CN103745193B - 一种肤色检测方法及装置 - Google Patents

Abstract

本公开是关于一种肤色检测方法及装置。该肤色检测方法包括：将待检测图像转换为颜色空间内的图像；获得所述待检测图像在所述颜色空间内的肤色样本；采用预先构建的肤色概率模型对所述肤色样本进行检测，获得所述待检测图像的肤色概率分布，其中，所述肤色概率模型是利用已知肤色样本训练获得的用于确定肤色概率的模型。该方法能够适用于非矩形的，较复杂的肤色分布。

Description

一种肤色检测方法及装置

技术领域

本公开是关于图像处理技术领域，尤其是关于图像的肤色识别，具体来说是关于一种肤色检测方法及装置。

背景技术

彩色图像的肤色检测是自动识别图像中皮肤区域的方法，具有广阔的应用场景，是颜色校正、敏感信息监测和一系列目标检测、识别（人脸检测、手势识别）等应用的重要组成部分。

实验表明，在对图像去除了亮度的影响后，不同年龄、性别、种族的人肤色在色度空间内有明显的聚类性，肤色在整个色度空间内集中在一个很小的范围内。现有相关技术中，以人脸肤色检测为例，首先利用人脸检测的信息，以人脸像素为肤色样本，并利用前后帧的信息，统计肤色样本和肤色变化样本；随后将肤色样本和肤色变化样本的直方图进行合并，得到色度合并直方图和饱和度合并直方图，然后基于上述聚类特性，自适应确定在色度和饱和度范围内的分割上下界，完成对肤色区域的检测。

然而，上述方法中默认为肤色区域在色度、饱和度空间内为矩形区域，该方法对于比较复杂的、非矩形的肤色分布适应性不高。

发明内容

为克服相关技术中存在的问题，本公开提供一种肤色检测方法及装置，能够适用于复杂的、非矩形的肤色分布。

第一方面，提供一种肤色检测方法，包括：

将待检测图像转换为颜色空间内的图像；

获得所述待检测图像在所述颜色空间内的肤色样本；

采用预先构建的肤色概率模型对所述肤色样本进行检测，获得所述待检测图像的肤色概率分布，其中，所述肤色概率模型是利用已知肤色样本训练获得的用于确定肤色概率的模型。

进一步，在所述采用预先构建的肤色概率模型对所述肤色样本进行检测之前，所述方法还包括：

收集已知肤色分布的样本图像；

将所述样本图像转换为颜色空间内的图像；

获得所述样本图像在所述颜色空间内的已知肤色样本；

利用密度估计算法对所述已知肤色样本进行训练，获得肤色概率模型。

进一步，在所述采用预先构建的肤色概率模型对所述肤色样本进行检测之前，所述方法还包括：

对所述肤色样本进行像素值修正。

进一步，所述对所述肤色样本进行像素值修正，包括：

根据所述肤色样本构造肤色直方图；

将所述肤色直方图与模型肤色直方图进行配准，获得所述肤色直方图向所述模型肤色直方图进行变换的配准参数；其中，所述模型肤色直方图为所述肤色概率模型的直方图；

对所述肤色样本中所有样本点的像素值按照所述配准参数进行像素值变换。

进一步，所述根据所述肤色样本构造肤色直方图，包括：

定义用于判断是否为肤色的颜色框；

遍历所述肤色样本中的所有样本点，对于位于所述颜色框内的样本点，在肤色直方图中的相应位置加一，获得所述肤色样本的肤色直方图。

进一步，所述将所述肤色直方图与模型肤色直方图进行配准，获得所述肤色直方图向所述模型肤色直方图进行变换的配准参数，包括：

计算使所述肤色直方图达到与所述模型肤色直方图最大相关度的配准参数，所述配准参数包括像素值平移参量和旋转参量。

进一步，所述获得所述待检测图像在所述颜色空间内的肤色样本，包括：

对所述待检测图像进行人脸检测，获得人脸检测区域；

获得所述人脸检测区域在所述颜色空间内的肤色样本。

进一步，在获得所述待检测图像的肤色概率分布之后，所述方法还包括：

对所述待检测图像的肤色概率分布进行误检去除。

进一步，所述对所述待检测图像的肤色概率分布进行误检去除，包括：

在所述肤色概率分布中选择出概率大于第一概率阈值的区域作为初始肤色区域，并将所述初始肤色区域的肤色概率置1；

对所述初始肤色区域的肤色概率进行高斯模糊，得到概率模糊值；

将所述概率模糊值与所述肤色概率分布中的各概率值进行逐点相乘，得到最终肤色概率分布；

将所述最终肤色概率分布中，概率值低于第二概率阈值的肤色概率置0。

第二方面，提供一种肤色检测装置，包括：

图像转换单元，用于将待检测图像转换为颜色空间内的图像；

样本获取单元，用于获得所述待检测图像在所述颜色空间内的肤色样本；

模型构建单元，用于获得肤色概率模型，其中，所述肤色概率模型是利用已知肤色样本训练获得的用于确定肤色概率的模型；

肤色检测单元，用于采用所述模型构建单元构建的肤色概率模型对所述肤色样本进行检测，获得所述待检测图像的肤色概率分布。

进一步，所述模型构建单元包括：

图像收集子单元，用于收集已知肤色分布的样本图像；

图像处理子单元，用于将所述样本图像转换为颜色空间内的图像；

样本获得子单元，用于获得所述样本图像在所述颜色空间内的已知肤色样本；

样本训练子单元，用于利用密度估计算法对所述已知肤色样本进行训练，获得肤色概率模型。

进一步，所述装置还包括：

修正单元，用于在所述肤色检测单元采用预先构建的肤色概率模型对所述肤色样本进行检测之前，对所述肤色样本进行像素值修正。

进一步，所述修正单元包括：

构造子单元，用于根据所述肤色样本构造肤色直方图；

配准子单元，用于将所述肤色直方图与模型肤色直方图进行配准，获得所述肤色直方图向所述模型肤色直方图进行变换的配准参数；其中，所述模型肤色直方图为所述肤色概率模型转换的直方图；

变换子单元，用于对所述肤色样本中所有样本点的像素值按照所述配准参数进行像素值变换。

进一步，所述构造子单元包括：

定义模块，用于定义用于判断是否为肤色的颜色框；

构图模块，用于遍历所述肤色样本中的所有样本点，对于位于所述颜色框内的样本点，在肤色直方图中的相应位置加一，获得所述肤色样本的肤色直方图。

进一步，所述配准子单元，用于计算使所述肤色直方图达到与所述模型肤色直方图最大相关度的配准参数，所述配准参数包括像素值平移参量和旋转参量。

进一步，所述样本获取单元包括：

检测子单元，用于对所述待检测图像进行人脸检测，获得人脸检测区域；

获取子单元，用于获得所述人脸检测区域在所述颜色空间内的肤色样本。

进一步，所述装置还包括：

误检去除单元，用于在所述肤色检测单元获得所述待检测图像的肤色概率分布之后，对所述待检测图像的肤色概率分布进行误检去除。

进一步，所述误检去除单元包括：

选择子单元，用于在所述肤色概率分布中选择出概率大于第一概率阈值的区域作为初始肤色区域，并将所述初始肤色区域的肤色概率置1；

第一处理子单元，用于对所述初始肤色区域的肤色概率进行高斯模糊，得到概率模糊值；

第二处理子单元，用于将所述概率模糊值与所述肤色概率分布中的各概率值进行逐点相乘，得到最终肤色概率分布；

去除子单元，用于将所述最终肤色概率分布中，概率值低于第二概率阈值的肤色概率置0。

本公开的一些有益效果可以包括：本公开首先利用多个已知肤色样本进行训练构建肤色概率模型，然后再利用肤色概率模型来对待检测图像的肤色样本进行肤色检测，即可获得该待检测图像的肤色概率分布。该方法中用于肤色检测的肤色概率模型相比较现有技术中用色度、饱和度形成的矩形来说，更加精细，也更具有普遍适应性，能够适用于非矩形的，较复杂的肤色分布，进而可以在复杂肤色分布情况下减少误检；而且，该方法应用肤色概率模型可以对单张图像进行肤色检测，相比较现有技术中需要利用前后帧图像信息进行肤色检测的方法，本方法受到的局限更小，应用范围更广；再有，本方法最终所获得的肤色检测结果是肤色概率分布，而非二值图，更容易被后续应用（如肤色调整、增强等）调用。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，并不构成对本公开的限定。在附图中：

图1是本公开实施例一种肤色检测方法的示例性流程图；

图2是本公开实施例中一种肤色概率模型构建方法的示例性流程图；

图3是本公开实施例另一种肤色检测方法的示例性流程图；

图4a是本公开实施例中一种获得肤色样本的方法的示例性流程图；

图4b是本公开实施例中获得人脸检测区域的示意图；

图5是本公开实施例中一种对肤色样本进行像素值修正的方法的示例性流程图；

图6是本公开实施例中一种肤色直方图的构造方法的示例性流程图；

图7a是本公开实施例中一种误检去除方法的示例性流程图；

图7b是本公开实施例中应用肤色概率模型进行肤色检测后获得的肤色概率分布示意图；

图7c是本公开实施例中进行误检去除后的肤色概率分布示意图；

图8是本公开实施例一种肤色检测装置的结构示意图；

图9是本公开实施例中一种模型构建单元的结构示意图；

图10是本公开实施例另一种肤色检测装置的结构示意图；

图11是本公开实施例中一种修正单元的结构示意图；

图12是本公开实施例中一种构造子单元的结构示意图；

图13是本公开实施例另一种肤色检测装置的结构示意图；

图14是本公开实施例中一种误检去除单元的结构示意图；

图15是本公开实施例中终端设备的结构示意图；

图16是本公开实施例中服务器的结构示意图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本公开做进一步详细说明。在此，本公开的示意性实施方式及其说明用于解释本公开，但并不作为对本公开的限定。

本公开实施例提供一种肤色检测方法及装置，以下结合附图对本公开进行详细说明。

在一个实施例中，如图1所示，该肤色检测方法包括：

步骤S101：将待检测图像转换为颜色空间内的图像。

在获得待检测图像后，将该待检测图像转换至颜色空间（YUV空间），得到亮度通道Y(x,y)和UV通道UV(x,y)，x∈[0,m],y∈[0,n]，m为图像宽度，n为图像高度。

步骤S102：获得待检测图像在颜色空间内的肤色样本。

获得待检测图像的肤色样本，该肤色样本即待检测图像中每一坐标点pos(x,y)在颜色空间中对应的像素值color=(u,v)。

步骤S103：采用预先构建的肤色概率模型对肤色样本进行检测，获得待检测图像的肤色概率分布。

在执行步骤S103之前，首先构建肤色概率模型，该肤色概率模型是用于确定肤色概率的模型，该模型是利用多个已知肤色样本进行训练获得的。

该模型的构建方式之一如图2所示，可以包括：

步骤S201，收集已知肤色分布的样本图像。

在本步骤中，收集的样本图像最好要求覆盖典型的光照环境，无色偏，无误检，如果使用人脸样本图像，则注意避开眼睛、嘴巴等非皮肤区域。这些样本图像中的肤色分布已知。

步骤S202，将样本图像转换为颜色空间内的图像。

然后将这些样本图像转换至YUV空间，只保留U值和V值。

步骤S203，获得样本图像在颜色空间内的已知肤色样本。

获得各样本图像在颜色空间的已知肤色样本，该已知肤色样本中各样本点是否为肤色已知。其中，第i个样本点s_i=(u_i,v_i)，所有n个样本点集合S={s₁,s₂,……s_n}。

步骤S204，利用密度估计算法对已知肤色样本进行训练，获得肤色概率模型。

在获得样本点集合S后，即可利用密度估计算法对样本点集合进行训练，进而获得肤色概率模型M_model(u,v)。其中，该密度估计算法有多种，例如，混合高斯模型（GMM），Parzen窗方法等。

以GMM为例，可以对使用样本点集合S训练混合高斯模型，得到连续、平滑的肤色分布。其中，高斯模型的个数可以设为4，每一样本点的肤色概率为多个高斯模型的加权和，GMM相当于原始直方图或分布图提取了主要成分、去噪平滑后的结果。

上述肤色概率模型M_model(u,v)的图像即为二维概率直方图，横坐标表示u分量值，纵坐标表示v分量值。

当然，利用已知肤色样本进行训练获得肤色概率模型的方法有多种，步骤S201～204只是其中一种，此处不做限定。

在获得肤色概率模型后，利用该肤色概率模型对上步骤获得的肤色样本中的每一个样本点(u,v)进行检测，从而获得每一个样本点的肤色概率，所有样本点的肤色概率即形成该待检测图像的肤色概率分布。

本公开的肤色检测方法不同于一般的肤色0-1分割方法只判断是否肤色区域，本方法得到的结果是一张肤色概率分布图，每个像素点的概率值描述了该点是肤色点的似然度，似然度范围可以为0到1，0表示该点为肤色点的可能性为0，1表示该点为肤色点的可能性为100%，这种概率分布图有利于其他应用或方法对本公开的结果进行调用，如肤色增强算法等。

本公开实施例首先利用多个已知肤色样本进行训练构建肤色概率模型，然后再利用肤色概率模型来对待检测图像的肤色样本进行肤色检测，即可获得该待检测图像的肤色概率分布。该方法中用于肤色检测的肤色概率模型相比较现有技术中用色度、饱和度形成的矩形来说，更加精细，也更具有普遍适应性，能够适用于非矩形的，较复杂的肤色分布，进而可以在复杂肤色分布情况下减少误检；而且，该方法应用肤色概率模型可以对单张图像进行肤色检测，相比较现有技术中需要利用前后帧图像信息进行肤色检测的方法，本方法受到的局限更小，应用范围更广；再有，本方法最终所获得的肤色检测结果是肤色概率分布，而非二值图，更容易被后续应用（如肤色调整、增强等）调用。

在另一个实施例中，如图3所示，该肤色检测方法包括：

步骤S301，将待检测图像转换为颜色空间内的图像。

该步骤与前述步骤S101类似，将该待检测图像转换至YUV空间，得到亮度通道Y(x,y)和UV通道UV(x,y)，x∈[0,m],y∈[0,n]，m为图像宽度，n为图像高度。

步骤S302，获得待检测图像在颜色空间内的肤色样本。

本公开方法可以应用于各种图像的肤色检测，例如应用于人脸肤色检测。以人脸肤色检测为例，在本步骤中，如图4a所示，获得肤色样本的过程可以进一步包括：

步骤S401，对待检测图像进行人脸检测，获得人脸检测区域。

首先对待检测图像进行人脸识别，如图4b，得到人脸检测框41的位置和大小，Rect_face={x,y,w,h}，x表示人脸中心点横坐标，y表示人脸中心点纵坐标，w表示人脸框宽度，h表示人脸框高度。人脸检测可以使用haar特征，使用AdaBoost算法训练级联分类器。当然，该人脸检测方法还可以应用现有技术中的其他人脸识别方法，此处不做限定。

步骤S402，获得人脸检测区域在颜色空间内的肤色样本。

本步骤中获得人脸检测区域内的肤色样本，该肤色样本即人脸检测区域中每一坐标点pos(x,y)在颜色空间中对应的color=(u,v)。

当本公开方法应用于待检测图像中不同区域的肤色检测时，均可以识别该相应区域，获得该区域内的肤色样本，然后对肤色样本执行后续步骤。

步骤S303，对肤色样本进行像素值修正。

为了消除光照、色偏等对肤色检测的影响，本实施例还进一步在获得肤色样本后对肤色样本进行像素值（也即颜色值）修正。该像素值修正的方法有多种，例如可以针对不同程度的光照、色偏用固定偏移值进行修正，还可以动态获得偏移参量进行修正。

在一种实现方式中，如图5所示，该像素值修正方法可以包括：

步骤S501，根据肤色样本构造肤色直方图。

以上步骤获得的人脸检测区域的肤色样本为例，在本步骤中构造人脸检测区域的肤色直方图M_face(u,v)，u∈[0,255]，v∈[0,255]。该肤色直方图的构造方法有多种。

在其中一个实现方式中，如图6所示，该肤色直方图的构造方法可以包括以下步骤：

步骤S601，定义用于判断是否为肤色的颜色框。

首先在颜色空间中定义一个颜色框Rect_color={u,v,w_color,h_color}，例如可以是Rect_color={85,115,70,70}。该颜色框用于粗略判断样本点是否为肤色，若肤色样本中某一样本点的像素值(u′,v′)∈Rect_color，则为肤色，否则为非肤色。

步骤S602，遍历肤色样本中的所有样本点，对于位于颜色框内的样本点，在肤色直方图中的相应位置加一，获得肤色样本的肤色直方图。

在确定颜色框后，即可遍历上述步骤获得的肤色样本中的所有样本点，在所有样本点的像素值中，如果该像素值位于颜色框内，则在肤色直方图中的相应位置加一。

即对于待检测图像中的任一点pos(x,y)，color=(u,v)，如果pos∈Rect_face且color∈Rect_color，则M_face(u,v)=M_face(u,v)+1。由此即可获得肤色样本的肤色直方图。

在获得肤色直方图后，还可以进一步对该肤色直方图M_face进行归一化。

步骤S502，将肤色直方图与模型肤色直方图进行配准，获得肤色直方图向模型肤色直方图进行变换的配准参数。

在获得肤色直方图M_face后，将肤色直方图与模型肤色直方图M_model(u,v)进行配准。其中，模型肤色直方图就是肤色概率模型M_model(u,v)的图像，即二维概率直方图，该肤色概率模型的获得方法可参照前述实施例中的步骤S201～S204。

在将肤色直方图M_face与模型肤色直方图M_model配准后，可获得肤色直方图向模型肤色直方图进行变换的配准参数。其中，肤色直方图与模型肤色直方图的配准方法有多种，例如Keren方法等。

在其中一种配准方法中，可以是计算使肤色直方图达到与模型肤色直方图最大相关度的配准参数，该配准参数可以包括像素值平移参量和旋转参量，如下：

假设M_face经过平移（Δu,Δv）和旋转θ达到与M_model最大的相关度，求解配准参数（Δu,Δv）和θ。

经过以上几步处理得到的肤色样本，在颜色空间的表现为几乎一致的方向性，所以旋转变换可以忽略不计，即θ≈0，可以只估计（Δu,Δv），优化如下能量函数：

优化以上能量函数的公式，通过计算M_face和M_model的重心偏移量作为（Δu,Δv）的初值，然后在初值附近进行搜索，找到使能量函数最小的（Δu,Δv）。

由此，可获得配准参数：像素值平移参量（Δu,Δv）和旋转参量θ，θ≈0。

步骤S503，对肤色样本中所有样本点的像素值按照配准参数进行像素值变换。

在获得配准参数后，在本步骤中，即可对肤色样本中的所有样本点的像素值进行像素值变化，由于旋转参量θ≈0，即可直接对所有样本点的像素值按照像素值平移参量（Δu,Δv）进行平移变换，对于某一像素值（u,v）平移变换后的像素值为（u+Δu,v+Δv）。

针对现有肤色检测方法易受光照变化和色偏影响的问题，本公开通过肤色直方图匹配和像素值平移变换，使得肤色检测算法可以适应不同的光照和色偏，解决了不同光照和色偏环境下的单张图像内的肤色分割问题。

步骤S304，采用预先构建的肤色概率模型对肤色样本进行检测，获得待检测图像的肤色概率分布。

在上步骤S303对肤色样本进行像素值变化后，即可采用肤色概率模型M_model对像素值变化后的肤色样本进行肤色检测，获得待检测图像的肤色概率分布P(x,y),x∈[0,m],y∈[0,n]，m为图像宽度，n为图像高度。对于待检测图像中的任一点位置(x,y)，相应的P(x,y)表示该点属于肤色的概率，按照如下公式计算：

P(x,y)=M_model(u+Δu,v+Δv)，其中，(u,v)=UV(x,y)

步骤S305，对待检测图像的肤色概率分布进行误检去除。

本实施例中，在完成上步骤的肤色检测后，基本能够保证在概率分布图中肤色区域有较大的值，为了进一步提高检测的准确性，同时保持肤色区域和非肤色区域间平滑的过渡，还可以进一步对检测结果进行误检去除。该误检去除可以采用多种方法，例如将低于一定阈值的样本点的概率置0等。

在一种实现方式中，如图7a所示，该误检去除方法可以包括：

步骤S701，在肤色概率分布中选择出概率大于第一概率阈值的区域作为初始肤色区域，并将初始肤色区域的肤色概率置1。

本步骤中可以设定一个数值较大的第一概率阈值t_h，然后在上步骤获得的肤色概率分布P(x,y)中选择出初始肤色区域，该初始肤色区域的概率P₀（x,y）满足以下条件：

P₀（x,y）=1，如果P（x,y）≥t_h；P₀（x,y）=0，如果P（x,y）＜t_h

步骤S702，对初始肤色区域的肤色概率进行高斯模糊，得到概率模糊值。

在确定初始肤色区域后，对初始肤色区域的肤色概率P₀（x,y）进行高斯模糊得到概率模糊值P_gs。其中，高斯模糊是将一个二维高斯分布图和原图像进行卷积操作。

步骤S703，将概率模糊值与肤色概率分布中的各概率值进行逐点相乘，得到最终肤色概率分布。

在获得概率模糊值P_gs后，将P_gs与肤色概率分布P(x,y)进行逐点相乘，得到最终肤色概率分布P_final。

步骤S704，将最终肤色概率分布中，概率值低于第二概率阈值的肤色概率置0。

最后，设定一个数值较小的第二概率阈值t_l，然后将P_final中低于第二概率阈值t_l的肤色概率置0。

如图7b所示为根据肤色概率模型进行肤色检测后获得的肤色概率分布图，其中，黑色区域表示肤色概率为0，白色区域表示肤色概率为1，在执行上述步骤S701～S704进行误检去除后，如图7c所示，即可去除对图像中非肤色区域的误检。

该误检去除过程能够去除大量非肤色区域，减少了背景区域的误检，同时保证了肤色区域和非肤色区域间平滑的过渡。

本实施例方法中，通过肤色概率模型进行肤色检测能够适用于非矩形的，较复杂的肤色分布，可以实现对单张图像进行肤色检测，获得的肤色概率分布更容易被后续应用；而且，通过在肤色检测之前进行肤色样本的像素值修正，可以适应不同的光照和色偏，解决了不同光照和色偏环境下的单张图像内的肤色分割问题；再者，通过误检去除过程去除了大量非肤色区域，减少了背景区域的误检，同时保证了肤色区域和非肤色区域间平滑的过渡。

以上是对本公开方法实施例的描述，下面对实现上述方法的装置进行介绍。

参见图8，为本公开实施例一种肤色检测装置的结构示意图。

该装置可以包括：

图像转换单元801，用于将待检测图像转换为颜色空间内的图像；

样本获取单元802，用于获得所述待检测图像在所述颜色空间内的肤色样本；

模型构建单元803，用于获得肤色概率模型，其中，所述肤色概率模型是利用已知肤色样本训练获得的用于确定肤色概率的模型；

肤色检测单元804，用于采用所述模型构建单元803构建的肤色概率模型对所述肤色样本进行检测，获得所述待检测图像的肤色概率分布。

图像转换单元801首先将待检测图像转换至YUV空间，然后样本获取单元802获取待检测图像在YUV空间中的肤色样本，再由肤色检测单元804采用模型构建单元803构建的肤色概率模型对样本获取单元802获取的肤色样本进行检测，获得待检测图像的肤色概率分布。

该装置通过上述单元利用肤色概率模型来对待检测图像的肤色样本进行肤色检测，获得了该待检测图像的肤色概率分布。该装置能够适用于非矩形的，较复杂的肤色分布，进而可以在复杂肤色分布情况下减少误检；而且，该装置应用肤色概率模型可以对单张图像进行肤色检测，并最终所获得的肤色检测结果是肤色概率分布，而非二值图，更容易被后续应用（如肤色调整、增强等）调用。

在本公开的另一实施例中，如图9所示，模型构建单元803可以进一步包括：

图像收集子单元901，用于收集已知肤色分布的样本图像；

图像处理子单元902，用于将所述样本图像转换为颜色空间内的图像；

样本获得子单元903，用于获得所述样本图像在所述颜色空间内的已知肤色样本；

样本训练子单元904，用于利用密度估计算法对所述已知肤色样本进行训练，获得肤色概率模型。

通过上述子单元构建的肤色概率模型相比较现有技术中用色度、饱和度形成的矩形来说，更加精细，也更具有普遍适应性，能够适用于非矩形的，较复杂的肤色分布。

在另一实施例中，样本获取单元802可以进一步包括：

检测子单元，用于对所述待检测图像进行人脸检测，获得人脸检测区域；

获取子单元，用于获得所述人脸检测区域在所述颜色空间内的肤色样本。

如图10所示，为本公开实施例的另一种肤色检测装置的结构示意图。该装置除了可以包括图像转换单元1001、样本获取单元1002、模型构建单元1003和肤色检测单元1004之外，还可以包括修正单元1005。

修正单元1005，用于在所述肤色检测单元1004采用预先构建的肤色概率模型对所述肤色样本进行检测之前，对所述肤色样本进行像素值修正。

在其中一种实现方式中，如图11所示，该修正单元1005可以进一步包括：

构造子单元1101，用于根据所述肤色样本构造肤色直方图；

配准子单元1102，用于将所述肤色直方图与模型肤色直方图进行配准，获得所述肤色直方图向所述模型肤色直方图进行变换的配准参数；其中，所述模型肤色直方图为根据所述肤色概率模型转换获得的直方图；

变换子单元1103，用于对所述肤色样本中所有样本点的像素值按照所述配准参数进行像素值变换。

其中，如图12所示，构造子单元1101又可以进一步包括：

定义模块1201，用于定义用于判断是否为肤色的颜色框；

构图模块1202，用于遍历所述肤色样本中的所有样本点，对于位于所述颜色框内的样本点，在肤色直方图中的相应位置加一，获得所述肤色样本的肤色直方图。

配准子单元1102可以用于计算使所述肤色直方图达到与所述模型肤色直方图最大相关度的配准参数，所述配准参数包括像素值平移参量和旋转参量。

该装置通过增加修正单元，可以在肤色检测之前进行肤色样本的像素值修正，以适应不同的光照和色偏，解决了不同光照和色偏环境下的单张图像内的肤色分割问题。

如图13所示，为本公开实施例的另一种肤色检测装置的结构示意图。该装置除了可以包括图像转换单元1301、样本获取单元1302、模型构建单元1303和肤色检测单元1304，修正单元1305之外，还可以进一步包括误检去除单元1306。

误检去除单元1306，用于在所述肤色检测单元1304获得所述待检测图像的肤色概率分布之后，对所述待检测图像的肤色概率分布进行误检去除。

在其中一种实现方式中，如图14所示，该误检去除单元1306可以进一步包括：

选择子单元1401，用于在所述肤色概率分布中选择出概率大于第一概率阈值的区域作为初始肤色区域，并将所述初始肤色区域的肤色概率置1；

第一处理子单元1402，用于对所述初始肤色区域的肤色概率进行高斯模糊，得到概率模糊值；

第二处理子单元1403，用于将所述概率模糊值与所述肤色概率分布中的各概率值进行逐点相乘，得到最终肤色概率分布；

去除子单元1404，用于将所述最终肤色概率分布中，概率值低于第二概率阈值的肤色概率置0。

该装置通过增加误检去除单元去除了大量非肤色区域，减少了背景区域的误检，同时保证了肤色区域和非肤色区域间平滑的过渡。

图15是本公开实施例中终端设备（可以是请求方终端或者相关联终端）结构示意图。参见图15，该终端可以用于实施上述实施例中提供的方法。优选的：

终端设备800可以包括通信单元110、包括有一个或一个以上计算机可读存储介质的存储器120、输入单元130、显示单元140、传感器150、音频电路160、WIFI（WirelessFidelity，无线保真）模块170、包括有一个或者一个以上处理核心的处理器180、以及电源190等部件。本领域技术人员可以理解，图中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

通信单元110可用于收发信息或通话过程中，信号的接收和发送，该通信单元110可以为RF（Radio Frequency，射频）电路、路由器、调制解调器、等网络通信设备。特别地，当通信单元110为RF电路时，将基站的下行信息接收后，交由一个或者一个以上处理器180处理；另外，将涉及上行的数据发送给基站。通常，作为通信单元的RF电路包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块（SIM）卡、收发信机、耦合器、LNA（Low Noise Amplifier，低噪声放大器）、双工器等。此外，通信单元110还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于GSM（Global System of Mobile communication，全球移动通讯系统）、GPRS（GeneralPacket Radio Service，通用分组无线服务）、CDMA（Code Division Multiple Access，码分多址）、WCDMA（Wideband Code Division Multiple Access，宽带码分多址）、LTE（LongTerm Evolution，长期演进）、电子邮件、SMS（Short Messaging Service，短消息服务）等。存储器120可用于存储软件程序以及模块，处理器180通过运行存储在存储器120的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器120可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据终端设备800的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器120还可以包括存储器控制器，以提供处理器180和输入单元130对存储器120的访问。

输入单元130可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。优选地，输入单元130可包括触敏表面131以及其他输入设备132。触敏表面131，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触敏表面131上或在触敏表面131附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面131可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器180，并能接收处理器180发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面131。除了触敏表面131，输入单元130还可以包括其他输入设备132。优选地，其他输入设备132可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元140可用于显示由用户输入的信息或提供给用户的信息以及终端设备800的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元140可包括显示面板141，可选的，可以采用LCD（Liquid Crystal Display，液晶显示器）、OLED（Organic Light-Emitting Diode，有机发光二极管）等形式来配置显示面板141。进一步的，触敏表面131可覆盖显示面板141，当触敏表面131检测到在其上或附近的触摸操作后，传送给处理器180以确定触摸事件的类型，随后处理器180根据触摸事件的类型在显示面板141上提供相应的视觉输出。虽然在图11中，触敏表面131与显示面板141是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面131与显示面板141集成而实现输入和输出功能。

终端设备800还可包括至少一种传感器150，比如光传感器、运动传感器以及其他传感器。光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板141的亮度，接近传感器可在终端设备800移动到耳边时，关闭显示面板141和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等；至于终端设备800还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路160、扬声器161，传声器162可提供用户与终端设备800之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号，传输到扬声器161，由扬声器161转换为声音信号输出；另一方面，传声器162将收集的声音信号转换为电信号，由音频电路160接收后转换为音频数据，再将音频数据输出处理器180处理后，经RF电路110以发送给比如另一终端设备，或者将音频数据输出至存储器120以便进一步处理。音频电路160还可能包括耳塞插孔，以提供外设耳机与终端设备800的通信。

为了实现无线通信，该终端设备上可以配置有无线通信单元170，该无线通信单元170可以为WIFI模块。WIFI属于短距离无线传输技术，终端设备800通过无线通信单元170可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图中示出了无线通信单元170，但是可以理解的是，其并不属于终端设备800的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器180是终端设备800的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器120内的软件程序和/或模块，以及调用存储在存储器120内的数据，执行终端设备800的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器180可包括一个或多个处理核心；优选的，处理器180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器180中。

终端设备800还包括给各个部件供电的电源190（比如电池），优选的，电源可以通过电源管理系统与处理器180逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源190还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

尽管未示出，终端设备800还可以包括摄像头、蓝牙模块等，在此不再赘述。在本实施例中，终端设备还包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行本公开实施例提供的方法的指令。

图16是本公开实施例中服务器的结构示意图。该服务器1900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器（central processing units，CPU）1922（例如，一个或一个以上处理器）和存储器1932，一个或一个以上存储应用程序1942或数据1944的存储介质1930（例如一个或一个以上海量存储设备）。其中，存储器1932和存储介质1930可以是短暂存储或持久存储。存储在存储介质1930的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1922可以设置为与存储介质1930通信，在服务器1900上执行存储介质1930中的一系列指令操作。

服务器1900还可以包括一个或一个以上电源1926，一个或一个以上有线或无线网络接口1950，一个或一个以上输入输出接口1958，一个或一个以上键盘1956，和/或，一个或一个以上操作系统1941，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

此外，典型地，本公开所述的移动终端可为各种手持终端设备，例如手机、个人数字助理(PDA)等，因此本公开的保护范围不应限定为某种特定类型的移动终端。

此外，根据本公开的方法还可以被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本公开的方法中限定的上述功能。

此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储设备实现。

此外，应该明白的是，本文所述的计算机可读存储设备(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接RambusRAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现所述的功能，但是这种实现决定不应被解释为导致脱离本公开的范围。

结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里所述功能的下列部件来实现或执行：通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP核、或任何其它这种配置。

结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，所述存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。

在一个或多个示例性设计中，所述功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将所述功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外先、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。

尽管前面公开的内容示出了本公开的示例性实施例，但是应当注意，在不背离权利要求限定的本公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本公开的元素可以以个体形式描述或要求，但是也可以设想多个，除非明确限制为单数。

以上所述的具体实施方式，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施方式而已，并不用于限定本公开的保护范围，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (12)

1.一种肤色检测方法，其特征在于，包括：

将待检测图像转换为YUV颜色空间内的图像；

获得所述待检测图像在所述YUV颜色空间内的肤色样本，所述肤色样本为所述检测图像中每一坐标点在所述YUV颜色空间中对应的像素值；

对所述肤色样本进行像素值修正；

采用预先构建的肤色概率模型对所述肤色样本进行检测，获得所述待检测图像的肤色概率分布，其中，所述肤色概率模型是利用YUV颜色空间内的已知肤色样本训练获得的用于确定肤色概率的模型；

对所述待检测图像的肤色概率分布进行误检去除，包括：

在所述肤色概率分布中选择出概率大于第一概率阈值的区域作为初始肤色区域，并将所述初始肤色区域的肤色概率置1；

对所述初始肤色区域的肤色概率进行高斯模糊，得到概率模糊值；

将所述概率模糊值与所述肤色概率分布中的各概率值进行逐点相乘，得到最终肤色概率分布；

将所述最终肤色概率分布中，概率值低于第二概率阈值的肤色概率置0。

2.根据权利要求1所述的方法，其特征在于，在所述采用预先构建的肤色概率模型对所述肤色样本进行检测之前，所述方法还包括：

收集已知肤色分布的样本图像；

将所述样本图像转换为YUV颜色空间内的图像；

获得所述样本图像在所述YUV颜色空间内的已知肤色样本；

利用密度估计算法对所述已知肤色样本进行训练，获得肤色概率模型。

3.根据权利要求1所述的方法，其特征在于，所述对所述肤色样本进行像素值修正，包括：

根据所述肤色样本构造肤色直方图；

将所述肤色直方图与模型肤色直方图进行配准，获得所述肤色直方图向所述模型肤色直方图进行变换的配准参数；其中，所述模型肤色直方图为所述肤色概率模型的直方图；

对所述肤色样本中所有样本点的像素值按照所述配准参数进行像素值变换。

4.根据权利要求3所述的方法，其特征在于，所述根据所述肤色样本构造肤色直方图，包括：

定义用于判断是否为肤色的颜色框；

遍历所述肤色样本中的所有样本点，对于位于所述颜色框内的样本点，在肤色直方图中的相应位置加一，获得所述肤色样本的肤色直方图。

5.根据权利要求3所述的方法，其特征在于，所述将所述肤色直方图与模型肤色直方图进行配准，获得所述肤色直方图向所述模型肤色直方图进行变换的配准参数，包括：

计算使所述肤色直方图达到与所述模型肤色直方图最大相关度的配准参数，所述配准参数包括像素值平移参量和旋转参量。

6.根据权利要求1所述的方法，其特征在于，所述获得所述待检测图像在所述YUV颜色空间内的肤色样本，包括：

对所述待检测图像进行人脸检测，获得人脸检测区域；

获得所述人脸检测区域在所述颜色空间内的肤色样本。

7.一种肤色检测装置，其特征在于，包括：

图像转换单元，用于将待检测图像转换为YUV颜色空间内的图像；

样本获取单元，用于获得所述待检测图像在所述YUV颜色空间内的肤色样本，所述肤色样本为所述检测图像中每一坐标点在所述YUV颜色空间中对应的像素值；

模型构建单元，用于获得肤色概率模型，其中，所述肤色概率模型是利用已知肤色样本训练获得的用于确定肤色概率的模型；

修正单元，用于在肤色检测单元采用预先构建的肤色概率模型对所述肤色样本进行检测之前，对所述肤色样本进行像素值修正；

肤色检测单元，用于采用所述模型构建单元构建的肤色概率模型对所述肤色样本进行检测，获得所述待检测图像的肤色概率分布，其中，所述肤色概率模型是利用YUV颜色空间内的已知肤色样本训练获得的用于确定肤色概率的模型；

误检去除单元，用于在所述肤色检测单元获得所述待检测图像的肤色概率分布之后，对所述待检测图像的肤色概率分布进行误检去除，包括：

选择子单元，用于在所述肤色概率分布中选择出概率大于第一概率阈值的区域作为初始肤色区域，并将所述初始肤色区域的肤色概率置1；

第一处理子单元，用于对所述初始肤色区域的肤色概率进行高斯模糊，得到概率模糊值；

第二处理子单元，用于将所述概率模糊值与所述肤色概率分布中的各概率值进行逐点相乘，得到最终肤色概率分布；

去除子单元，用于将所述最终肤色概率分布中，概率值低于第二概率阈值的肤色概率置0。

8.根据权利要求7所述的装置，其特征在于，所述模型构建单元包括：

图像收集子单元，用于收集已知肤色分布的样本图像；

图像处理子单元，用于将所述样本图像转换为YUV颜色空间内的图像；

样本获得子单元，用于获得所述样本图像在所述YUV颜色空间内的已知肤色样本；

样本训练子单元，用于利用密度估计算法对所述已知肤色样本进行训练，获得肤色概率模型。

9.根据权利要求7所述的装置，其特征在于，所述修正单元包括：

构造子单元，用于根据所述肤色样本构造肤色直方图；

配准子单元，用于将所述肤色直方图与模型肤色直方图进行配准，获得所述肤色直方图向所述模型肤色直方图进行变换的配准参数；其中，所述模型肤色直方图为所述肤色概率模型转换的直方图；

变换子单元，用于对所述肤色样本中所有样本点的像素值按照所述配准参数进行像素值变换。

10.根据权利要求9所述的装置，其特征在于，所述构造子单元包括：

定义模块，用于定义用于判断是否为肤色的颜色框；

构图模块，用于遍历所述肤色样本中的所有样本点，对于位于所述颜色框内的样本点，在肤色直方图中的相应位置加一，获得所述肤色样本的肤色直方图。

11.根据权利要求10所述的装置，其特征在于，所述配准子单元，用于计算使所述肤色直方图达到与所述模型肤色直方图最大相关度的配准参数，所述配准参数包括像素值平移参量和旋转参量。

12.根据权利要求7所述的装置，其特征在于，所述样本获取单元包括：

检测子单元，用于对所述待检测图像进行人脸检测，获得人脸检测区域；

获取子单元，用于获得所述人脸检测区域在所述颜色空间内的肤色样本。