CN103455790B

CN103455790B - 一种基于肤色模型的皮肤识别方法

Info

Publication number: CN103455790B
Application number: CN201310252620.XA
Authority: CN
Inventors: 张伟; 傅松林; 张长定
Original assignee: XIAMEN MEITUWANG TECHNOLOGY Co Ltd
Current assignee: Xiamen Meitu Yifu Technology Co.,Ltd.
Priority date: 2013-06-24
Filing date: 2013-06-24
Publication date: 2017-10-13
Anticipated expiration: 2033-06-24
Also published as: CN103455790A

Abstract

本发明涉及一种基于肤色模型的皮肤识别方法，步骤如下：1）对图像进行人脸识别，获取人脸区域；2）对步骤1）获取的人脸区域进行均值计算，获取平均肤色；3）根据步骤2）获取的平均肤色计算当前图像的肤色概率映射表；4）根据步骤3）获取的肤色概率映射表对当前图像进行肤色识别，并获得当前图像的肤色概率的结果图。本发明通过使用人脸检测后的肤色均值来构建肤色模型，能够适应各种条件下拍照的图片，应用范围实现更广的覆盖。并且本发明所述的方法不需要进行训练数据的积累，极易进行实施；不需要与庞大的训练数据进行比对，运行效率提高。通过肤色模型进行识别，识别准确率高，克服在过亮或过暗的情况下，皮肤识别不准确的不足。

Description

一种基于肤色模型的皮肤识别方法

技术领域

本发明涉及图像识别方法，更具体地说，涉及一种基于肤色模型的皮肤识别方法。

背景技术

皮肤识别的目标是从图像中自动地识别人体的皮肤区域，并且根据识别出的皮肤区域进行美容美化操作。而现有技术中，对图像中人体的皮肤识别存在误识别率高、需要构建数据库的时间久和步骤麻烦、实现复杂、程序运行效率低等不足。

中国发明专利申请201110185739.0公开了一种模式识别和图像处理技术领域中的一种光照自适应的人体肤色检测方法，通过收集训练数据库，用训练数据库来训练基础肤色模型和光照模型，并用基础肤色模型对待检测图像的像素点进行筛选，从光照模型中找出一个和待检测图像最接近的光照模型，用该模型对待检测图像和基础肤色模型进行修正，修正后的待检测图像经修正后的基础肤色模型检测后输出。

但上述发明的技术方案主要是根据数据库来构建肤色模型，必然存在有很大的局限性。当软件定义的数据库中的训练数据都偏于黑暗的情况时，偏亮的照片的皮肤检测得到的较黑的部分就会被自动识别为皮肤，导致误识别率；当软件定义的数据库中的训练数据都偏于明亮的情况时，偏暗的照片的皮肤检测得到的结果是会有很大部分不被识别，误识别率更高；当软件定义的数据库中的训练数据偏平衡的时候，较暗或者较亮的皮肤都不会被识别出来。

发明内容

本发明的目的在于克服现有技术的不足，提供一种识别率高、实现简单高效、运行效率高的一种基于肤色模型的皮肤识别方法。

本发明的技术方案如下：

一种基于肤色模型的皮肤识别方法，步骤如下：

1）对图像进行人脸识别，获取人脸区域；

2）对步骤1）获取的人脸区域进行均值计算，获取平均肤色；

3）根据步骤2）获取的平均肤色计算当前图像的肤色概率映射表；

4）根据步骤3）获取的肤色概率映射表对当前图像进行肤色识别，并获得当前图像的肤色概率的结果图。

作为优选，步骤2）具体为：

2.1）初始化原始皮肤模型；

2.2）计算整个图像的颜色均值，作为初始皮肤的阈值；

2.3）根据步骤2.2）获取得的初始皮肤的阈值计算人脸区域的平均肤色。

作为优选，步骤2.1）中，初始化原始皮肤模型的步骤如下：

2.1.1）创建肤色模型，大小为256*256；

2.1.2）依次对肤色模型进行赋值，具体伪代码如下；

作为优选，步骤2.2）具体为：

2.2.1）遍历整个图像的像素点，将红色通道、绿色通道、蓝色通道的颜色值累加，得到颜色累加值；

2.2.2）将颜色累加值除以像素点的总数，得到红色通道、绿色通道、蓝色通道的均值，作为初始皮肤的阈值。

作为优选，步骤2.3）具体为：

2.3.1）根据如下公式计算平均肤色的黑白值：

GRAY1=0.299*RED+0.587*GREEN+0.114*BLUE

其中，GRAY1为灰度图的当前像素点的灰度值；RED、GREEN、BLUE分别为图像的当前像素点的红、绿、蓝通道的颜色值；

2.3.2）将步骤2.3.1）中的黑白值作为阈值，用来排除人脸区域非皮肤的部分；

并依次遍历人脸区域里的像素点的颜色值，根据如下公式获得平均肤色：

skin=SkinModel[red][blue];

其中，skin为经过皮肤模型的颜色映射后的皮肤值；SkinModel为步骤2.1）的初始化原始皮肤模型；red为红色通道的颜色值；blue为蓝色通道的颜色值。

作为优选，步骤3）所述的肤色概率映射表通过如下步骤获取：

3.1）创建肤色概率映射表，大小为256*256；

3.2）依次对肤色概率映射表进行赋值，具体伪代码如下；

作为优选，步骤4）通过如下公式进行实现：

skinColor=SkinProbability[red][blue]

其中，skinColor为结果图的肤色概率值；SkinProbability为肤色概率映射表；red为像素点的红色通道的颜色值；blue为像素点的蓝色通道的颜色值。

作为优选，步骤1）当人脸区域识别失败时，将整个图像定义为人脸区域。

作为优选，用于识别的图像包括数字图像文件、视频文件、gif动画文件。

作为优选，如果识别的图像为视频文件或gif动画文件，则将图像文件截取为单帧图像，分别识别完各个单帧图像后，再还原为视频文件或gif动画文件。

本发明的有益效果如下：

本发明通过使用人脸检测后的肤色均值来构建肤色模型，能够适应各种条件下拍照的图片。由于不受限于训练数据，识别结果不会因训练数据的偏向而受到影响。克服现有技术中的某些方法存在的亮度偏好问题，应用范围实现更广的覆盖。并且本发明所述的方法不需要进行训练数据的积累，不需要为了达到一定的识别率，而需要收集庞大的训练数据，从实现角度看，极易进行实施；而且不需要与庞大的训练数据进行比对，运行效率实现了质的提高。通过肤色模型进行识别，识别准确率高，克服在过亮或过暗的情况下，皮肤识别不准确的不足。

具体实施方式

以下结合实施例对本发明进行进一步的详细说明。

本发明提供一种基于肤色模型的皮肤识别方法，步骤如下：

1）对图像进行人脸识别，获取人脸区域；当人脸区域识别失败时，将整个图像定义为人脸区域；

步骤1）中涉及到的人脸识别，由于不涉及本发明的主要内容，因此不进行赘述。本实施例中，人脸识别方法采用常规方法，比如文献“P.Viola and M.Jones.Rapid ObjectDetection using a Boosted Cascade of Simple Features,in:Computer Vision andPattern Recognition,2001.CVPR2001.Proceedings of the2001IEEE Computer SocietyConference on”。根据定位获得人脸的大致区域位置。

步骤2）中，对步骤1）获取的人脸区域进行均值计算，获取平均肤色，具体为：

2.1）初始化原始皮肤模型；

2.2）计算整个图像的颜色均值，作为初始皮肤的阈值；

步骤2.1）中，初始化原始皮肤模型的步骤如下：

2.1.1）创建肤色模型，大小为256*256；

2.1.2）依次对肤色模型进行赋值，具体伪代码如下；

如以程度代码形式表示，则初始化原始皮肤模型的公式如下：

步骤2.2）具体为：

步骤2.3）具体为：

2.3.1）根据如下公式计算平均肤色的黑白值：

GRAY1=0.299*RED+0.587*GREEN+0.114*BLUE

skin=SkinModel[red][blue];

步骤3）根据步骤2）获取的平均肤色计算当前图像的肤色概率映射表，步骤3）所述的肤色概率映射表通过如下步骤获取：

3.1）创建肤色概率映射表，大小为256*256；

3.2）依次对肤色概率映射表进行赋值，具体伪代码如下；

如以程度代码形式表示，所述的肤色概率映射表具体通过如下公式获取：

其中，SkinRed和SkinBlue为步骤2.2.2）中获取的红色通道和蓝色通道的均值。

步骤4）根据步骤3）获取的肤色概率映射表对当前图像进行肤色识别，并获得当前图像的肤色概率的结果图，通过如下公式进行实现：

skinColor=SkinProbability[red][blue]

本发明所述的方法适用范围广，用于识别的图像包括数字图像文件、视频文件、gif动画文件。

如果识别的图像为视频文件或gif动画文件，则将图像文件截取为单帧图像，分别识别完各个单帧图像后，再还原为视频文件或gif动画文件。

上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。

Claims

1.一种基于肤色模型的皮肤识别方法，其特征在于，步骤如下：

1)对图像进行人脸识别，获取人脸区域；

2)对步骤1)获取的人脸区域进行均值计算，获取平均肤色，具体为：

2.1)初始化原始皮肤模型，步骤如下；

2.1.1)创建肤色模型，大小为256*256；

2.1.2)依次对肤色模型进行赋值，具体伪代码如下：

2.2)计算整个图像的颜色均值，作为初始皮肤的阈值；

2.3)根据步骤2.2)获取得的初始皮肤的阈值计算人脸区域的平均肤色；

3)根据步骤2)获取的平均肤色计算当前图像的肤色概率映射表；

4)根据步骤3)获取的肤色概率映射表对当前图像进行肤色识别，并获得当前图像的肤色概率的结果图。

2.根据权利要求1所述的基于肤色模型的皮肤识别方法，其特征在于，步骤2.2)具体为：

2.2.1)遍历整个图像的像素点，将红色通道、绿色通道、蓝色通道的颜色值累加，得到颜色累加值；

2.2.2)将颜色累加值除以像素点的总数，得到红色通道、绿色通道、蓝色通道的均值，作为初始皮肤的阈值。

3.根据权利要求2所述的基于肤色模型的皮肤识别方法，其特征在于，步骤2.3)具体为：

2.3.1)根据如下公式计算平均肤色的黑白值：

GRAY 1＝0.299*RED+0.587*GREEN+0.114*BLUE

2.3.2)将步骤2.3.1)中的黑白值作为阈值，用来排除人脸区域非皮肤的部分；

skin＝SkinModel[red][blue]；

其中，skin为经过皮肤模型的颜色映射后的皮肤值；SkinModel为步骤2.1)的初始化原始皮肤模型；red为红色通道的颜色值；blue为蓝色通道的颜色值。

4.根据权利要求3所述的基于肤色模型的皮肤识别方法，其特征在于，步骤3)所述的肤色概率映射表通过如下步骤获取：

3.1)创建肤色概率映射表，大小为256*256；

3.2)依次对肤色概率映射表进行赋值，具体伪代码如下：

预设临时变量i、j、SkinRed_Left、AlphaValue、Offset、TempAlphaValue、OffsetJ为整数类型；

肤色概率映射表的变量为SkinProbability[256][256]；

SkinRed为步骤2.2.2)计算得到的红色通道的均值；SkinBlue为步骤2.2.2)计算得到的蓝色通道的均值；

预设SkinRed_Left的值，计算公式为：SkinRed_Left＝SkinRed-128；

For(i＝0；i<256；i++)

{

计算Offset的值，公式为Offset＝max(0,min(255,i-SkinRed_Left))；

判断Offset的值是否小于128，如果小于的话，则AlphaValue＝Offset*2；如果大于等于128的话，则AlphaValue＝255；

For(j＝0；j<256；j++)

{

计算OffsetJ的值，公式为OffsetJ＝max(0,j-SkinBlue)；

计算TempAlphaValue的值，公式为TempAlphaValue＝max(AlphaValue-(OffsetJ*2),0)；

判断TempAlphaValue的值；如果大于160的话，则SkinProbability[i][j]的值为255；

如果小于90的话，则SkinProbability[i][j]的值为0；否则SkinProbability[i][j]的值为TempAlphaValue+30；

}

。

5.根据权利要求4所述的基于肤色模型的皮肤识别方法，其特征在于，步骤4)通过如下公式进行实现：

skinColor＝SkinProbability[red][blue]

6.根据权利要求1所述的基于肤色模型的皮肤识别方法，其特征在于，步骤1)当人脸区域识别失败时，将整个图像定义为人脸区域。

7.根据权利要求1所述的基于肤色模型的皮肤识别方法，其特征在于，用于识别的图像包括数字图像文件、视频文件、gif动画文件。

8.根据权利要求7所述的基于肤色模型的皮肤识别方法，其特征在于，如果识别的图像为视频文件或gif动画文件，则将图像文件截取为单帧图像，分别识别完各个单帧图像后，再还原为视频文件或gif动画文件。