CN113095147A - 皮肤区域检测方法、系统、图像处理终端和存储介质 - Google Patents
皮肤区域检测方法、系统、图像处理终端和存储介质 Download PDFInfo
- Publication number
- CN113095147A CN113095147A CN202110280360.1A CN202110280360A CN113095147A CN 113095147 A CN113095147 A CN 113095147A CN 202110280360 A CN202110280360 A CN 202110280360A CN 113095147 A CN113095147 A CN 113095147A
- Authority
- CN
- China
- Prior art keywords
- clustering
- face image
- cluster
- blocks
- color
- 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.)
- Pending
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开一种皮肤区域检测方法,包括:获取原始人脸图像,将原始人脸图像转换至Lab颜色空间,获取颜色空间人脸图像,对原始人脸图像进行sobel边缘检测,获取梯度人脸图像;根据梯度人脸图像获取颜色空间人脸图像的多个聚类中心,根据多个聚类中心生成包括多个聚类块的颜色聚类图像;对原始人脸图像进行人脸识别,获取人脸特征点,根据人脸特征点从多个聚类块中选择种子聚类块;根据多个种子聚类块的边界像素将多个聚类块进行合并,根据合并的结果获取皮肤区域。本发明还公开了皮肤区域检测系统、拍照设备和存储介质。本发明可以提升皮肤区域检测的稳定性和可靠性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及皮肤区域检测方法、系统、图像处 理终端和存储介质。
背景技术
随着经济的蓬勃发展,以及各行各业技术的持续革新,人民生活水平也得到 了不断提高。自助拍照设备的创新应用,也给申请证件照的人们带来了很方便的 体验。但是相关国家相关机关部门对拍摄出来的照片效果是有一定要求的,其中, 照片中人物肤色的要求标准就是一方面。有很多因素会影响到肤色差异,例如, 摄像头参数、拍照灯光氛围、人物自身皮肤状态(人种、颜色、是否化妆、皮肤 亮度等)都会使照片中的人物肤色效果偏离标准要求。现有些肤色检测技术是通 过建立肤色模型,通过肤色模型分析各个像素是否满足模型要求,以此判断像素 点是否属于皮肤区域,但是很容易将一些衣服或者背景误识别为皮肤区域。
发明内容
基于此,有必要针对上述问题,提出了皮肤区域检测方法、系统、图像处理 终端和存储介质。
一种皮肤区域检测方法,包括:获取原始人脸图像,将所述原始人脸图像转 换至Lab颜色空间,获取颜色空间人脸图像,对所述原始人脸图像进行sobel边 缘检测,获取梯度人脸图像;根据所述梯度人脸图像获取所述颜色空间人脸图像 的多个聚类中心,根据所述多个聚类中心生成包括多个聚类块的颜色聚类图像; 对所述原始人脸图像进行人脸识别,获取人脸特征点,根据所述人脸特征点从所 述多个聚类块中选择种子聚类块;根据所述多个种子聚类块的边界像素将所述多 个聚类块进行合并,根据合并的结果获取皮肤区域。
一种皮肤区域检测系统,包括:获取模块,获取原始人脸图像,将所述原始 人脸图像转换至Lab颜色空间,获取颜色空间人脸图像,对所述原始人脸图像进 行sobel边缘检测,获取梯度人脸图像;聚类模块,用于根据所述梯度人脸图像 获取所述颜色空间人脸图像的多个聚类中心,根据所述多个聚类中心生成包括多 个聚类块的颜色聚类图像;种子模块,用于对所述原始人脸图像进行人脸识别, 获取人脸特征点,根据所述人脸特征点从所述多个聚类块中选择种子聚类块;合 并模块,用于根据所述多个种子聚类块的边界像素将所述多个聚类块进行合并, 根据合并的结果获取皮肤区域。
一种拍照设备,包括:处理器、存储器和通信电路,所述处理器耦接所述存 储器和所述通信电路,所述存储器中存储有计算机程序,所述处理器执行所述计 算机程序以实现如上所述的方法。
一种存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得 所述处理器执行如上所述方法的步骤。
采用本发明实施例,具有如下有益效果:
获取原始人脸图像的颜色空间人脸图像和梯度人脸图像,根据梯度人脸图像 获取颜色空间人脸图像的多个聚类中心,根据多个聚类中心生成包括多个聚类块 的颜色聚类图像,根据人脸特征点从多个聚类块中选择种子聚类块;根据多个种 子聚类块的边界像素将多个聚类块进行合并,根据合并的结果获取皮肤区域。结 合人脸特征点进行图像聚类,不会发生将衣服误识别成皮肤的问题,方法稳定可 靠。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例 或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的 附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造 性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1是本发明提供的皮肤区域检测方法的第一实施例的流程示意图;
图2是本发明提供的人脸特征点的示意图;
图3是本发明提供的获取聚类块的方法的第二实施例的流程示意图;
图4是本发明提供的皮肤区域检测方法的第二实施例的流程示意图;
图5是本发明提供的皮肤区域检测系统的一实施例的结构示意图;
图6是本发明提供的拍照设备的一实施例的结构示意图;
图7是本发明提供的存储介质的一实施例的结构示意图。
具体实施方式
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作出创造性劳动前 提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1是本发明提供的皮肤区域检测方法的第一实施例的流程示 意图。本发明提供的皮肤区域检测方法包括如下步骤:
S101:获取原始人脸图像,将原始人脸图像转换至Lab颜色空间,获取颜色 空间人脸图像,对原始人脸图像进行sobel边缘检测,获取梯度人脸图像。
在一个具体的实施场景中,获取原始人脸图像。原始人脸图像可以是用户在 使用自助拍摄设备时拍摄的证件照,或者是用户提供的待处理的证件照,还可以 是从原始图像中通过人脸识别技术获取的人脸图像。原始图像为RGB图像,将 原始图像由RGB格式转换至Lab颜色空间,获取颜色空间人脸图像。Lab是一 种不常用的色彩空间。它是一种设备无关的颜色系统,也是一种基于生理特征的 颜色系统。这也就意味着,它是用数字化的方法来描述人的视觉感应。Lab颜色 空间中的L分量用于表示像素的亮度,取值范围是[0,100],表示从纯黑到纯白;a表示从红色到绿色的范围,取值范围是[127,-128];b表示从黄色到蓝色的范 围,取值范围是[127,-128]。RGB颜色空间不能直接转换为Lab颜色空间,需要 借助XYZ颜色空间,把RGB颜色空间转换到XYZ颜色空间,之后再把XYZ颜 色空间转换到Lab颜色空间。
具体地说,根据以下公式进行转换。
L*=116·f(Y/Yn)-16
a*=500·[f(X/Xn)-f(Y/Yn)]
b*=200·[f(Y/Yn)-f(Z/Zn)]
其中,R、G、B分别为像素点的R值、G值和B值,L*、a*、b*为像素点 的L值、a值和b值。
索贝尔算子(Sobel operator)主要用作边缘检测,在技术上,它是一离散性 差分算子,用来运算图像亮度函数的灰度之近似值。该算子包含两组3x3的矩阵, 分别为横向及纵向,将之与原始图像作平面卷积,即可分别得出横向及纵向的亮 度差分近似值。如果以A代表原始图像,Gx及Gy分别代表经横向及纵向边缘检 测的图像灰度值,其公式如下:
梯度人脸图像的每一个像素的横向及纵向灰度值通过以下公式结合,来计算该像素点的灰度的大小:
|G|=|Gx|+|Gy|
如果一个像素点(x,y)对应的梯度值G大于预设阈值,则认为该像素点(x,y)为 边缘点。
S102:根据梯度人脸图像获取颜色空间人脸图像的多个聚类中心,根据多个 聚类中心生成包括多个聚类块的颜色聚类图像。
在一个具体的实施场景中,聚类是对数据的一种聚集,是将类似的数据聚成 一类。聚类是一种无监督的分类方式,其优点在于不需要预先的训练过程。目前 比较常用的聚类方式有K-means,混合高斯模型(Gaussian Mixture Models,GMM), Mean shift等。
根据梯度人脸图像获取颜色空间人脸图像的多个聚类中心,例如,将颜色空 间人脸图像分割为多个区域,获取每个区域中的梯度最大的点作为聚类中心。Lab 颜色空间的图像,有a和b两个颜色通道,因此获取每个像素点的颜色数值(Va,Vb), 计算每个像素点到每个聚类中心的距离,该距离包括空间距离和颜色距离,根据 获取的距离将空间人脸图像中的各个像素点归类于其对应的聚类中心,从而生成 与多个聚类中心一一对应的聚类块,获取该多个聚类块生成组成颜色聚类图像。
S103:对原始人脸图像进行人脸识别,获取人脸特征点,根据人脸特征点 从多个聚类块中选择种子聚类块。
在一个具体的实施场景中,请结合参阅图2,图2是本发明提供的人脸特征 点的示意图。获取图2所示的人脸特征点在原始人脸图像上的具体位置,获取人 脸外轮廓。根据人脸外轮廓从多个聚类块中选择种子聚类块。在实际应用场景中, 原始人脸图像除了包括人脸之外,还有拍摄背景、衣物、首饰等等其他物品的存 在,因此有部分聚类块对应于非人脸区域,这些聚类块不可能对应皮肤区域,因 此可以通过人脸特征点进行筛选,将人脸外轮廓内聚类块作为种子聚类块。从而 避免在后续进行聚类时将非人脸区域的部分当做皮肤区域。
S104:根据多个种子聚类块的边界像素将多个聚类块进行合并,结合人脸 特征点获取皮肤区域。
在一个具体的实施场景中,获取每个种子聚类块的边界像素,确认各个种子 聚类块的临近块信息,计算出各个相邻种子聚类块的颜色相似度,将颜色相似度 高于预设相似阈值的相邻种子聚类块进行合并,获取合并聚类块,重复上述步骤, 获取新的合并聚类块,直至所得的所有的相邻聚类块的颜色相似度低于预设相似 阈值。根据最后的聚类块获取皮肤区域。
通过上述描述可知,在本实施例中获取原始人脸图像的颜色空间人脸图像和 梯度人脸图像,根据梯度人脸图像获取颜色空间人脸图像的多个聚类中心,根据 多个聚类中心生成包括多个聚类块的颜色聚类图像,根据人脸特征点从多个聚类 块中选择种子聚类块;根据多个种子聚类块的边界像素将多个聚类块进行合并, 根据合并的结果获取皮肤区域。结合人脸特征点进行图像聚类,不会发生将衣服 误识别成皮肤的问题,方法稳定可靠。
请参阅图3,图3是本发明提供的获取聚类块的方法的第二实施例的流程示 意图。本发明提供的获取聚类块的方法包括如下步骤:
S201:获取原始人脸图像,将原始人脸图像转换至Lab颜色空间,获取颜色 空间人脸图像,对原始人脸图像进行sobel边缘检测,获取梯度人脸图像。
在一个具体的实施场景中,步骤S201与本发明提供的皮肤区域检测方法的 第一实施例的步骤S101基本一致,此处不再进行赘述。
S202:将颜色空间人脸图像划分为m*n个网格,根据梯度人脸图像获取每 个网格中梯度最小的位置对应的目标像素点,将目标像素点作为网格的聚类中 心;其中,m和n为任意正整数。
在一个具体的实施场景中,将颜色空间人脸图像划分为m*n个网格,m和 n为任意正整数。将每个网格中的中心作为该网格的初始中心,循环遍历所有网 格的初始中心,判断初始中心是否为其所在网格的梯度最小的像素点,若是, 则将初始中心作为其所在网格的聚类中心,若否,则获取其所在网格的梯度最 小的像素点作为该网格的距离中心。具体地说,在原始中心的5×5的范围内遍 历像素点,判断初始中心是否为其所在网格的梯度最小的像素点。
S203:获取颜色空间人脸图像中像素点到每个聚类中心的聚类距离,将最 短聚类距离对应的聚类中心作为像素点对应的归属聚类中心。
在一个具体的实施场景中,获取颜色空间人脸图像中的每个像素点到每个 聚类中心的颜色距离Dc,将每个像素点的最短的颜色距离对应的聚类中心的中 心标识添加到该像素点上。其中,颜色距离Dc根据以下公式得出:
其中,aj为像素点j的a通道颜色值,bj为像素点j的b通道颜色值,ai为像 素点i的a通道颜色值,bi为像素点i的b通道颜色值,像素点i和像素点j中的 一点为聚类中心。
获取颜色空间人脸图像中的每个像素点到每个聚类中心的空间距离Ds。空间 距离Ds根据以下公式得出:
其中,xj为像素点j的x坐标值,yj为像素点j的y坐标值,xi为像素点i的 x坐标值,yi为像素点i的y坐标值。
根据颜色距离Dc和空间距离Ds计算聚类距离D′:
其中,代表最大的颜色距离,Nc一般取为一个固定常数,本实施场景中,Nc的取值范围为[1,40],例如可以为10。因此可以得出:
获取每个像素点到到每个聚类中心的聚类距离,将最短聚类距离对应的聚 类中心作为像素点对应的归属聚类中心。在本实施场景中,针对每个像素点, 在其2S×2S范围内搜索与其聚类距离D′最近的聚类中心。例如,一像素点在 2S×2S范围到3个聚类中心L、M、N,对应的聚类距离分别为l、m、n,且 l>m>n,则该像素点对应的归属聚类中心为N。将一个聚类中心和其对应的像素 点作为一个聚类块。
S204:根据每个像素点对应的归属聚类中心生成多个聚类块。
在一个具体的实施场景中,将一个聚类中心和将该聚类中心作为归属聚类 的像素点作为一个聚类块,从而针对K个聚类中心则生成K个聚类块。
在其他实施场景中,在生成聚类块之后,需要对聚类中心进行迭代更新, 直至更新后的聚类中心与上一次的聚类中心的位置差距小于预设差距距离,则 基于最后一次迭代更新获取的聚类中心获取聚类块。
具体地说,生成多个聚类块的步骤之后,获取每个聚类块的平均向量值,根 据平均向量值获取每个聚类块的更新中心。判断更新中心与聚类中心的位置距离 的差距是否小于预设差距阈值。若小于则证明更新中心变化足够小,若大于或等 于则证更新中心的变化较大,更新中心的位置还未稳定。则将更新中心作为新的 聚类中心,重复执行步骤S204的内容。直至最近一次获取的更新中心的位置与 聚类中心的差距小于预设差距阈值。若更新中心与聚类中心的位置距离的差距小 于预设差距阈值,证明更新中心位置比较稳定,则将更新中心作为新的聚类中心, 按照上文的方法步骤获取新的聚类中心对应的聚类块。
通过上述描述可知,在本实施例中将颜色空间人脸图像划分为m*n个网格, 根据梯度人脸图像获取每个网格中梯度最小的位置对应的目标像素点,将目标像 素点作为网格的聚类中心,获取颜色空间人脸图像中像素点到每个聚类中心的聚 类距离,将最短聚类距离对应的聚类中心作为像素点对应的归属聚类中心,根据 每个像素点对应的归属聚类中心生成多个聚类块,可以有效提升聚类的精准度。
请参阅图4,图4是本发明提供的皮肤区域检测方法的第二实施例的流程示 意图。本发明提供的皮肤区域检测方法包括如下步骤:
S301:获取原始人脸图像,将原始人脸图像转换至Lab颜色空间,获取颜 色空间人脸图像,对原始人脸图像进行sobel边缘检测,获取梯度人脸图像。
S302:根据梯度人脸图像获取颜色空间人脸图像的多个聚类中心,根据多 个聚类中心生成包括多个聚类块的颜色聚类图像。
在一个具体的实施场景中,步骤S301-S302与本发明提供的皮肤区域检测方 法的第一实施例中的步骤S101-S102基本一致,此处不再进行赘述。
S303:对颜色聚类图像进行连通域分析,获取连通域图像,连通域图像包 括多个连通域。
在一个具体的实施场景中,颜色聚类图像包括多个连通域,采用4连通方 式对颜色聚类图像进行连通域分析获取连通域图像,计算得到连通域图像中各 个连通域的标签、宽、高、面积、中心坐标等属性信息。
S304:从人脸特征点中选取目标特征点,根据目标特征点在连通域图像上 划分出目标保留区域,将得到目保留区域中的聚类块作为种子聚类块。
在一个具体的实施场景中,请结合参阅图2,从人脸特征点中选取目标特征 点1、17、11、9、7,将选择的目标特征点按编号顺时针方向{1、17、11、9、 7、1}的顺序序列化成数组,遍历数组中各个目标特征点,将数组中相邻两个目 标特征点的坐标连接成线,并画出出来,直到遍历结束,即可得到一个多边形 的不规则区域。该不规则区域即为目标保留区域,在连通域图像上划分出目标 保留区域,以floodfill标记方法将该不规则区域以内的图像保留,该不规则区域 以外的像素点的像素值设置为255。将目保留区域中的聚类块作为种子聚类块。
S305:获取每个种子聚类块的邻近聚类块,计算每个种子聚类块与邻近聚 类块的颜色相似度,若颜色相似度满足预设条件,则种子聚类块与邻近聚类块 合并,根据合并的结果获取皮肤区域。
在一个具体的实施场景中,获取每个种子聚类块的邻近聚类块,计算每个种 子聚类块与邻近聚类块的颜色相似度,若颜色相似度满足预设条件,则种子聚类 块与邻近聚类块合并,若颜色相似度不满足预设条件,则种子聚类块与邻近聚类 块不合并,因此可以将颜色相同或类似的种子聚类块合并,从而获取人脸的皮肤 区域。
在一个实施场景中,遍历目标保留区域中每个像素点,获取每个像素点所属 的种子聚类块,根据所属的种子聚类块获取每个像素点的所属的聚类块标签,将 每个像素点的所属的聚类块标签压入栈S0中,得到种子块栈S0。
针对每个种子聚类块,设置初始化尺寸为0的链表L,若种子聚类块bx和by块相邻,则将种子聚类块by的聚类块标签索引放入种子聚类块bx对应的链表Lx中, 同样的,将种子聚类块bx的聚类块标签索引压入种子聚类块by对应的链表Ly中。 为了避免聚类块标签索引的重复放入,每次放入时将确认该种子聚类块的标签索 引是否已放入链表,如果没有则放入链表,否则则跳过该放入的操作。遍历所有 种子聚类块,直到种子聚类块的相邻信息记录结束为止。
设置标志位数组Mark,每个种子聚类块对应一个标志位,设置每个种子聚类 块的标志位初始化为0。假设当前的种子聚类块为i,则种子块栈S0出栈操作,当 前出栈的种子聚类块记为bi,计算种子聚类块bi的Lab颜色空间在a、b通道的颜色 信息,此时bi的标志位Marki置1。检索种子聚类块bi的相邻种子聚类块信息的链 表Li,将两者的颜色信息进行距离比较,如果低于阈值T,将该块压入栈S0中, 对应的标志位Marki置1,否则该标志位Marki置0。
判断子聚类块bi是否还有其他相邻种子聚类块,若有,则与下一个临近块的 颜色距离,更新标志位Marki,再次迭代,如此反复直到种子块栈S0中所有种子聚 类块出栈结束。
根据标志位数组Mark中的各个标志位的数值,获取皮肤区域。
也就是说,将种子聚类块中的颜色距离相等和相近的部分的像素值设置为 255,其余部分为0,从而可以得出Af(x,y)对应的黑色区域即为皮肤区域。
通过上述描述可知,在本实施例中通过从人脸特征点中选取目标特征点,根 据目标特征点在连通域图像上划分出目标保留区域,将得到目保留区域中的聚类 块作为种子聚类块,获取每个种子聚类块的邻近聚类块,计算每个种子聚类块与 邻近聚类块的颜色相似度,若颜色相似度满足预设条件,则种子聚类块与邻近聚 类块合并,从而获取皮肤区域,结合人脸特征点进行图像聚类,不会发生将衣服 误识别成皮肤的问题,方法稳定可靠。
请参阅图5,图5是本发明提供的皮肤区域检测系统的一实施例的结构示意 图。皮肤区域检测系统10包括:获取模块11、聚类模块12、种子模块13、合并 模块14。
获取模块11获取原始人脸图像,将原始人脸图像转换至Lab颜色空间,获 取颜色空间人脸图像,对原始人脸图像进行sobel边缘检测,获取梯度人脸图像; 聚类模块12用于根据梯度人脸图像获取颜色空间人脸图像的多个聚类中心,根 据多个聚类中心生成包括多个聚类块的颜色聚类图像;种子模块13用于对原始 人脸图像进行人脸识别,获取人脸特征点,根据人脸特征点从多个聚类块中选择 种子聚类块;合并模块14用于根据多个种子聚类块的边界像素将多个聚类块进 行合并,根据合并的结果获取皮肤区域。
聚类模块12还用于将颜色空间人脸图像划分为m*n个网格,根据梯度人脸 图像获取每个网格中梯度最小的位置对应的目标像素点,将目标像素点作为网格 的聚类中心;其中,m和n为任意正整数。
聚类模块12还用于获取颜色空间人脸图像中像素点到每个聚类中心的空间 距离,将最短空间距离对应的聚类中心作为像素点对应的归属聚类中心;根据每 个像素点对应的归属聚类中心生成多个聚类块。
聚类模块12还用于获取每个聚类块的平均向量值,根据平均向量值获取每 个聚类块的更新中心,判断更新中心与聚类中心的差距是否小于预设差距阈值; 若更新中心与聚类中心的差距大于或等于预设差距阈值,则将更新中心作为新的 聚类中心,重复执行获取颜色空间人脸图像中像素点到每个聚类中心的颜色距离 以及后续步骤,直至差距小于预设差距阈值。
种子模块13用于对颜色聚类图像进行连通域分析,获取连通域图像,连通 域图像包括多个连通域;从人脸特征点中选取目标特征点,根据目标特征点在连 通域图像上划分出目标保留区域,将得到目保留区域中的聚类块作为种子聚类块。
合并模块14还用于获取每个种子聚类块的邻近聚类块,计算每个种子聚类 块与邻近聚类块的颜色相似度,若颜色相似度满足预设条件,则种子聚类块与邻 近聚类块合并。
合并模块14还用于获取每个聚类块的颜色信息,根据颜色信息计算目标聚 类块与其邻近聚类块的颜色距离,若颜色距离小于预设颜色阈值,则判定目标聚 类块与邻近聚类块颜色相似度满足预设条件。
通过上述描述可知,在本实施例中皮肤区域检测系统获取原始人脸图像的颜 色空间人脸图像和梯度人脸图像,根据梯度人脸图像获取颜色空间人脸图像的多 个聚类中心,根据多个聚类中心生成包括多个聚类块的颜色聚类图像,根据人脸 特征点从多个聚类块中选择种子聚类块;根据多个种子聚类块的边界像素将多个 聚类块进行合并,根据合并的结果获取皮肤区域。结合人脸特征点进行图像聚类, 不会发生将衣服误识别成皮肤的问题,方法稳定可靠。
请参阅图6,图6是本发明提供的拍照设备的一实施例的结构示意图。拍照 设备20包括处理器21、存储器22。处理器21耦接存储器22。存储器22中存储 有计算机程序,处理器21在工作时执行该计算机程序以实现如图1、图3-图4所 示的方法。详细的方法可参见上述,在此不再赘述。
通过上述描述可知,本实施例中的拍照设备能够获取原始人脸图像的颜色空 间人脸图像和梯度人脸图像,根据梯度人脸图像获取颜色空间人脸图像的多个聚 类中心,根据多个聚类中心生成包括多个聚类块的颜色聚类图像,根据人脸特征 点从多个聚类块中选择种子聚类块;根据多个种子聚类块的边界像素将多个聚类 块进行合并,根据合并的结果获取皮肤区域。结合人脸特征点进行图像聚类,不 会发生将衣服误识别成皮肤的问题,方法稳定可靠。
请参阅图7,图7是本发明提供的存储介质的一实施例的结构示意图。存储 介质30中存储有至少一个计算机程序31,计算机程序31用于被处理器执行以 实现如图1、图3-图4所示的方法。所示的方法,详细的方法可参见上述,在此 不再赘述。在一个实施例中,存储介质30可以是终端中的存储芯片、硬盘或者 是移动硬盘或者优盘、光盘等其他可读写存储的工具,还可以是服务器等等。
通过上述描述可知,在本实施例中存储介质中的计算机程序可以用于获取原 始人脸图像的颜色空间人脸图像和梯度人脸图像,根据梯度人脸图像获取颜色空 间人脸图像的多个聚类中心,根据多个聚类中心生成包括多个聚类块的颜色聚类 图像,根据人脸特征点从多个聚类块中选择种子聚类块;根据多个种子聚类块的 边界像素将多个聚类块进行合并,根据合并的结果获取皮肤区域。结合人脸特征 点进行图像聚类,不会发生将衣服误识别成皮肤的问题,方法稳定可靠。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是 可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性 计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流 程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它 介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括 只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除 可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者 外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态 RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率 SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线 动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实 施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的 组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细, 但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的 普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进, 这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求 为准。
Claims (10)
1.一种皮肤区域检测方法,其特征在于,包括:
获取原始人脸图像,将所述原始人脸图像转换至Lab颜色空间,获取颜色空间人脸图像,对所述原始人脸图像进行sobel边缘检测,获取梯度人脸图像;
根据所述梯度人脸图像获取所述颜色空间人脸图像的多个聚类中心,根据所述多个聚类中心生成包括多个聚类块的颜色聚类图像;
对所述原始人脸图像进行人脸识别,获取人脸特征点,根据所述人脸特征点从所述多个聚类块中选择种子聚类块;
根据所述多个种子聚类块的边界像素将所述多个聚类块进行合并,根据合并的结果获取皮肤区域。
2.根据权利要求1所述的皮肤区域检测方法,其特征在于,所述根据所述梯度人脸图像获取所述颜色空间人脸图像的多个聚类中心的步骤,包括:
将所述颜色空间人脸图像划分为m*n个网格,根据所述梯度人脸图像获取每个所述网格中梯度最小的位置对应的目标像素点,将所述目标像素点作为所述网格的聚类中心;
其中,m和n为任意正整数。
3.根据权利要求2所述的皮肤区域检测方法,其特征在于,所述根据所述多个聚类中心生成包括多个聚类块的区域颜色聚类图像的步骤,包括:
获取所述颜色空间人脸图像中像素点到每个所述聚类中心的空间距离,将最短所述空间距离对应的聚类中心作为所述像素点对应的归属聚类中心;
根据每个所述像素点对应的所述归属聚类中心生成多个所述聚类块。
4.根据权利要求3所述的皮肤区域检测方法,其特征在于,所述根据每个所述像素点对应的所述归属聚类中心生成多个所述聚类块的步骤之后,包括:
获取每个所述聚类块的平均向量值,根据所述平均向量值获取每个所述聚类块的更新中心,判断所述更新中心与所述聚类中心的差距是否小于预设差距阈值;
若所述更新中心与所述聚类中心的差距大于或等于所述预设差距阈值,则将所述更新中心作为新的聚类中心,重复执行所述获取所述颜色空间人脸图像中像素点到每个所述聚类中心的颜色距离以及后续步骤,直至所述差距小于所述预设差距阈值。
5.根据权利要求1所述的皮肤区域检测方法,其特征在于,所述根据所述人脸特征点从所述多个聚类块中选择种子聚类块;的步骤,包括:
对所述颜色聚类图像进行连通域分析,获取连通域图像,所述连通域图像包括多个连通域;
从所述人脸特征点中选取目标特征点,根据所述目标特征点在所述连通域图像上划分出目标保留区域,将得到目保留区域中的聚类块作为所述种子聚类块。
6.根据权利要求5所述的皮肤区域检测方法,其特征在于,所述根据所述边界像素将所述模板图像中的所述聚类块合并的步骤,包括:
获取每个所述种子聚类块的邻近聚类块,计算每个所述种子聚类块与所述邻近聚类块的颜色相似度,若所述颜色相似度满足预设条件,则所述种子聚类块与所述邻近聚类块合并。
7.根据权利要求6所述的皮肤区域检测方法,所述计算每个所述聚类块与其邻近聚类块的颜色相似度的步骤,包括:
获取每个聚类块的颜色信息,根据所述颜色信息计算目标聚类块与其邻近聚类块的颜色距离,若所述颜色距离小于预设颜色阈值,则判定所述目标聚类块与所述邻近聚类块颜色相似度满足预设条件。
8.一种皮肤区域检测系统,其特征在于,包括:
获取模块,获取原始人脸图像,将所述原始人脸图像转换至Lab颜色空间,获取颜色空间人脸图像,对所述原始人脸图像进行sobel边缘检测,获取梯度人脸图像;
聚类模块,用于根据所述梯度人脸图像获取所述颜色空间人脸图像的多个聚类中心,根据所述多个聚类中心生成包括多个聚类块的颜色聚类图像;
种子模块,用于对所述原始人脸图像进行人脸识别,获取人脸特征点,根据所述人脸特征点从所述多个聚类块中选择种子聚类块;
合并模块,用于根据所述多个种子聚类块的边界像素将所述多个聚类块进行合并,根据合并的结果获取皮肤区域。
9.一种拍照设备,其特征在于,包括:处理器、存储器和通信电路,所述处理器耦接所述存储器和所述通信电路,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序以实现如权利要求1-7任一项所述的方法。
10.一种存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1--7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110280360.1A CN113095147A (zh) | 2021-03-16 | 2021-03-16 | 皮肤区域检测方法、系统、图像处理终端和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110280360.1A CN113095147A (zh) | 2021-03-16 | 2021-03-16 | 皮肤区域检测方法、系统、图像处理终端和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113095147A true CN113095147A (zh) | 2021-07-09 |
Family
ID=76668029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110280360.1A Pending CN113095147A (zh) | 2021-03-16 | 2021-03-16 | 皮肤区域检测方法、系统、图像处理终端和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095147A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113576421A (zh) * | 2021-09-10 | 2021-11-02 | 广州帕克西软件开发有限公司 | 一种智能测肤方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080240571A1 (en) * | 2007-03-26 | 2008-10-02 | Dihong Tian | Real-time face detection using temporal differences |
CN102096802A (zh) * | 2009-12-11 | 2011-06-15 | 华为技术有限公司 | 人脸检测方法及装置 |
CN102324036A (zh) * | 2011-09-02 | 2012-01-18 | 北京新媒传信科技有限公司 | 图像中获取人脸肤色区域的方法和装置 |
CN106056155A (zh) * | 2016-05-30 | 2016-10-26 | 西安电子科技大学 | 基于边界信息融合的超像素分割方法 |
CN108416336A (zh) * | 2018-04-18 | 2018-08-17 | 特斯联(北京)科技有限公司 | 一种智慧社区人脸识别的方法和系统 |
CN109741336A (zh) * | 2018-12-06 | 2019-05-10 | 东南大学 | 一种基于像素聚类与分割阈值的白癜风区域分割方法 |
-
2021
- 2021-03-16 CN CN202110280360.1A patent/CN113095147A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080240571A1 (en) * | 2007-03-26 | 2008-10-02 | Dihong Tian | Real-time face detection using temporal differences |
CN102096802A (zh) * | 2009-12-11 | 2011-06-15 | 华为技术有限公司 | 人脸检测方法及装置 |
CN102324036A (zh) * | 2011-09-02 | 2012-01-18 | 北京新媒传信科技有限公司 | 图像中获取人脸肤色区域的方法和装置 |
CN106056155A (zh) * | 2016-05-30 | 2016-10-26 | 西安电子科技大学 | 基于边界信息融合的超像素分割方法 |
CN108416336A (zh) * | 2018-04-18 | 2018-08-17 | 特斯联(北京)科技有限公司 | 一种智慧社区人脸识别的方法和系统 |
CN109741336A (zh) * | 2018-12-06 | 2019-05-10 | 东南大学 | 一种基于像素聚类与分割阈值的白癜风区域分割方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113576421A (zh) * | 2021-09-10 | 2021-11-02 | 广州帕克西软件开发有限公司 | 一种智能测肤方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10803554B2 (en) | Image processing method and device | |
US9824294B2 (en) | Saliency information acquisition device and saliency information acquisition method | |
US11282185B2 (en) | Information processing device, information processing method, and storage medium | |
US8139852B2 (en) | Color classification method, color recognition method, color classification apparatus, color recognition apparatus, color recognition system, computer program, and recording medium | |
US10395136B2 (en) | Image processing apparatus, image processing method, and recording medium | |
US8600162B2 (en) | Image identification device, image identification method and recording medium | |
US20150332112A1 (en) | Method and apparatus for image processing | |
JP2015176169A (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN108647264B (zh) | 一种基于支持向量机的图像自动标注方法及装置 | |
CN109063598A (zh) | 人脸毛孔检测方法、装置、计算机设备和存储介质 | |
CN114972817A (zh) | 图像相似度匹配方法、设备及存储介质 | |
JP2017102622A (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN111161281A (zh) | 一种人脸区域识别方法、装置及存储介质 | |
JP2009163682A (ja) | 画像識別装置及びプログラム | |
CN113469092A (zh) | 字符识别模型生成方法、装置、计算机设备和存储介质 | |
Rahimzadeganasl et al. | Automatic building detection based on CIE LUV color space using very high resolution pleiades images | |
CN114299363A (zh) | 图像处理模型的训练方法、图像分类方法及装置 | |
CN109741380B (zh) | 纺织品图片快速匹配方法和装置 | |
CN109784379B (zh) | 纺织品图片特征库的更新方法和装置 | |
CN113095147A (zh) | 皮肤区域检测方法、系统、图像处理终端和存储介质 | |
CN113963295A (zh) | 视频片段中地标识别方法、装置、设备及存储介质 | |
CN113095148A (zh) | 眉毛区域被遮挡的检测方法、系统、拍照设备和存储介质 | |
CN109657083B (zh) | 纺织品图片特征库的建立方法和装置 | |
JP2019021100A (ja) | 画像探索装置、商品認識装置および画像探索プログラム | |
JP6151908B2 (ja) | 学習装置、識別装置、およびそのプログラム |
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 |