CN106611429B - 检测皮肤区域的方法和检测皮肤区域的装置 - Google Patents

检测皮肤区域的方法和检测皮肤区域的装置 Download PDF

Info

Publication number
CN106611429B
CN106611429B CN201510700287.3A CN201510700287A CN106611429B CN 106611429 B CN106611429 B CN 106611429B CN 201510700287 A CN201510700287 A CN 201510700287A CN 106611429 B CN106611429 B CN 106611429B
Authority
CN
China
Prior art keywords
pixel
probability
skin
target image
set criteria
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510700287.3A
Other languages
English (en)
Other versions
CN106611429A (zh
Inventor
谭国富
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201510700287.3A priority Critical patent/CN106611429B/zh
Priority to PCT/CN2016/084528 priority patent/WO2017071219A1/zh
Priority to EP16858663.4A priority patent/EP3370204B1/en
Publication of CN106611429A publication Critical patent/CN106611429A/zh
Priority to US15/705,102 priority patent/US10489635B2/en
Application granted granted Critical
Publication of CN106611429B publication Critical patent/CN106611429B/zh
Priority to US16/666,075 priority patent/US10783353B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Abstract

检测皮肤区域的方法和检测皮肤区域的装置。本发明实施例公开了一种数据收集的方法和装置。本发明实施例方法包括：获取目标图像；获取皮肤在RGB颜色空间中的预置均值和预置标准差，以及在YUV颜色空间中的预置均值和预置标准差；根据所述RGB颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第一概率，所述第一概率为所述像素在所述RGB颜色空间中为皮肤的概率；根据所述YUV颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第二概率，所述第二概率为所述像素在所述YUV颜色空间中为皮肤的概率；确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为所述像素的第一概率和第二概率的算数平均值。本发明实施例能够自动检测到图片中的皮肤区域。

Description

检测皮肤区域的方法和检测皮肤区域的装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种检测皮肤区域的方法和检测皮肤区域的装置。
背景技术
随着数码相机、手机的普及，图片产生的数量越来越多。然而，由于光线、摄像器材、个人相貌、拍摄角度、拍摄姿势、镜头畸变等等原因，一些拍摄出来的图片效果(特别是皮肤部分)往往不尽如人意，尤其是一些女生，经常会皮肤发黑，影响相片的整体效果。所以许多用户需要对照片中的皮肤区域进行处理。
在图片处理过程中，确定皮肤区域是一个困难的问题。目前的一种方法是由专业人士采用Photoshop等图像处理软件采用专用的选取工具来选取处出皮肤区域。但这种方法的学习成本高，操作也比较麻烦，一般用户难以掌握。
发明内容
本发明实施例提供了一种检测皮肤区域的方法和检测皮肤区域的装置，能够自动检测到图片中的皮肤区域。
本发明实施例提供一种检测皮肤区域的方法，包括：
获取目标图像；
获取皮肤在RGB颜色空间中的预置均值和预置标准差，以及在YUV颜色空间中的预置均值和预置标准差；
根据所述RGB颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第一概率，所述第一概率为所述像素在所述RGB颜色空间中为皮肤的概率；
根据所述YUV颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第二概率，所述第二概率为所述像素在所述YUV颜色空间中为皮肤的概率；
确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为所述像素的第一概率和第二概率的算数平均值。
可选的，所述皮肤在RGB颜色空间中的预置均值包括红光成分的预置均值mr、绿光成分的预置均值mg和蓝光成分的预置均值mb，预置标准差包括红光成分的预置标准差nr、绿光成分的预置标准差ng和蓝光成分的预置标准差nb；
所述根据所述RGB颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第一概率，包括：
根据公式i＝1-|r-mr|/3nr计算所述像素的第一参数i，其中，r为所述像素的红光成分的亮度值，当1-|r-mr|/3nr小于0时，取i＝0，当1-|r-mr|/3nr大于1时，取i＝1；
根据公式j＝1-|g-mg|/3ng计算所述像素的第二参数j，其中，g为所述像素的绿光成分的亮度值，当1-|g-mg|/3ng小于0时，取j＝0，当1-|g-mg|/3ng大于1时，取j＝1；
根据公式k＝1-|b-mb|/3nb计算所述像素的第三参数k，其中，b为所述像素的蓝光成分的亮度值，当1-|b-mb|/3nb小于0时，取k＝0，当1-|b-mb|/3nb大于1时，取k＝1；
根据公式P1＝i1-i×j1-j×k1-k计算所述像素的第一概率P1。
可选的，所述在YUV颜色空间中的预置均值和预置标准差包括色度的预置均值mu和mv，预置标准差包括色度的预置标准差nu和nv；
所述根据所述YUV颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第二概率，包括：
根据公式p＝1-|u-mu|/3nu计算所述像素的第四参数p，其中u为所述像素的色调值；
根据公式q＝1-|v-mv|/3nv计算所述像素的第五参数q，其中v为所述像素的饱和度值；
根据公式P2＝p1-p×q1-q计算所述像素的第二概率P2。
可选的，所述确定所述目标图像中各像素为皮肤的概率，之后还包括：计算所述目标图像中各像素的灰度值，其中，所述像素的灰度值为所述像素为皮肤的概率与255的乘积；
采用轮廓查找算法对所述目标图像中各像素的灰度值进行计算，当在所述目标图像中获取到特定轮廓时，将所述特定轮廓中的各像素的灰度值以及为皮肤的概率改为0，所述特定轮廓为长和/或宽小于5个像素的轮廓。
可选的，所述确定所述目标图像中各像素为皮肤的概率，之后还包括：计算所述目标图像中各像素的灰度值，其中，所述像素的灰度值为所述像素为皮肤的概率与255的乘积；
对所述目标图像中各像素的灰度值进行高斯模糊；
确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为高斯模糊后的像素的灰度值除以255。
本发明实施例还提供一种检测皮肤区域的装置，包括：
第一获取模块，用于获取目标图像；
第二获取模块，用于获取皮肤在RGB颜色空间中的预置均值和预置标准差，以及在YUV颜色空间中的预置均值和预置标准差；
第一计算模块，用于根据所述RGB颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第一概率，所述第一概率为所述像素在所述RGB颜色空间中为皮肤的概率；
第二计算模块，用于根据所述YUV颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第二概率，所述第二概率为所述像素在所述YUV颜色空间中为皮肤的概率；
第一确定模块，用于确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为所述像素的第一概率和第二概率的算数平均值。
可选的，所述皮肤在RGB颜色空间中的预置均值包括红光成分的预置均值mr、绿光成分的预置均值mg。和蓝光成分的预置均值mb，预置标准差包括红光成分的预置标准差nr、绿光成分的预置标准差ng和蓝光成分的预置标准差nb；
所述第一计算模块具体用于：
根据公式i＝1-|r-mr|/3nr计算所述像素的第一参数i，其中，r为所述像素的红光成分的亮度值，当1-|r-mr|/3nr小于0时，取i＝0，当1-|r-mr|/3nr大于1时，取i＝1；
根据公式j＝1-|g-mg|/3ng计算所述像素的第二参数j，其中，g为所述像素的绿光成分的亮度值，当1-|g-mg|/3ng小于0时，取j＝0，当1-|g-mg|/3ng大于1时，取j＝1；
根据公式k＝1-|b-mb|/3nb计算所述像素的第三参数k，其中，b为所述像素的蓝光成分的亮度值，当1-|b-mb|/3nb小于0时，取k＝0，当1-|b-mb|/3nb大于1时，取k＝1；
根据公式P1＝i1-i×j1-j×k1-k计算所述像素的第一概率P1。
可选的，所述在YUV颜色空间中的预置均值和预置标准差包括色度的预置均值mu和mv，预置标准差包括色度的预置标准差nu和nv；
所述第二计算模块具体用于：
根据公式p＝1-|u-mu|/3nu计算所述像素的第四参数p，其中u为所述像素的色调值；
根据公式q＝1-|v-mv|/3nv计算所述像素的第五参数q，其中v为所述像素的饱和度值；
根据公式P2＝p1-p×q1-q计算所述像素的第二概率P2。
可选的，所述检测皮肤区域的装置还包括：
第三计算模块，用于在所述第一确定模块确定所述目标图像中各像素为皮肤的概率之后，计算所述目标图像中各像素的灰度值，其中，所述像素的灰度值为所述像素为皮肤的概率与255的乘积；
第四计算模块，用于采用轮廓查找算法对所述目标图像中各像素的灰度值进行计算，当在所述目标图像中获取到特定轮廓时，将所述特定轮廓中的各像素的灰度值以及为皮肤的概率改为0，所述特定轮廓为长和/或宽小于5个像素的轮廓。
可选的，所述检测皮肤区域的装置还包括：
第五计算模块，用于在所述第一确定模块确定所述目标图像中各像素为皮肤的概率之后，计算所述目标图像中各像素的灰度值，其中，所述像素的灰度值为所述像素为皮肤的概率与255的乘积；
第六计算模块，用于对所述目标图像中各像素的灰度值进行高斯模糊；
第二确定模块，用于确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为高斯模糊后的像素的灰度值除以255。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明中，获取皮肤在RGB颜色空间中的预置均值和预置标准差，以及在YUV颜色空间中的预置均值和预置标准差后，其中该预置均值和预置标准差可以是通过大量样本统计得出来的数据，通过将目标图像中各像素分别与皮肤在RGB颜色空间中的预置均值和预置标准差，以及与皮肤在YUV颜色空间中的预置均值和预置标准差进行比较，能够较准确地计算出各像素为皮肤的概率，以便后续在对该目标图像进行处理时的运算结合能够该概率，使得该处理能够更加针对该目标图像中的皮肤区域，避免了在处理前需先确定出目标图像中的皮肤区域。
附图说明
图1为本发明检测皮肤区域的方法的一个实施例的流程图；
图2为本发明检测皮肤区域的方法的另一个实施例的流程图；
图3为本发明检测皮肤区域的方法的另一个实施例的流程图；
图4为本发明检测皮肤区域的装置的一个实施例的结构示意图；
图5为本发明检测皮肤区域的装置的一个实施例的结构示意图；
图6为本发明检测皮肤区域的装置的一个实施例的结构示意图；
图7为本发明检测皮肤区域的装置的一个实施例的结构示意图。
具体实施方式
本发明实施例提供一种检测皮肤区域的方法和检测皮肤区域的装置，能够自动检测到图片中的皮肤区域。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、系统、产品或设备固有的其它步骤或单元。
请参阅图1，本发明实施例中数据收集的方法包括：
101、获取目标图像。
本实施例中，目标图像由多个像素组成，其中每个像素在RGB颜色空间内包括红光成分的亮度值r、绿光成分的亮度值g和蓝光成分的亮度值b，在YUV颜色空间内包括色调值u和饱和度值v。
需注意的是，本实施例中的目标图像可以是原始的一整幅图像，也可以是从原始的一整幅图中选取的部分图像，在此不作限制。
102、获取皮肤在RGB颜色空间中的预置均值和预置标准差，以及在YUV颜色空间中的预置均值和预置标准差；
皮肤在RGB颜色空间中的预置均值和预置标准差，以及在YUV颜色空间中的预置均值和预置标准差可预先存储在存储器中，在需要计算时，从存储器中获取。当然，也可以通过其他方法获取，例如，通过实时接收对皮肤在RGB颜色空间中的预置均值和预置标准差，以及在YUV颜色空间中的预置均值和预置标准差的输入来获取，在此不作限制。
实际应用中，皮肤在RGB颜色空间中的预置均值和预置标准差，以及在YUV颜色空间中的预置均值和预置标准差可通过大量皮肤图片的样本计算出来，或者通过其他方法获得。
103、根据所述RGB颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第一概率，所述第一概率为所述像素在所述RGB颜色空间中为皮肤的概率。
对目标图像中的某一个像素，可通过将该像素的具体参数与所获取到的皮肤在RGB颜色空间中的预置均值和预置标准差进行比较，来判断该像素在RGB颜色空间内为皮肤的概率。比较的方法有多种，下面对其中的一种进行举例描述。
本实施例中，所述皮肤在RGB颜色空间中的预置均值包括红光成分的预置均值mr、绿光成分的预置均值mg和蓝光成分的预置均值mb，预置标准差包括红光成分的预置标准差nr、绿光成分的预置标准差ng和蓝光成分的预置标准差nb。
根据公式i＝1-|r-mr|/3nr计算所述像素的第一参数i，其中，当1-|r-mr|/3nr小于0时，取i＝0，当1-|r-mr|/3nr大于1时，取i＝1。
根据公式j＝1-|g-mg|/3ng计算所述像素的第二参数j，其中，当1-|g-mg|/3ng小于0时，取j＝0，当1-|g-mg|/3ng大于1时，取j＝1。
根据公式k＝1-|b-mb|/3nb计算所述像素的第三参数k，其中，当1-|b-mb|/3nb小于0时，取k＝0，当1-|b-mb|/3nb大于1时，取k＝1。
根据公式P1＝i1-i×j1-j×k1-k计算所述像素的第一概率P1。
其中，由于r越接近mr时，i越接近1；g越接近mg时，j越接近1；b越接近mb时，j越接近1。因此，在计算P1的公式中，对参数i、j、k分别采用公式i1-i、j1-j、k1-k进行变换，使得当i、j、k分别越接近1时，P1的数值也越大，也即该像素为皮肤的概率越大。
上面对其中的一种比较方法进行了详细描述。实际应用中，公式i＝1-|r-mr|/3nr、j＝1-|g-mg|/3ng和k＝1-|b-mb|/3nb中的系数3也可以改为其他数值，在此不作限制。根据i、j、k计算第一概率P1的公式也可以是其他公式，在此不作限制。
104、根据所述YUV颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第二概率，所述第二概率为所述像素在所述YUV颜色空间中为皮肤的概率。
对目标图像中的某一个像素，可通过将该像素的具体参数与所获取到的皮肤在YUV颜色空间中的预置均值和预置标准差进行比较，来判断该像素在YUV颜色空间内为皮肤的概率。比较的方法有多种，下面对其中的一种进行举例描述。
本实施例中，所述在YUV颜色空间中的预置均值和预置标准差包括色度的预置均值mu和mv，预置标准差包括色度的预置标准差nu和nv。
根据公式p＝1-|u-mu|/3nu计算所述像素的第四参数p，其中u为所述像素的色调值；
根据公式q＝1-|v-mv|/3nv计算所述像素的第五参数q，其中v为所述像素的饱和度值；
根据公式P2＝p1-p×q1-q计算所述像素的第二概率P2。
其中，由于u越接近mu时，p越接近1；v越接近mv时，q越接近1。因此，在计算P2的公式中，对参数p、q分别采用公式p1-p、q1-q进行变换，使得当p、q分别越接近1时，P2的数值也越大，也即该像素为皮肤的概率越大。
上面对其中的一种比较方法进行了详细描述。实际应用中，公式p＝1-|u-mu|/3nu、p＝1-|u-mu|/3nu中的系数3也可以改为其他数值，在此不作限制。根据p、q计算第一概率P2的公式也可以是其他公式，在此不作限制。
105、确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为所述像素的第一概率和第二概率的算数平均值。
对目标图像中的某一个像素，当计算出该像素在RGB颜色空间内为皮肤的概率P1以及在YUV颜色空间内为皮肤的概率P2后，可将该两个概率的平均值(也即(P1+P2)/2)作为该像素为皮肤的概率P。
本实施例中，获取皮肤在RGB颜色空间中的预置均值和预置标准差，以及在YUV颜色空间中的预置均值和预置标准差后，其中该预置均值和预置标准差可以是通过大量样本统计得出来的数据，通过将目标图像中各像素分别与皮肤在RGB颜色空间中的预置均值和预置标准差，以及与皮肤在YUV颜色空间中的预置均值和预置标准差进行比较，能够较准确地计算出各像素为皮肤的概率，以便后续在对该目标图像进行处理时的运算结合能够该概率，使得该处理能够更加针对该目标图像中的皮肤区域，避免了在处理前需先确定出目标图像中的皮肤区域。
实际应用中，目标图像中的皮肤区域上可能由于出现其他东西(如衣服、头发等)或者其他原因会对计算像素为皮肤的概率时造成干扰，因此，优选的，本实施例中，在步骤105之后还对目标图像进行处理，以优化各像素为皮肤的概率值。处理的方法有多种，下面对其中的两种进行举例描述。
举例一、如图2所示，本实施例的检测皮肤区域的方法中，在步骤105之后还包括：
201、计算所述目标图像中各像素的灰度值，其中，所述像素的灰度值为所述像素为皮肤的概率与255的乘积。
本实施例中，为了确定出非皮肤区域，首先根据目标图像中各像素为皮肤的概率将各概率值转换为灰度值。具体的，将目标图像中各像素为皮肤的概率与灰度值的最大值(也即255)相乘，那么可得到一副新的图像。其中，该新的图像中灰度值越大的区域为皮肤的可能性越大。
202、采用轮廓查找算法对所述目标图像中各像素的灰度值进行计算，当在所述目标图像中获取到特定轮廓时，将所述特定轮廓中的各像素的灰度值以及为皮肤的概率改为0，所述特定轮廓为长和/或宽小于5个像素的轮廓。
由于皮肤区域的面积一般较大，因此可通过轮廓查找算法来确定目标图像中出现的轮廓。该轮廓查找算法为现有技术，在此不再赘述。
当该轮廓较小时，可排除该轮廓所圈出的区域为皮肤的可能性。因此，本实施例中，当确定出目标图像中出现长和/或宽小于5个像素的轮廓(为描述方便，称为特定轮廓)时，可排除该特定轮廓内的区域为皮肤区域的可能性，因此将该特定轮廓内的各像素为皮肤的概率该为0。
这样，可以去掉目标图像中皮肤区域上的轮廓噪声，能够更加精确的确定出皮肤区域。
举例二、如图3所示，本实施例的检测皮肤区域的方法中，在步骤105之后还包括：
301、计算所述目标图像中各像素的灰度值，其中，所述像素的灰度值为所述像素为皮肤的概率与255的乘积。
实际应用中，可能出现目标图像中的皮肤区域的边缘变化不连续。因此，本实施例中，通过对目标图像进行高斯模糊，以保证皮肤区域的边缘的变化连续性。具体的，首先根据目标图像中各像素为皮肤的概率将各概率值转换为灰度值。本实施例中，具体将目标图像中各像素为皮肤的概率与灰度值的最大值(也即255)相乘，那么可得到一副新的图像。其中，该新的图像中灰度值越大的区域为皮肤的可能性越大。
302、对所述目标图像中各像素的灰度值进行高斯模糊。
对目标图像中各像素的灰度值进行高斯模糊为现有技术，在此不再赘述。具体的，可以进行3×3的高斯模糊。当然，上述仅为举例，并不作限制。
303、确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为高斯模糊后的像素的灰度值除以255。
由于对目标图像进行高斯模糊后，目标图像中各像素的灰度值发生改变。将高斯模糊后的目标图像的各像素的灰度值除以255，即可得到各像素为皮肤的概率。
本实施例中，可以保证目标图像中的皮肤区域的边缘的变化连续性。
上面对举例一和举例二进行了描述，实际应用中，还可以同时采用举例一和举例二的方法，在此不作限制。
上面对本发明实施例中的检测皮肤区域的方法进行了描述。下面对本发明实施例中的检测皮肤区域的装置进行描述。
请参阅图4。图4为本发明的检测皮肤区域的装置的一个实施例的结构示意图。本实施例中的检测皮肤区域的装置可以用于执行图1所示实施例中的检测皮肤区域的方法。本发明实施例中检测皮肤区域的装置400包含：
第一获取模块401，用于获取目标图像；
第二获取模块402，用于获取皮肤在RGB颜色空间中的预置均值和预置标准差，以及在YUV颜色空间中的预置均值和预置标准差；
第一计算模块403，用于根据所述RGB颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第一概率，所述第一概率为所述像素在所述RGB颜色空间中为皮肤的概率；
第二计算模块404，用于根据所述YUV颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第二概率，所述第二概率为所述像素在所述YUV颜色空间中为皮肤的概率；
第一确定模块405，用于确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为所述像素的第一概率和第二概率的算数平均值。
本实施例中，获取皮肤在RGB颜色空间中的预置均值和预置标准差，以及在YUV颜色空间中的预置均值和预置标准差后，其中该预置均值和预置标准差可以是通过大量样本统计得出来的数据，通过将目标图像中各像素分别与皮肤在RGB颜色空间中的预置均值和预置标准差，以及与皮肤在YUV颜色空间中的预置均值和预置标准差进行比较，能够较准确地计算出各像素为皮肤的概率，以便后续在对该目标图像进行处理时的运算结合能够该概率，使得该处理能够更加针对该目标图像中的皮肤区域，避免了在处理前需先确定出目标图像中的皮肤区域。
可选的，所述皮肤在RGB颜色空间中的预置均值包括红光成分的预置均值mr、绿光成分的预置均值mg和蓝光成分的预置均值mb，预置标准差包括红光成分的预置标准差nr、绿光成分的预置标准差ng和蓝光成分的预置标准差nb；
所述第一计算模块403具体用于：
根据公式i＝1-|r-mr|/3nr计算所述像素的第一参数i，其中，r为所述像素的红光成分的亮度值，当1-|r-mr|/3nr小于0时，取i＝0，当1-|r-mr|/3nr大于1时，取i＝1；
根据公式j＝1-|g-mg|/3ng计算所述像素的第二参数j，其中，g为所述像素的绿光成分的亮度值，当1-|g-mg|/3ng小于0时，取j＝0，当1-|g-mg|/3ng大于1时，取j＝1；
根据公式k＝1-|b-mb|/3nb计算所述像素的第三参数k，其中，b为所述像素的蓝光成分的亮度值，当1-|b-mb|/3nb小于0时，取k＝0，当1-|b-mb|/3nb大于1时，取k＝1；
根据公式P1＝i1-i×j1-j×k1-k计算所述像素的第一概率P1。
可选的，所述在YUV颜色空间中的预置均值和预置标准差包括色度的预置均值mu和mv，预置标准差包括色度的预置标准差nu和nv；
所述第二计算模块404具体用于：
根据公式p＝1-|u-mu|/3nu计算所述像素的第四参数p，其中u为所述像素的色调值；
根据公式q＝1-|v-mv|/3nv计算所述像素的第五参数q，其中v为所述像素的饱和度值；
根据公式P2＝p1-p×q1-q计算所述像素的第二概率P2。
可选的，如图5所示，所述检测皮肤区域的装置还包括：
第三计算模块501，用于在所述第一确定模块确定所述目标图像中各像素为皮肤的概率之后，计算所述目标图像中各像素的灰度值，其中，所述像素的灰度值为所述像素为皮肤的概率与255的乘积；
第四计算模块502，用于采用轮廓查找算法对所述目标图像中各像素的灰度值进行计算，当在所述目标图像中获取到特定轮廓时，将所述特定轮廓中的各像素的灰度值以及为皮肤的概率改为0，所述特定轮廓为长和/或宽小于5个像素的轮廓。
可选的，如图6所示，所述检测皮肤区域的装置还包括：
第五计算模块601，用于在所述第一确定模块确定所述目标图像中各像素为皮肤的概率之后，计算所述目标图像中各像素的灰度值，其中，所述像素的灰度值为所述像素为皮肤的概率与255的乘积；
第六计算模块602，用于对所述目标图像中各像素的灰度值进行高斯模糊；
第二确定模块603，用于确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为高斯模糊后的像素的灰度值除以255。
上面从单元化功能实体的角度对本发明实施例中的检测皮肤区域的装置进行了描述，下面从硬件处理的角度对本发明实施例中的检测皮肤区域的装置进行描述。
请参阅图7，图7为本发明的第一密钥管理中心的一个实施例的结构示意图。本实施例中，第一密钥管理中心700包括：
处理器701，以及耦合到所述处理器701的存储器702；其中，所述处理器701读取所述存储器702中存储的计算机程序用于执行以下操作：
获取目标图像；
获取皮肤在RGB颜色空间中的预置均值和预置标准差，以及在YUV颜色空间中的预置均值和预置标准差；
根据所述RGB颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第一概率，所述第一概率为所述像素在所述RGB颜色空间中为皮肤的概率；
根据所述YUV颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第二概率，所述第二概率为所述像素在所述YUV颜色空间中为皮肤的概率；
确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为所述像素的第一概率和第二概率的算数平均值。
在本发明的第一个可能的实施方式中，所述皮肤在RGB颜色空间中的预置均值包括红光成分的预置均值mr、绿光成分的预置均值mg和蓝光成分的预置均值mb，预置标准差包括红光成分的预置标准差nr、绿光成分的预置标准差ng和蓝光成分的预置标准差nb；
所述根据所述RGB颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第一概率，包括：
根据公式i＝1-|r-mr|/3nr计算所述像素的第一参数i，其中，r为所述像素的红光成分的亮度值，当1-|r-mr|/3nr小于0时，取i＝0，当1-|r-mr|/3nr大于1时，取i＝1；
根据公式j＝1-|g-mg|/3ng计算所述像素的第二参数j，其中，g为所述像素的绿光成分的亮度值，当1-|g-mg|/3ng小于0时，取j＝0，当1-|g-mg|/3ng大于1时，取j＝1；
根据公式k＝1-|b-mb|/3nb计算所述像素的第三参数k，其中，b为所述像素的蓝光成分的亮度值，当1-|b-mb|/3nb小于0时，取k＝0，当1-|b-mb|/3nb大于1时，取k＝1；
根据公式P1＝i1-i×j1-j×k1-k计算所述像素的第一概率P1。
在本发明的第二个可能的实施方式中，所述在YUV颜色空间中的预置均值和预置标准差包括色度的预置均值mu和mv，预置标准差包括色度的预置标准差nu和nv；
所述根据所述YUV颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第二概率，包括：
根据公式p＝1-|u-mu|/3nu计算所述像素的第四参数p，其中u为所述像素的色调值；
根据公式q＝1-|v-mv|/3nv计算所述像素的第五参数q，其中v为所述像素的饱和度值；
根据公式P2＝p1-p×q1-q计算所述像素的第二概率P2。
在本发明的第三个可能的实施方式中，所述确定所述目标图像中各像素为皮肤的概率，之后所述处理器701还执行以下步骤：
计算所述目标图像中各像素的灰度值，其中，所述像素的灰度值为所述像素为皮肤的概率与255的乘积；
采用轮廓查找算法对所述目标图像中各像素的灰度值进行计算，当在所述目标图像中获取到特定轮廓时，将所述特定轮廓中的各像素的灰度值以及为皮肤的概率改为0，所述特定轮廓为长和/或宽小于5个像素的轮廓。
在本发明的第四个可能的实施方式中，所述确定所述目标图像中各像素为皮肤的概率，之后所述处理器701还执行以下步骤：
计算所述目标图像中各像素的灰度值，其中，所述像素的灰度值为所述像素为皮肤的概率与255的乘积；
对所述目标图像中各像素的灰度值进行高斯模糊；
确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为高斯模糊后的像素的灰度值除以255。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种检测皮肤区域的方法，其特征在于，包括：
获取目标图像；
获取皮肤在RGB颜色空间中的预置均值和预置标准差，以及在YUV颜色空间中的预置均值和预置标准差；
根据所述RGB颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第一概率，所述第一概率为所述像素在所述RGB颜色空间中为皮肤的概率；
根据所述YUV颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第二概率，所述第二概率为所述像素在所述YUV颜色空间中为皮肤的概率；
确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为所述像素的第一概率和第二概率的算数平均值。
2.根据权利要求1所述的检测皮肤区域的方法，其特征在于，所述皮肤在RGB颜色空间中的预置均值包括红光成分的预置均值mr、绿光成分的预置均值mg和蓝光成分的预置均值mb，预置标准差包括红光成分的预置标准差nr、绿光成分的预置标准差ng和蓝光成分的预置标准差nb；
所述根据所述RGB颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第一概率，包括：
根据公式i＝1-|r-mr|/3nr计算所述像素的第一参数i，其中，r为所述像素的红光成分的亮度值，当1-|r-mr|/3nr小于0时，取i＝0，当1-|r-mr|/3nr大于1时，取i＝1；
根据公式j＝1-|g-mg|/3ng计算所述像素的第二参数j，其中，g为所述像素的绿光成分的亮度值，当1-|g-mg|/3ng小于0时，取j＝0，当1-|g-mg|/3ng大于1时，取j＝1；
根据公式k＝1-|b-mb|/3nb计算所述像素的第三参数k，其中，b为所述像素的蓝光成分的亮度值，当1-|b-mb|/3nb小于0时，取k＝0，当1-|b-mb|/3nb大于1时，取k＝1；
根据公式P1＝i1-i×j1-j×k1-k计算所述像素的第一概率P1。
3.根据权利要求1所述的检测皮肤区域的方法，其特征在于，所述在YUV颜色空间中的预置均值和预置标准差包括色度的预置均值mu和mv，预置标准差包括色度的预置标准差nu和nv；
所述根据所述YUV颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第二概率，包括：
根据公式p＝1-|u-mu|/3nu计算所述像素的第四参数p，其中u为所述像素的色调值；
根据公式q＝1-|v-mv|/3nv计算所述像素的第五参数q，其中v为所述像素的饱和度值；
根据公式P2＝p1-p×q1-q计算所述像素的第二概率P2。
4.根据权利要求1所述的检测皮肤区域的方法，其特征在于，所述确定所述目标图像中各像素为皮肤的概率，之后还包括：
计算所述目标图像中各像素的灰度值，其中，所述像素的灰度值为所述像素为皮肤的概率与255的乘积；
采用轮廓查找算法对所述目标图像中各像素的灰度值进行计算，当在所述目标图像中获取到特定轮廓时，将所述特定轮廓中的各像素的灰度值以及为皮肤的概率改为0，所述特定轮廓为长和/或宽小于5个像素的轮廓。
5.根据权利要求1所述的检测皮肤区域的方法，其特征在于，所述确定所述目标图像中各像素为皮肤的概率，之后还包括：
计算所述目标图像中各像素的灰度值，其中，所述像素的灰度值为所述像素为皮肤的概率与255的乘积；
对所述目标图像中各像素的灰度值进行高斯模糊；
确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为高斯模糊后的像素的灰度值除以255。
6.一种检测皮肤区域的装置，其特征在于，包括：
第一获取模块，用于获取目标图像；
第二获取模块，用于获取皮肤在RGB颜色空间中的预置均值和预置标准差，以及在YUV颜色空间中的预置均值和预置标准差；
第一计算模块，用于根据所述RGB颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第一概率，所述第一概率为所述像素在所述RGB颜色空间中为皮肤的概率；
第二计算模块，用于根据所述YUV颜色空间中的预置均值和预置标准差计算所述目标图像中各像素的第二概率，所述第二概率为所述像素在所述YUV颜色空间中为皮肤的概率；
第一确定模块，用于确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为所述像素的第一概率和第二概率的算数平均值。
7.根据权利要求6所述的检测皮肤区域的装置，其特征在于，所述皮肤在RGB颜色空间中的预置均值包括红光成分的预置均值mr、绿光成分的预置均值mg和蓝光成分的预置均值mb，预置标准差包括红光成分的预置标准差nr、绿光成分的预置标准差ng和蓝光成分的预置标准差nb；
所述第一计算模块具体用于：
根据公式i＝1-|r-mr|/3nr计算所述像素的第一参数i，其中，r为所述像素的红光成分的亮度值，当1-|r-mr|/3nr小于0时，取i＝0，当1-|r-mr|/3nr大于1时，取i＝1；
根据公式j＝1-|g-mg|/3ng计算所述像素的第二参数j，其中，g为所述像素的绿光成分的亮度值，当1-|g-mg|/3ng小于0时，取j＝0，当1-|g-mg|/3ng大于1时，取j＝1；
根据公式k＝1-|b-mb|/3nb计算所述像素的第三参数k，其中，b为所述像素的蓝光成分的亮度值，当1-|b-mb|/3nb小于0时，取k＝0，当1-|b-mb|/3nb大于1时，取k＝1；
根据公式P1＝i1-i×j1-j×k1-k计算所述像素的第一概率P1。
8.根据权利要求6所述的检测皮肤区域的装置，其特征在于，所述在YUV颜色空间中的预置均值和预置标准差包括色度的预置均值mu和mv，预置标准差包括色度的预置标准差nu和nv；
所述第二计算模块具体用于：
根据公式p＝1-|u-mu|/3nu计算所述像素的第四参数p，其中u为所述像素的色调值；
根据公式q＝1-|v-mv|/3nv计算所述像素的第五参数q，其中v为所述像素的饱和度值；
根据公式P2＝p1-p×q1-q计算所述像素的第二概率P2。
9.根据权利要求6所述的检测皮肤区域的装置，其特征在于，所述检测皮肤区域的装置还包括：
第三计算模块，用于在所述第一确定模块确定所述目标图像中各像素为皮肤的概率之后，计算所述目标图像中各像素的灰度值，其中，所述像素的灰度值为所述像素为皮肤的概率与255的乘积；
第四计算模块，用于采用轮廓查找算法对所述目标图像中各像素的灰度值进行计算，当在所述目标图像中获取到特定轮廓时，将所述特定轮廓中的各像素的灰度值以及为皮肤的概率改为0，所述特定轮廓为长和/或宽小于5个像素的轮廓。
10.根据权利要求6所述的检测皮肤区域的装置，其特征在于，所述检测皮肤区域的装置还包括：
第五计算模块，用于在所述第一确定模块确定所述目标图像中各像素为皮肤的概率之后，计算所述目标图像中各像素的灰度值，其中，所述像素的灰度值为所述像素为皮肤的概率与255的乘积；
第六计算模块，用于对所述目标图像中各像素的灰度值进行高斯模糊；
第二确定模块，用于确定所述目标图像中各像素为皮肤的概率，其中，所述像素为皮肤的概率为高斯模糊后的像素的灰度值除以255。
CN201510700287.3A 2015-10-26 2015-10-26 检测皮肤区域的方法和检测皮肤区域的装置 Active CN106611429B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201510700287.3A CN106611429B (zh) 2015-10-26 2015-10-26 检测皮肤区域的方法和检测皮肤区域的装置
PCT/CN2016/084528 WO2017071219A1 (zh) 2015-10-26 2016-06-02 检测皮肤区域的方法和检测皮肤区域的装置
EP16858663.4A EP3370204B1 (en) 2015-10-26 2016-06-02 Method for detecting skin region and device for detecting skin region
US15/705,102 US10489635B2 (en) 2015-10-26 2017-09-14 Method for detecting skin region and apparatus for detecting skin region
US16/666,075 US10783353B2 (en) 2015-10-26 2019-10-28 Method for detecting skin region and apparatus for detecting skin region

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510700287.3A CN106611429B (zh) 2015-10-26 2015-10-26 检测皮肤区域的方法和检测皮肤区域的装置

Publications (2)

Publication Number Publication Date
CN106611429A CN106611429A (zh) 2017-05-03
CN106611429B true CN106611429B (zh) 2019-02-05

Family

ID=58613443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510700287.3A Active CN106611429B (zh) 2015-10-26 2015-10-26 检测皮肤区域的方法和检测皮肤区域的装置

Country Status (4)

Country Link
US (2) US10489635B2 (zh)
EP (1) EP3370204B1 (zh)
CN (1) CN106611429B (zh)
WO (1) WO2017071219A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10491895B2 (en) * 2016-05-23 2019-11-26 Intel Corporation Fast and robust human skin tone region detection for improved video coding
US10628700B2 (en) 2016-05-23 2020-04-21 Intel Corporation Fast and robust face detection, region extraction, and tracking for improved video coding
US11669724B2 (en) 2018-05-17 2023-06-06 Raytheon Company Machine learning using informed pseudolabels
CN110827204B (zh) * 2018-08-14 2022-10-04 阿里巴巴集团控股有限公司 图像处理方法、装置及电子设备
CN109215599B (zh) * 2018-10-22 2020-11-24 深圳市华星光电技术有限公司 一种改善有色人种肤色视角表现的8畴设计方法及系统
CN109522839A (zh) * 2018-11-15 2019-03-26 北京达佳互联信息技术有限公司 一种人脸皮肤区域确定方法、装置、终端设备及存储介质
CN109815874A (zh) * 2019-01-17 2019-05-28 苏州科达科技股份有限公司 一种人员身份识别方法、装置、设备及可读存储介质
CN110443747B (zh) * 2019-07-30 2023-04-18 Oppo广东移动通信有限公司 图像处理方法、装置、终端及计算机可读存储介质
US11068747B2 (en) * 2019-09-27 2021-07-20 Raytheon Company Computer architecture for object detection using point-wise labels
CN113223039B (zh) * 2020-01-21 2023-04-07 海信集团有限公司 显示设备、服装图像提取方法和存储介质
US11676391B2 (en) 2020-04-16 2023-06-13 Raytheon Company Robust correlation of vehicle extents and locations when given noisy detections and limited field-of-view image frames
CN111627076B (zh) * 2020-04-28 2023-09-19 广州方硅信息技术有限公司 换脸方法、装置及电子设备
US11461993B2 (en) * 2021-01-05 2022-10-04 Applied Research Associates, Inc. System and method for determining the geographic location in an image
US11562184B2 (en) 2021-02-22 2023-01-24 Raytheon Company Image-based vehicle classification
CN113111710B (zh) * 2021-03-11 2023-08-18 广州大学 基于皮肤镜的毛发图像识别方法、装置和存储介质
CN113888543B (zh) * 2021-08-20 2024-03-19 北京达佳互联信息技术有限公司 肤色分割方法、装置、电子设备及存储介质
CN113947568B (zh) * 2021-09-26 2024-03-29 北京达佳互联信息技术有限公司 一种图像处理方法、装置、电子设备及存储介质
CN113947606B (zh) * 2021-09-26 2024-03-26 北京达佳互联信息技术有限公司 图像处理方法、装置、电子设备及存储介质
CN115457381B (zh) * 2022-08-18 2023-09-05 广州从埔高速有限公司 一种高速公路违法用地检测方法、系统、装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251898A (zh) * 2008-03-25 2008-08-27 腾讯科技（深圳）有限公司 一种肤色检测方法及装置
CN101251890A (zh) * 2008-03-13 2008-08-27 西安交通大学 基于多色域选择性形态学处理的视频图像肤色检测方法
CN101344922A (zh) * 2008-08-27 2009-01-14 华为技术有限公司 一种人脸检测方法及其装置
CN101882223A (zh) * 2009-05-04 2010-11-10 青岛海信数字多媒体技术国家重点实验室有限公司 人体肤色的测评方法
CN102096823A (zh) * 2011-02-12 2011-06-15 厦门大学 基于高斯模型和最小均方差的人脸检测方法
CN102324020A (zh) * 2011-09-02 2012-01-18 北京新媒传信科技有限公司 人体肤色区域的识别方法和装置
CN103971344A (zh) * 2014-05-27 2014-08-06 广州商景网络科技有限公司 一种证件图像的肤色偏色校正方法及系统
CN104318558A (zh) * 2014-10-17 2015-01-28 浙江大学 复杂场景下基于多信息融合的手势分割方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7609908B2 (en) * 2003-04-30 2009-10-27 Eastman Kodak Company Method for adjusting the brightness of a digital image utilizing belief values
EP1542150B1 (en) * 2003-12-09 2009-12-09 Mitsubishi Electric Information Technology Centre Europe B.V. Method and apparatus for separating content types in images
US7580563B1 (en) * 2005-09-02 2009-08-25 Adobe Systems Incorporated Detection of objects in an image using color analysis
WO2008107002A1 (en) * 2007-03-05 2008-09-12 Fotonation Vision Limited Face searching and detection in a digital image acquisition device
US8031961B2 (en) * 2007-05-29 2011-10-04 Hewlett-Packard Development Company, L.P. Face and skin sensitive image enhancement
US8385638B2 (en) * 2009-01-05 2013-02-26 Apple Inc. Detecting skin tone in images
US8358812B2 (en) * 2010-01-25 2013-01-22 Apple Inc. Image Preprocessing
US8638993B2 (en) * 2010-04-05 2014-01-28 Flashfoto, Inc. Segmenting human hairs and faces
EP2453383A1 (en) * 2010-11-12 2012-05-16 ST-Ericsson SA Facial features detection
US8705853B2 (en) * 2012-04-20 2014-04-22 Apple Inc. Detecting skin tone
CN103927719B (zh) * 2014-04-04 2017-05-17 北京猎豹网络科技有限公司 图片处理方法及装置
CN104156915A (zh) * 2014-07-23 2014-11-19 小米科技有限责任公司 肤色调整方法和装置
US9390478B2 (en) * 2014-09-19 2016-07-12 Intel Corporation Real time skin smoothing image enhancement filter
CN104732206A (zh) * 2015-03-12 2015-06-24 苏州阔地网络科技有限公司 一种人脸检测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251890A (zh) * 2008-03-13 2008-08-27 西安交通大学 基于多色域选择性形态学处理的视频图像肤色检测方法
CN101251898A (zh) * 2008-03-25 2008-08-27 腾讯科技（深圳）有限公司 一种肤色检测方法及装置
CN101344922A (zh) * 2008-08-27 2009-01-14 华为技术有限公司 一种人脸检测方法及其装置
CN101882223A (zh) * 2009-05-04 2010-11-10 青岛海信数字多媒体技术国家重点实验室有限公司 人体肤色的测评方法
CN102096823A (zh) * 2011-02-12 2011-06-15 厦门大学 基于高斯模型和最小均方差的人脸检测方法
CN102324020A (zh) * 2011-09-02 2012-01-18 北京新媒传信科技有限公司 人体肤色区域的识别方法和装置
CN103971344A (zh) * 2014-05-27 2014-08-06 广州商景网络科技有限公司 一种证件图像的肤色偏色校正方法及系统
CN104318558A (zh) * 2014-10-17 2015-01-28 浙江大学 复杂场景下基于多信息融合的手势分割方法

Also Published As

Publication number Publication date
US10489635B2 (en) 2019-11-26
EP3370204B1 (en) 2021-08-18
US20200065561A1 (en) 2020-02-27
EP3370204A4 (en) 2019-07-10
CN106611429A (zh) 2017-05-03
WO2017071219A1 (zh) 2017-05-04
US10783353B2 (en) 2020-09-22
EP3370204A1 (en) 2018-09-05
US20180018505A1 (en) 2018-01-18

Similar Documents

Publication Publication Date Title
CN106611429B (zh) 检测皮肤区域的方法和检测皮肤区域的装置
US9741137B2 (en) Image-based color palette generation
US9245350B1 (en) Image-based color palette generation
US9311889B1 (en) Image-based color palette generation
CN107423699B (zh) 活体检测方法及相关产品
EP3249606B1 (en) Inverse tone mapping method and corresponding device
WO2019052329A1 (zh) 人脸识别方法及相关产品
TWI632894B (zh) 動態影像之心率活動偵測系統與其方法
CN109791695A (zh) 基于图像块的运动向量确定所述块的方差
CN110458826B (zh) 环境亮度检测方法和装置
CN113507558B (zh) 去除图像眩光的方法、装置、终端设备和存储介质
US20160093028A1 (en) Image processing method, image processing apparatus and electronic device
JP2004310475A (ja) 画像処理装置、画像処理を行う携帯電話、および画像処理プログラム
CN104125397B (zh) 一种数据处理方法及电子设备
CN108550167B (zh) 深度图像生成方法、装置及电子设备
JP7171559B2 (ja) 画像内の投影領域及び／又はハイライト領域を推定する方法及び装置
CN111444555A (zh) 一种测温信息显示方法、装置及终端设备
WO2022179251A1 (zh) 图像处理方法及装置、电子设备、存储介质
WO2019210707A1 (zh) 一种图像清晰度评测方法、装置及电子设备
CN105447830B (zh) 动态视频图像清晰度强化方法及装置
CN113221767B (zh) 训练活体人脸识别模型、识别活体人脸的方法及相关装置
CN113284063A (zh) 图像处理方法、图像处理装置、电子设备和可读存储介质
CN111654686B (zh) 去除图像彩噪的方法、去除视频彩噪的方法及相关装置
US10218918B2 (en) Image processing device and method with image process effect selection based upon flow vector patterns
CN105469367B (zh) 动态视频图像清晰度强化方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant