CN107025441A - 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，方法包括：将待检测图像从RGB颜色空间转换到HSV颜色空间，获得HSV图像，采用预先训练的肤色概率模型依次对HSV图像中的所有HSV像素进行检测，获得HSV图像中的皮肤像素，肤色概率模型通过训练已知样本图像集合中的样本图像得到。已知样本图像集合包含N个不同光照强度下拍摄的图像，肤色概率模型包括不同HSV像素的肤色概率，肤色概率为N个光照强度中每一光照强度下的肤色概率值之和，每一光照强度下的肤色概率值为每一光照强度的先验概率与相应的光照强度下的肤色像素概率之积，N＞1。本公开可以准确地处理所有光照条件下的图像。

Description

肤色检测方法及装置

技术领域

本公开涉及图像处理领域，尤其涉及一种肤色检测方法及装置。

背景技术

肤色检测技术在人脸识别与跟踪、数字图像的处理与过滤、数据库或因特网中的人物检索和医疗诊断等方面有着广泛应用，具有显著的理论研究意义和实际应用价值。

相关技术中的肤色检测方法是，首先选取不同光照条件下的大量样本图片，将样本图片从RGB颜色空间转换到HSV颜色空间得到HSV图像，通过训练HSV图像得到HSV图像中的每一个HSV像素为肤色的肤色概率值，该肤色概率值为样本图像中肤色像素的个数与所有像素的比值，最后通过该肤色概率值来判定待检测图像中的皮肤像素。

然而，通过上述方法得到的肤色概率值是固定的，由于HSV像素受光照影响非常大，在光照发生变化时，不能准确地处理所有图像。

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。所述技术方案如下：

根据本公开实施例的第一方面，提供一种肤色检测方法，包括：

将待检测图像从RGB颜色空间转换到HSV颜色空间，获得HSV图像；

采用预先训练的肤色概率模型依次对所述HSV图像中的所有HSV像素进行检测，获得所述HSV图像中的皮肤像素，所述肤色概率模型通过训练已知样本图像集合中的样本图像得到；

其中，所述已知样本图像集合包含N个不同光照强度下拍摄的图像，所述肤色概率模型包括不同HSV像素的肤色概率，所述肤色概率为所述N个光照强度中每一光照强度下的肤色概率值之和，每一光照强度下的肤色概率值为每一光照强度的先验概率与相应的光照强度下的肤色像素概率之积，N＞1。

进一步地，还包括：

通过训练已知样本图像集合中的样本图像确定所述肤色概率模型。

进一步地，所述通过训练已知样本图像集合中的样本图像确定所述肤色概率模型，包括：

确定所述已知样本图像集合中的每一样本图像的所有皮肤像素的亮度平均值V_m，得到所有样本图像的V_m集合{V_m}，不同光照强度下的V_m不同；

采用聚类算法对{V_m}进行聚类，得到N个聚类中心U_i代表一样本图像拍摄时的光照强度；

确定每一光照强度的先验概率

其中，n_i为所述已知样本图像集合中光照强度为U_i的图像的个数，为所述已知样本图像集合中所有光照强度下的图像的个数；

通过下述公式计算HSV像素的肤色概率p(H,S,V)：

其中，p((H,S,V))|U_i)为光照强度为U_i时的肤色像素概率，p((H,S,V))U_i)等于光照强度为U_i时肤色像素个数与总的肤色像素个数的比值。

可选的，所述聚类算法为k-Means算法。

进一步地，所述采用预先训练的肤色概率依次对所述HSV图像中的所有HSV像素进行检测，获得所述HSV图像中的皮肤像素，包括：

遍历读取所述HSV图像中的每一HSV像素，从所述预先训练的肤色概率模型中查找对应的HSV像素的肤色概率，若查找到的HSV像素的肤色概率大于预设阈值，则确定为皮肤像素，遍历完成后，获得所述HSV图像中的皮肤像素。

本公开的实施例提供的技术方案可以包括以下有益效果：通过将待检测图像从RGB颜色空间转换到HSV颜色空间，获得HSV图像后，采用预先训练的肤色概率模型依次对HSV图像中的所有HSV像素进行检测，获得HSV图像中的皮肤像素，肤色概率模型通过训练已知样本图像集合中的样本图像得到，肤色概率模型包括不同HSV像素的肤色概率，肤色概率为N个光照强度中每一光照强度下的肤色概率值之和，每一光照强度下的肤色概率值为每一光照强度的先验概率与相应的光照强度下的肤色像素概率之积。通过在训练肤色概率模型时综合考虑不同的光照强度下HSV像素为肤色的肤色概率值，从而可以准确地处理所有光照条件下的图像。

根据本公开实施例的第二方面，提供一种肤色检测装置，包括：

转换模块，被配置为将待检测图像从RGB颜色空间转换到HSV颜色空间，获得HSV图像；

检测模块，被配置为采用预先训练的肤色概率模型依次对所述HSV图像中的所有HSV像素进行检测，获得所述HSV图像中的皮肤像素，所述肤色概率模型通过训练已知样本图像集合中的样本图像得到；

其中，所述已知样本图像集合包含N个不同光照强度下拍摄的图像，所述肤色概率模型包括不同HSV像素的肤色概率，所述肤色概率为所述N个光照强度中每一光照强度下的肤色概率值之和，每一光照强度下的肤色概率值为每一光照强度的先验概率与相应的光照强度下的肤色像素概率之积，N＞1。

进一步地，还包括：

确定模块，被配置为通过训练已知样本图像集合中的样本图像确定所述肤色概率模型。

进一步地，所述确定模块包括：

第一确定单元，被配置为确定所述已知样本图像集合中的每一样本图像的所有皮肤像素的亮度平均值V_m，得到所有样本图像的V_m集合{V_m}，不同光照强度下的V_m不同；

聚类单元，被配置为采用聚类算法对{V_m}进行聚类，得到N个聚类中心U_i代表一样本图像拍摄时的光照强度；

第二确定单元，被配置为确定每一光照强度的先验概率

其中，n_i为所述已知样本图像集合中光照强度为U_i的图像的个数，为所述已知样本图像集合中所有光照强度下的图像的个数；

计算单元，被配置为通过下述公式计算HSV像素的肤色概率p(H,S,V)：

其中，p((H,S,V))|U_i)为光照强度为U_i时的肤色像素概率，p((H,S,V))|U_i)等于光照强度为U_i时肤色像素个数与总的肤色像素个数的比值。

可选的，聚类算法为k-Means算法。

进一步地，检测模块被配置为：

遍历读取所述HSV图像中的每一HSV像素，从所述预先训练的肤色概率模型中查找对应的HSV像素的肤色概率，若查找到的HSV像素的肤色概率大于预设阈值，则确定为皮肤像素，遍历完成后，获得所述HSV图像中的皮肤像素。

本公开的实施例提供的技术方案可以包括以下有益效果：通过将待检测图像从RGB颜色空间转换到HSV颜色空间，获得HSV图像后，采用预先训练的肤色概率模型依次对HSV图像中的所有HSV像素进行检测，获得HSV图像中的皮肤像素，肤色概率模型通过训练已知样本图像集合中的样本图像得到，肤色概率模型包括不同HSV像素的肤色概率，肤色概率为N个光照强度中每一光照强度下的肤色概率值之和，每一光照强度下的肤色概率值为每一光照强度的先验概率与相应的光照强度下的肤色像素概率之积。通过在训练肤色概率模型时综合考虑不同的光照强度下HSV像素为肤色的肤色概率值，从而可以准确地处理所有光照条件下的图像。

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和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种肤色检测方法的流程图。

图2是根据一示例性实施例示出的一种肤色检测方法的流程图。

图3是根据一示例性实施例示出的一种肤色检测装置的框图。

图4是根据一示例性实施例示出的一种肤色检测装置的框图。

图5是根据一示例性实施例示出的一种肤色检测装置的框图。

图6是根据一示例性实施例示出的一种肤色检测装置的框图。

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

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

相关技术中，首先选取不同光照条件下的大量样本图片，将样本图片从RGB颜色空间转换到HSV颜色空间得到HSV图像，通过训练HSV图像得到HSV图像中的每一个HSV像素为肤色的肤色概率值，该肤色概率值为样本图像中肤色像素的个数与所有像素的比值，最后通过该肤色概率值来判定待检测图像中的皮肤像素。其并未考虑不同的光照强度下HSV像素为肤色的肤色概率值是不同的，HSV像素受光照影响非常大，在光照发生变化时，上述方法不能准确地处理所有图像。本公开中，通过在训练肤色概率模型时综合考虑不同的光照强度下HSV像素为肤色的肤色概率值，从而可以准确地处理所有光照条件下的图像。下面结合附图详细介绍本公开的肤色检测方法。

图1是根据一示例性实施例示出的一种肤色检测方法的流程图，该肤色检测方法可以包括如下步骤。

在步骤S11中，将待检测图像从RGB颜色空间转换到HSV颜色空间，获得HSV图像。

在色彩空间中，皮肤颜色的分布较为集中，与其他景物颜色间有较好的可区分性。彩色图像常用RGB三分量的值来表示，RGB颜色空间是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，但是RGB三分量之间常有很高的相关性，对RGB分量直接使用阈值分割法，常常不能得到所需的肤色检测效果，所以需将RGB图像变换到HSV颜色空间中。在HSV颜色空间中，H(Hue)表示色调，S(Saturaton)表示色彩饱和度，V(Value)表示色彩的明亮强度。其优点是将原本相关性很强R、G、B值转换为相关性较弱的H、S、V值，且H和S分量与人对色彩的感知相一致，因此在此基础上的变换模型应用非常广泛。经过HSV变换后，就可以对图像进行肤色的检测。经转换获得HSV图像后，H、S、V分别为转换后每一HSV像素对应的颜色值。

在步骤S12中，采用预先训练的肤色概率模型依次对HSV图像中的所有HSV像素进行检测，获得HSV图像中的皮肤像素，肤色概率模型通过训练已知样本图像集合中的样本图像得到。其中，已知样本图像集合包含N个不同光照强度下拍摄的图像，肤色概率模型包括不同HSV像素的肤色概率，肤色概率为N个光照强度中每一光照强度下的肤色概率值之和，每一光照强度下的肤色概率值为每一光照强度的先验概率与相应的光照强度下的肤色像素概率之积，N＞1。其中，样本图像集合包含的N个不同光照强度可以是逐级升高或递减。

具体地，HSV图像由多个HSV像素组成，采用预先训练的肤色概率依次对HSV图像中的所有HSV像素进行检测，获得HSV图像中的皮肤像素，具体为：

遍历读取HSV图像中的每一HSV像素，从预先训练的肤色概率模型中查找对应的HSV像素的肤色概率，若查找到的HSV像素的肤色概率大于预设阈值，则确定为皮肤像素，遍历完成后，获得HSV图像中的皮肤像素。例如，遍历到HSV图像中的第一个HSV像素，从预先训练的肤色概率模型中查找到对应该HSV像素的肤色概率是0.7，预设阈值为0.55，0.7大于0.55，则确定该第一个HSV像素是皮肤像素，后续遍历检测的过程相同，最终遍历完成后，获得HSV图像中的皮肤像素。

进一步地，还包括：

在步骤S13中、通过训练已知样本图像集合中的样本图像确定肤色概率模型。

具体来说，通过训练已知样本图像集合中的样本图像确定肤色概率模型，本实施例中的一种具体的实施方式为：

S131、确定已知样本图像集合中的每一样本图像的所有皮肤像素的亮度平均值V_m，得到所有样本图像的V_m集合{V_m}，不同光照强度下的V_m不同。

其中，HSV颜色空间的V值表示一个HSV像素的亮度值。对于样本图像，可以用一样本图像中的所有皮肤像素的V值的平均值来表示该样本图像在拍摄时的光照强度(也即光照条件)，V_m表示V值的平均值。光照条件例如包括室内、室外、暗室、强光、楼道等。

S132、采用聚类算法对{V_m}进行聚类，得到N个聚类中心U_i代表一样本图像拍摄时的光照强度。

本实施例中，聚类算法可以为k-Means算法。k-Means算法接受输入量k，然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高，而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”(引力中心)来进行计算的。

S133、确定每一光照强度的先验概率

其中，n_i为已知样本图像集合中光照强度为U_i的图像的个数，为已知样本图像集合中所有光照强度下的图像的个数。每一光照强度的先验概率即为每一光照强度在样本图像集合的所有样本图像中出现的概率。

S134、通过下述公式计算HSV像素的肤色概率p(H,S,V)。

其中，p((H,S,V))|U_i)为光照强度为U_i时的肤色像素概率，p((H,S,V))|U_i)等于光照强度为U_i时肤色像素个数与总的肤色像素个数的比值。具体地，在某一个光照条件U_i下，统计样本图像中不同的肤色像素(H，S，V)值的个数，然后除以总的肤色像素的个数，就可以得到(H，S，V)值在光照条件U_i下的肤色像素概率。

本实施例提供的肤色检测方法，通过将待检测图像从RGB颜色空间转换到HSV颜色空间，获得HSV图像后，采用预先训练的肤色概率模型依次对HSV图像中的所有HSV像素进行检测，获得HSV图像中的皮肤像素，肤色概率模型通过训练已知样本图像集合中的样本图像得到，肤色概率模型包括不同HSV像素的肤色概率，肤色概率为N个光照强度中每一光照强度下的肤色概率值之和，每一光照强度下的肤色概率值为每一光照强度的先验概率与相应的光照强度下的肤色像素概率之积。本实施例中，通过在训练肤色概率模型时综合考虑不同的光照强度下HSV像素为肤色的肤色概率值，从而可以准确地处理所有光照条件下的图像。

图2是根据一示例性实施例示出的一种肤色检测方法的流程图，该肤色检测方法可以包括如下步骤。

在步骤S21中，确定已知样本图像集合中的每一样本图像的所有皮肤像素的亮度平均值V_m，得到所有样本图像的V_m集合{V_m}，不同光照强度下的V_m不同。

在步骤S22中，采用k-Means算法对{V_m}进行聚类，得到N个聚类中心U_i代表一样本图像拍摄时的光照强度。

在步骤S23中，确定每一光照强度的先验概率

其中，n_i为已知样本图像集合中光照强度为U_i的图像的个数，为已知样本图像集合中所有光照强度下的图像的个数。每一光照强度的先验概率即为每一光照强度在样本图像集合的所有样本图像中出现的概率。

在步骤S24中，通过下述公式计算HSV像素的肤色概率p(H,S,V)，得到肤色概率模型，肤色概率模型包括不同HSV像素的肤色概率。

其中，p((H,S,V))|U_i)为光照强度为U_i时的肤色像素概率，p((H,S,V))|U_i)等于光照强度为U_i时肤色像素个数与总的肤色像素个数的比值。具体地，在某一个光照条件U_i下，统计样本图像中不同的肤色像素(H，S，V)值的个数，然后除以总的肤色像素的个数，就可以得到(H，S，V)值在光照条件U_i下的肤色像素概率。

在步骤S25中，获取到待检测图像后，将待检测图像从RGB颜色空间转换到HSV颜色空间，获得HSV图像。

在步骤S26中，采用步骤S24中得到的肤色概率模型依次对HSV图像中的所有HSV像素进行检测，获得HSV图像中的皮肤像素。

具体地，HSV图像由多个HSV像素组成，遍历读取HSV图像中的每一HSV像素，从预先训练的肤色概率模型中查找对应的HSV像素的肤色概率，若查找到的HSV像素的肤色概率大于预设阈值，则确定为皮肤像素，遍历完成后，获得HSV图像中的皮肤像素。例如，遍历到HSV图像中的第一个HSV像素，从预先训练的肤色概率模型中查找到对应该HSV像素的肤色概率是0.7，预设阈值为0.55，0.7大于0.55，则确定该第一个HSV像素是皮肤像素，后续遍历检测的过程相同，最终遍历完成后，获得HSV图像中的皮肤像素。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是根据一示例性实施例示出的一种肤色检测装置的框图。该肤色检测装置可以通过软件、硬件或者两者的结合实现成为终端设备的部分或者全部。参照图3，该装置包括：转换模块11和检测模块12。

转换模块11被配置为将待检测图像从RGB颜色空间转换到HSV颜色空间，获得HSV图像。

检测模块12被配置为采用预先训练的肤色概率模型依次对HSV图像中的所有HSV像素进行检测，获得HSV图像中的皮肤像素，肤色概率模型通过训练已知样本图像集合中的样本图像得到。

其中，已知样本图像集合包含N个不同光照强度下拍摄的图像，肤色概率模型包括不同HSV像素的肤色概率，肤色概率为N个光照强度中每一光照强度下的肤色概率值之和，每一光照强度下的肤色概率值为每一光照强度的先验概率与相应的光照强度下的肤色像素概率之积，N＞1。

综上，本实施例提供的装置，通过将待检测图像从RGB颜色空间转换到HSV颜色空间，获得HSV图像后，采用预先训练的肤色概率模型依次对HSV图像中的所有HSV像素进行检测，获得HSV图像中的皮肤像素，肤色概率模型通过训练已知样本图像集合中的样本图像得到，肤色概率模型包括不同HSV像素的肤色概率，肤色概率为N个光照强度中每一光照强度下的肤色概率值之和，每一光照强度下的肤色概率值为每一光照强度的先验概率与相应的光照强度下的肤色像素概率之积。通过在训练肤色概率模型时综合考虑不同的光照强度下HSV像素为肤色的肤色概率值，从而可以准确地处理所有光照条件下的图像。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图4是根据一示例性实施例示出的一种肤色检测装置的框图。参照图4，本实施例的装置在图3所示装置的基础上，进一步地，还可以包括：确定模块13，被配置为通过训练已知样本图像集合中的样本图像确定肤色概率模型。

图5是根据一示例性实施例示出的一种肤色检测装置的框图。参照图5，本实施例的装置在图4所示装置的基础上，进一步地，确定模块13包括：

第一确定单元131，被配置为确定已知样本图像集合中的每一样本图像的所有皮肤像素的亮度平均值V_m，得到所有样本图像的V_m集合{V_m}，不同光照强度下的V_m不同。

聚类单元132，被配置为采用聚类算法对{V_m}进行聚类，得到N个聚类中心U_i代表一样本图像拍摄时的光照强度。可选的，聚类算法为k-Means算法。

第二确定单元133，被配置为确定每一光照强度的先验概率

其中，n_i为已知样本图像集合中光照强度为U_i的图像的个数，为已知样本图像集合中所有光照强度下的图像的个数。

计算单元134，被配置为通过下述公式计算HSV像素的肤色概率p(H,S,V)：

其中，p((H,S,V))|U_i)为光照强度为U_i时的肤色像素概率，p((H,S,V))|U_i)等于光照强度为U_i时肤色像素个数与总的肤色像素个数的比值。

进一步地，检测模块12被配置为：遍历读取HSV图像中的每一HSV像素，从预先训练的肤色概率模型中查找对应的HSV像素的肤色概率，若查找到的HSV像素的肤色概率大于预设阈值，则确定为皮肤像素，遍历完成后，获得HSV图像中的皮肤像素。

图6是根据一示例性实施例示出的一种肤色检测装置的框图。例如，肤色检测装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图6，肤色检测装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)接口812，传感器组件814，以及通信组件816。

处理组件802通常控制肤色检测装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由装置800的处理器执行时，使得装置800能够执行一种肤色检测方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求书指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。

Claims (11)

1.一种肤色检测方法，其特征在于，包括：

将待检测图像从RGB颜色空间转换到HSV颜色空间，获得HSV图像；

采用预先训练的肤色概率模型依次对所述HSV图像中的所有HSV像素进行检测，获得所述HSV图像中的皮肤像素，所述肤色概率模型通过训练已知样本图像集合中的样本图像得到；

其中，所述已知样本图像集合包含N个不同光照强度下拍摄的图像，所述肤色概率模型包括不同HSV像素的肤色概率，所述肤色概率为所述N个光照强度中每一光照强度下的肤色概率值之和，每一光照强度下的肤色概率值为每一光照强度的先验概率与相应的光照强度下的肤色像素概率之积，N＞1。

2.根据权利要求1所述的方法，其特征在于，还包括：

通过训练已知样本图像集合中的样本图像确定所述肤色概率模型。

3.根据权利要求2所述的方法，其特征在于，所述通过训练已知样本图像集合中的样本图像确定所述肤色概率模型，包括：

确定所述已知样本图像集合中的每一样本图像的所有皮肤像素的亮度平均值V_m，得到所有样本图像的V_m集合{V_m}，不同光照强度下的V_m不同；

采用聚类算法对{V_m}进行聚类，得到N个聚类中心U_i代表一样本图像拍摄时的光照强度；

确定每一光照强度的先验概率

其中，n_i为所述已知样本图像集合中光照强度为U_i的图像的个数，为所述已知样本图像集合中所有光照强度下的图像的个数；

通过下述公式计算HSV像素的肤色概率p(H,S,V)：

其中，p((H,S,V))|U_i)为光照强度为U_i时的肤色像素概率，p((H,S,V))|U_i)等于光照强度为U_i时肤色像素个数与总的肤色像素个数的比值。

4.根据权利要求3所述的方法，其特征在于，所述聚类算法为k-Means算法。

5.根据权利要求1～4任一项所述的方法，其特征在于，所述采用预先训练的肤色概率依次对所述HSV图像中的所有HSV像素进行检测，获得所述HSV图像中的皮肤像素，包括：

遍历读取所述HSV图像中的每一HSV像素，从所述预先训练的肤色概率模型中查找对应的HSV像素的肤色概率，若查找到的HSV像素的肤色概率大于预设阈值，则确定为皮肤像素，遍历完成后，获得所述HSV图像中的皮肤像素。

6.一种肤色检测装置，其特征在于，包括：

转换模块，被配置为将待检测图像从RGB颜色空间转换到HSV颜色空间，获得HSV图像；

检测模块，被配置为采用预先训练的肤色概率模型依次对所述HSV图像中的所有HSV像素进行检测，获得所述HSV图像中的皮肤像素，所述肤色概率模型通过训练已知样本图像集合中的样本图像得到；

其中，所述已知样本图像集合包含N个不同光照强度下拍摄的图像，所述肤色概率模型包括不同HSV像素的肤色概率，所述肤色概率为所述N个光照强度中每一光照强度下的肤色概率值之和，每一光照强度下的肤色概率值为每一光照强度的先验概率与相应的光照强度下的肤色像素概率之积，N＞1。

7.根据权利要求6所述的装置，其特征在于，还包括：

确定模块，被配置为通过训练已知样本图像集合中的样本图像确定所述肤色概率模型。

8.根据权利要求7所述的装置，其特征在于，所述确定模块包括：

第一确定单元，被配置为确定所述已知样本图像集合中的每一样本图像的所有皮肤像素的亮度平均值V_m，得到所有样本图像的V_m集合{V_m}，不同光照强度下的V_m不同；

聚类单元，被配置为采用聚类算法对{V_m}进行聚类，得到N个聚类中心U_i代表一样本图像拍摄时的光照强度；

第二确定单元，被配置为确定每一光照强度的先验概率

其中，n_i为所述已知样本图像集合中光照强度为U_i的图像的个数，为所述已知样本图像集合中所有光照强度下的图像的个数；

计算单元，被配置为通过下述公式计算HSV像素的肤色概率p(H,S,V)：

其中，p((H,S,V))|U_i)为光照强度为U_i时的肤色像素概率，p((H,S,V))|U_i)等于光照强度为U_i时肤色像素个数与总的肤色像素个数的比值。

9.根据权利要求8所述的装置，其特征在于，所述聚类算法为k-Means算法。

10.根据权利要求6～9任一项所述的装置，其特征在于，所述检测模块被配置为：

遍历读取所述HSV图像中的每一HSV像素，从所述预先训练的肤色概率模型中查找对应的HSV像素的肤色概率，若查找到的HSV像素的肤色概率大于预设阈值，则确定为皮肤像素，遍历完成后，获得所述HSV图像中的皮肤像素。

11.一种肤色检测装置，其特征在于，包括：

处理器；

用于存储所述处理器的可执行指令的存储器；

其中，所述处理器被配置为：

将待检测图像从RGB颜色空间转换到HSV颜色空间，获得HSV图像；

采用预先训练的肤色概率模型依次对所述HSV图像中的所有HSV像素进行检测，获得所述HSV图像中的皮肤像素，所述肤色概率模型通过训练已知样本图像集合中的样本图像得到；

其中，所述已知样本图像集合包含N个不同光照强度下拍摄的图像，所述肤色概率模型包括不同HSV像素的肤色概率，所述肤色概率为所述N个光照强度中每一光照强度下的肤色概率值之和，每一光照强度下的肤色概率值为每一光照强度的先验概率与相应的光照强度下的肤色像素概率之积，N＞1。