CN107742104A - 一种基于肤色模型的人脸检测的方法 - Google Patents
一种基于肤色模型的人脸检测的方法 Download PDFInfo
- Publication number
- CN107742104A CN107742104A CN201710964811.7A CN201710964811A CN107742104A CN 107742104 A CN107742104 A CN 107742104A CN 201710964811 A CN201710964811 A CN 201710964811A CN 107742104 A CN107742104 A CN 107742104A
- Authority
- CN
- China
- Prior art keywords
- complexion model
- skin
- image
- face
- face datection
- 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.)
- Withdrawn
Links
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于肤色模型的人脸检测的方法,包括以下步骤:1)选用YCbCr颜色空间;2)采用芬兰奥卢大学基于物理的人脸图像数据库;3)对数据库进行统计分析,利用多项式曲线拟合建立的肤色模型;4)通过肤色模型直接将一幅彩色图像转换为二值图像;5)通过形态滤波消除二值图像中的误差;该基于肤色模型的人脸检测的方法能够准确、快速完成皮肤检测。
Description
技术领域
本发明具体涉及一种基于肤色模型的人脸检测的方法。
背景技术
要准确的检测并能够实时跟踪到图像中的瞳孔,需要首先确定图像中的人脸区域,然后再在人脸区域内进一步检测、定位瞳孔的方法,这样不仅可以提高检测的精度,更能大大缩小瞳孔检测的区域,提高检测速度。
人脸检测问题是一个有较大挑战性的课题,因为人脸包括五官、毛发等极不规则的复杂待测目标,而且采集的图像很容易受到各种条件变化以及各种噪声影响,主要表现为:1)受外貌、表情、肤色等因素的影响,人脸具有很大可变性;2)很多情况下脸上可能存在眼镜、胡须以及装饰品等附属物;3)头部运动会造成图像中人脸位置、角度等发生变化;4)不同光照条件对图像中人脸图像产生影响,亮度变化范围很大;5)不同图像中人脸尺寸、位置以及背景噪声等各不相同。
由此可见快速、准确的完成人脸检测是存在很大困难的。
发明内容
本发明的目的是提供一种能够准确、快速完成皮肤检测的人脸检测的方法。
为了解决上述技术问题,本发明的技术方案是:
一种基于肤色模型的人脸检测的方法,包括以下步骤:
1)选用YCbCr颜色空间;
2)采用芬兰奥卢大学基于物理的人脸图像数据库;
3)对数据库进行统计分析,利用多项式曲线拟合建立的肤色模型;
4)通过肤色模型直接将一幅彩色图像转换为二值图像;
5)通过形态滤波消除二值图像中的误差。
进一步的,在步骤3)中,所采用的分析方式为采集的不同光照条件、不同肤色图像中人脸皮肤颜色在YCbCr颜色空间中色度分量(Cb,Cr)的分布情况,得到肤色模型中皮肤颜色Cb,Cr色度分量的分布图。
进一步的,在步骤4)中,二值图像在显示时,非皮肤区域转换为RGB(0,0,0)即黑色,皮肤区域转换为RGB(255,255,255)白色。
进一步的,在步骤5)中,所采用的形态滤波方法包括有腐蚀运算、膨胀运算、开运算与闭运算。
本发明技术效果主要体现在以下方面:由于皮肤检测结果准确,在预处理过程就基本去掉了绝大部分假脸部皮肤区域,间接加快了检测速度。基于肤色模型的人脸检测算法中,直接由彩色图像经肤色模型判断得到皮肤点和非皮肤点,经过形态滤波后得到整个脸部皮肤区域;检测速度能够满足实时性要求。
具体实施方式
在本实施例中,需要说明的是,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
另,在本具体实施方式中如未特别说明部件之间的连接或固定方式,其连接或固定方式均可为通过现有技术中常用的螺栓固定或钉销固定,或销轴连接等方式,因此,在本实施例中不再详述。
实施例
在彩色域中建立一个准确、高效肤色模型首先要选取一种合适的色彩空间。这个色彩空间不仅要求能够区分“肤色”和“非肤色”区域,而且要求检测出来的“肤色”和“非肤色”区域的重叠程度尽可能小,同时为避免图像中皮肤颜色受光照条件变化影响,所选取的色彩空间要求能够将表示皮肤颜色的色度信息与随光照条件变化大的亮度信息分离出来〔m。通过颜色空间比较以及前人的研究,YCbCr色彩空间具有如下一些优点:
1)YCbCr色彩空间具有与人类视觉感知过程相类似的构成原理。
2)YCbCr色彩空间被广泛的应用在电视显示等领域中,也是许多视频压缩编码,可以避免额外色彩空间转换的计算。
3)YCbCr色彩空间具有与HSI等其他一些色彩空间相类似的将色彩中的亮度分量分离出来的优点,尽量减小亮度的影响。
4)YCbCr色彩空间的计算过程和空间坐标表示形式比较简单,可以由计算机中表示图像所采用的RGB颜色系统直接经线性变换得到。
5)研究结果表明在YCbCr色彩空间中肤色的聚类特性较好。
新肤色模型的建立
常用的肤色模型有高斯模型、混合高斯模型和直方图模型等。检测模型都是基于统计特征而给出了一个很不精确的色度值范围,例如在有的皮肤检测方法中限定Cr=[134,183]}Cb=[86}137],这样的模型很不精确,从而造成T皮肤检测效果的不理想,直接影响到后续如瞳孔定位等脸部特征提取的准确性和检测速度。
实验表明,原有的皮肤检测模型能够检测出有些图像中的皮肤区域,但对图像中背景颜色和皮肤颜色差异不大情况的检测效果就很不好,一般情况下也不能检测出脸部特征的一些细节(如不检测出嘴唇部位以及眉毛等细节特征),而且由于模型的不精确使得皮肤检测结果的误检率很高。
本申请使用了芬兰奥卢大学基于物理的人脸图像数据库,该人脸图像数据库由奥卢大学电子工程系机器视觉和多媒体处理实验室建立。该数据库包含了A(Planckian2856K),H(Planckian2300K),TL84(F11),D65(Daylight6500K)四种光照条件组合的所有16种不同光线条件下人脸图像。整个人脸图像数据库还包括了黄色人种、白色人种和黑色人种等125个不同肤色的拍照对象,以及戴眼镜和不戴眼镜情况下2300多副图像。图像格式24位位图格式,大小为428x569象素。
利用上述芬兰奥卢大学基于物理的人脸数据库,共采集数据库中200幅包含了所有光照条件下的图像中所有不同肤色人种的皮肤数据40000多个,经统计分析采集的不同光照条件、不同肤色图像中人脸皮肤颜色在YCbCr颜色空间中色度分量(Cb,Cr)的分布情况,最终得到本模型中皮肤颜色Cb,Cr色度分量的分布图。
经统计分析,利用多项式曲线拟合可建立一个更加精确的数学模型,最终得到本论文建立和使用的肤色模型如下:
将Cr色度分量的边界限定为:
Cr一【137.37,180.02
容易得到,Cb色度分量的上下边界分别为:
-0.00052773Cr3+0.2456Cr2-38.562Cr+2164.8
0.000089875Cr4-0.054561Cr3+12.417Cr2-1256.3Cr+47798
通过上述肤色模型,我们将一幅彩色图像中的每一个象素值判定为皮肤点和非皮肤点。即可以直接将一幅彩色图像转换为二值图像,其中o}1分别表示非皮肤区域和皮肤区域。显示时,非皮肤区域转换为RGB(0,0,0)即黑色,皮肤区域转换为RGB(255,255,255)白色。
完成皮肤检测后的二值图像会存在两种情况下的误差,一种是由于噪声的引入被误判为肤色的孤立点或小块孤立区域;另一种是由于图像中的人脸区域内的肤色点存在着一定的差异,被误判为非肤色点。为消除这些误差必须对进行皮肤检测后的图像进行形态滤波。
形态派波
数学形态学(Mathematical Morphology)分析几何形状和结构的数学方法,是建立在集论基础上,用集合论方法定量描述几何结构的学科。是几何形态学分析和描述的有力工具。自Matheron和Serra等人提出数学形态学以来,经过许多人在理论和应用方面的研究,使它逐渐成为分析图像几何特征的有力工具[63-b5]0在计算机文字识别、计算机显微图像分析(如定量金相分析、颗粒分析等)、医学图像处理、工业检测(如印刷电路板自动检测等)、机器人视觉等方面都取得了广泛的应用;在计算机图像处理的许多方面如图像增强、恢复、边缘检测、纹理分析、成分分析等各个方面都有着很好的应用。
数学形态学是由一组形态学的代数运算子组成的。最基本的形态学算子有:腐蚀(Erosion)、膨胀(Delation)、开(Opening)和闭(Closing)。用这些算子及其组合来进行图像形状和结构的分析及处理,主要包括图像分割、特征提取、边界检测、图像滤波、图像增强和恢复等方面分工作。
腐蚀运算在数学形态学中作用是消除物体边界点。通过腐蚀运算可以消除一些皮肤检测过程中的错误判定为皮肤点的非皮肤点。
对一个给定的目标图像A和一个结构元素B,将B在图像上移动,在每一个当前位置x,B[x]只有三种可能的状态:
(1)B[x]c A;
(2)B[x]c A;
(3)B[x]n A与B[x]n A均不为空。
第一种情形说明B[x]与A相关性最大;第二种情形说明B[x]与A不相关:而第三种情形说明B[x]与A只是部分相关。因而满足第一种情形的点x全体构成结构元素B与图像A的最大相关点集。我们称这个点集为B对A的腐蚀,引入腐蚀运算符“O",A用B来腐蚀记作AOB。用集合的方式定义为:
A O B={x I B[x]二A}
该式表明,A用B腐蚀的结果是所有满足将B平移x后,B仍包含在A中的所有点x的集合。
腐蚀可以把小于结构元素的物体去除。通过选取不同大小的结构元素,就可以去除掉不同大小的物体,因此在不同情形下应选取合适的不同大小的结构元素。
膨胀运算在数学形态学中的作用是把周围的点合并到物体中。通过膨胀运算就可以合并一些皮肤检测过程中的错误分割点。
引入膨胀运算符“.;假定图像集合A中的每一个点x用结构元素B来膨胀,记为A.B,它定义为:
A.B={x}[B(x)(1A,}i}}
其中,户表示B的映像,即B关于原点对称的集合。此式也表明用结构元素B对图像集合A进行膨胀运算的过程是:首先对B作关于原点的映射,再将其映像平移x。
在腐蚀和膨胀两个基本运算的基础上,我们可以构造出形态学的运算族,它由上述两个运算的复合和集合操作(并、交、补等)组合成的所有运算构成。其中两个最重要的组合运算是形态学开运算和闭运算。
将膨胀和腐蚀级连结合使用,对于图像A和结构元素B,用A0B表示A对B的开运算,A"B表示A对B的闭运算,可以得到开运算和闭运算的定义:
A0B=(AOB).B
A.B=(A.B)OB(2-15)
因此,开运算A0B可视为对腐蚀图像AOB用膨胀来进行恢复。闭运算A"B可视为对膨胀图像AeB用腐蚀来进行恢复。不过,这种恢复不是信息完全无损的,即它们通常不等于原始图像Ao为保持原始图像A的尺寸不变,只是消除图像中的噪声点,文中选择开运算,即经过腐蚀的图像上用同样的结构元素在进行一次膨胀运算。经形态滤波后的皮肤区域可以表示为:
班(x}Y)=p(x}Y)0B
式中p(x}Y)表示滤波前的皮肤区域,B为结构元素。也就是对p(x}Y)用结构元素B进行腐蚀,在进行一次膨胀。
本发明技术效果主要体现在以下方面:由于皮肤检测结果准确,在预处理过程就基本去掉了绝大部分假脸部皮肤区域,间接加快了检测速度。基于肤色模型的人脸检测算法中,直接由彩色图像经肤色模型判断得到皮肤点和非皮肤点,经过形态滤波后得到整个脸部皮肤区域;检测速度能够满足实时性要求。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于肤色模型的人脸检测的方法,其特征在于,包括以下步骤:
1)选用YCbCr颜色空间;
2)采用芬兰奥卢大学基于物理的人脸图像数据库;
3)对数据库进行统计分析,利用多项式曲线拟合建立的肤色模型;
4)通过肤色模型直接将一幅彩色图像转换为二值图像;
5)通过形态滤波消除二值图像中的误差。
2.根据权利要求1所述的基于肤色模型的人脸检测的方法,其特征在于:在步骤3)中,所采用的分析方式为采集的不同光照条件、不同肤色图像中人脸皮肤颜色在YCbCr颜色空间中色度分量(Cb,Cr)的分布情况,得到肤色模型中皮肤颜色Cb,Cr色度分量的分布图。
3.根据权利要求1所述的基于肤色模型的人脸检测的方法,其特征在于:在步骤4)中,二值图像在显示时,非皮肤区域转换为RGB(0,0,0)即黑色,皮肤区域转换为RGB(255,255,255)白色。
4.根据权利要求1所述的基于肤色模型的人脸检测的方法,其特征在于:在步骤5)中,所采用的形态滤波方法包括有腐蚀运算、膨胀运算、开运算与闭运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710964811.7A CN107742104A (zh) | 2017-10-17 | 2017-10-17 | 一种基于肤色模型的人脸检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710964811.7A CN107742104A (zh) | 2017-10-17 | 2017-10-17 | 一种基于肤色模型的人脸检测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107742104A true CN107742104A (zh) | 2018-02-27 |
Family
ID=61237429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710964811.7A Withdrawn CN107742104A (zh) | 2017-10-17 | 2017-10-17 | 一种基于肤色模型的人脸检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107742104A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063588A (zh) * | 2018-07-11 | 2018-12-21 | 深圳合纵视界技术有限公司 | 一种基于人脸框提取图像中人脸部肤色的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714328A (zh) * | 2013-12-31 | 2014-04-09 | 江苏图云智能科技发展有限公司 | 人脸检测的Adaboost算法 |
-
2017
- 2017-10-17 CN CN201710964811.7A patent/CN107742104A/zh not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714328A (zh) * | 2013-12-31 | 2014-04-09 | 江苏图云智能科技发展有限公司 | 人脸检测的Adaboost算法 |
Non-Patent Citations (1)
Title |
---|
党治: "实时瞳孔检测与跟踪方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063588A (zh) * | 2018-07-11 | 2018-12-21 | 深圳合纵视界技术有限公司 | 一种基于人脸框提取图像中人脸部肤色的方法 |
CN109063588B (zh) * | 2018-07-11 | 2021-03-09 | 深圳棱镜空间智能科技有限公司 | 一种基于人脸框提取图像中人脸部肤色的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cho et al. | Adaptive skin-color filter | |
Li et al. | Example-based image colorization using locality consistent sparse representation | |
CN104318558B (zh) | 复杂场景下基于多信息融合的手势分割方法 | |
Li et al. | Face detection in complex background based on skin color features and improved AdaBoost algorithms | |
CN112906550B (zh) | 一种基于分水岭变换的静态手势识别方法 | |
CN112634125A (zh) | 一种基于离线人脸数据库的自动面部替换方法 | |
CN109886195A (zh) | 基于深度相机近红外单色灰度图的皮肤识别方法 | |
Paul et al. | PCA based geometric modeling for automatic face detection | |
Montenegro et al. | A comparative study of color spaces in skin-based face segmentation | |
CN107742104A (zh) | 一种基于肤色模型的人脸检测的方法 | |
Ancuti et al. | Decolorizing images for robust matching | |
Dwina et al. | Skin segmentation based on improved thresholding method | |
Tan et al. | Gesture segmentation based on YCb'Cr'color space ellipse fitting skin color modeling | |
Soontranon et al. | Face and hands localization and tracking for sign language recognition | |
Parente et al. | Assessing facial image accordance to ISO/ICAO requirements | |
Zhang et al. | Content-based superpixel segmentation and matching using its region feature descriptors | |
Zhao et al. | A novel approach to hand gesture contour detection based on GVF Snake model and skin color elliptical model | |
Kryszczuk et al. | Color correction for face detection based on human visual perception metaphor | |
Abdallah et al. | Different techniques of hand segmentation in the real time | |
Jang et al. | Skin region segmentation using an image-adapted colour model | |
CN110956095A (zh) | 一种基于角点肤色检测的多尺度人脸检测方法 | |
Ghimire et al. | A lighting insensitive face detection method on color images | |
Porle et al. | Performance of histogram-based skin colour segmentation for arms detection in human motion analysis application | |
Kumar et al. | Face Recognition and Detection from Group Photograph | |
Ma'asum et al. | Comparative study of segmentation technique for hand gesture recognition system |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180227 |
|
WW01 | Invention patent application withdrawn after publication |