的大小，能够准确地将大头像照片(上述实验二中的待检测图像)识别出来。

本技术方案提供的快速肤色区域分割方式和优秀的人脸识别方式相结合的图片过滤方案，能够简单快速地实现对待检测图像的过滤，避免了可允许的图像被过滤掉，从而提高了图像识别的准确率和图像过滤的效果。

本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

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

1.一种图像中获取人脸肤色区域的方法，其特征在于，所述方法包括：

通过图像区域分割，得到待检测图像的肤色区域；

识别出所述待检测图像中的人脸区域；

判断所述人脸肤色区域与所述肤色区域的比值是否大于预定比例阈值，若是，允许所述待检测图像，若否，禁止所述待检测图像；

其中，所述通过图像区域分割，得到待检测图像的肤色区域包括：

获取待检测图像中各像素点的HSV数据，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，所述H的阈值范围为7到12；

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；

所述根据所述HSV数据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；

其中，所述获取待检测图像中各像素点的HSV数据包括：

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；

所述识别出所述待检测图像中的人脸区域包括：

采用基于自适应增强Adaboosting的维尔拉-琼斯Viola-Jones算法对待检测图像中的人脸区域进行判定，识别出所述人脸区域；

所述根据所述待检测图像的人脸区域和肤色区域，获取到人脸肤色区域包括：

A∩B=C

2.根据权利要求1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级不同分辨率的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。

3.根据权利要求2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

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。

4.根据权利要求1至3任一项所述的方法，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。

5.一种图像中获取人脸肤色区域的装置，其特征在于，所述装置包括用于通过图像区域分割，得到待检测图像的肤色区域的肤色区域获取单元、用于识别出所述待检测图像中的人脸区域的人脸区域识别单元、用于根据所述待检测图像的人脸区域和肤色区域，获取到人脸肤色区域的人脸肤色区域获取单元和用于判断所述人脸肤色区域与所述肤色区域的比值是否大于预定比例阈值的判断单元，若判断结果为是，允许所述待检测图像，若判断结果为否，禁止所述待检测图像，

其中，所述肤色区域获取单元，包括如下模块：

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

用于基于统计结果，选取色调H的阈值范围的阈值范围选取模块，所述H的阈值范围为7到12；

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的阈值分割模块；

其中，所述聚类分割模块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，以及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；

所述人脸区域识别单元采用基于自适应增强Adaboosting的维尔拉-琼斯Viola-Jones算法对待检测图像中的人脸区域进行判定，识别出所述人脸区域；

所述人脸肤色区域获取单元利用如下公式，对所述人脸区域和肤色区域做交集运算，通过交集区域得到所述人脸肤色区域：A∩B=C，其中，A表示所述待检测图像的肤色区域，B表示所述待检测图像的人脸区域，C表示所述待检测图像的人脸肤色区域。