静态图象肤色检测研究

论文摘要

皮肤检测是人脸检测与识别、表情识别、手势识别、人体检测等计算机视觉任务的重要组成部分，更是图象与视频索引、色情图象检测的关键步骤，广泛应用于人机交互接口、访问控制、视频监控以及互联网敏感内容过滤等领域。基于颜色的皮肤检测具有简单、快速、直观，不受物体形状变化及视点改变等影响的优势，受到研究者的普遍重视，具有重要的理论研究意义和应用价值。本文主要研究静态图象中的肤色检测技术。 颜色空间的选择和肤色建模方法是肤色检测的关键问题。肤色检测首先面临一个合适颜色空间的选择问题，大多数研究者直观地选择了“最优”颜色空间而没有给出严格的证明，而一些作者则质疑空间选择对皮肤检测结果的明显影响。在系统回顾和综合分析了肤色检测中所采用的各种颜色空间与肤色模型，并按照各自特性进行分类后，定义了基于空间分布本身的肤色内聚性和肤色-非肤色可分离性两类指标，基于一个大肤色样本库，比较了包含所有常用颜色空间以及部分作者提出的最优空间的17个颜色空间的相应指标，并在这些空间中训练了SPM、GMM、SOM和SVM这四种最典型的统计肤色模型并测试了其综合分类性能。同时考察了量化等级、模型精度和不同决策方式对性能的影响，构成了一个完善的性能评价体系，获得了肤色空间和模型选择的综合结论。 在训练的收敛阶段，SOM参考矢量的改变量很小，基于这一事实，我们利用统计直方图构造获胜点线性表，并根据参考矢量的运动方向来优化获胜点的局部搜索，作为全局获胜点的近似。肤色样本实际分布数据和人工合成数据的实验结果表明该局部搜索策略能够有效提高搜索效率。 照明条件、照相机特性以及噪声都对肤色有很大的影响，个体肤色也各不相同的，肤色模型必须能够适应这些环境变化。针对肤色检测，详细介绍了各种光照补偿方法和自适应手段的优缺点，并比较了用于视频序列的动态高斯模型和动态直方图。 人像通常位于成像系统的焦平面上，人体的周围环境将因散焦而模糊，尽管焦平面中的皮肤区域很难保证有完整的比较强的边界，但是总能找到一条或几条具有一定长度的强边界段。我们提出了基于强边界段的焦平面肤色检测框架，包含强边界段或与之邻接的类肤色区域识别为皮肤区域，从而避免了皮肤区域边界的不完整性，并在保证肤色区域内聚性的前提下，从散焦肤色区域中进一步提取出最接近的子区域作为肤色区域。 皮肤区域具有良好的统计内聚性和空间平滑性，结合纹理等邻域特征能够提高皮肤检测性能。最后我们提出了一个多种底层特征相融合，并与人脸、手部等高层目标结合的皮肤检测开放式框架，形成一个多种信息相互印证，互为目的和手段的启发式综合方法。结合人脸检测的实验结果验证了该框架的有效性。

论文目录

• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 研究现状
• 1.2.1 颜色空间选抒
• 1.2.2 统计肤色模型
• 1.2.3 基于物理的模型
• 1.2.4 模型自适应和动态更新
• 1.2.5 多特征融合
• 1.3 研究的内容
• 1.4 论文组织
• 第二章 颜色空间选择
• 2.1 引言
• 2.2 皮肤检测中所采用的颜色空间
• 2.2.1 RGB颜色空间
• 2.2.2 XYZ颜色空间
• 2.2.3 归一化色品坐标
• 2.2.4 YUV,YIQ,YCbCr和YES颜色空间
• *a^*b^*和L^*u^*v^*'>2.2.5 CIE L^*a^*b^*和L^*u^*v^*
• 2.2.6 HSI,HSV,HSL系列
• 2.2.7 SCT,TSL
• 2.2.8 组合空间E-R／G-H,H-GY-Wr
• 2.2.9 其它颜色空间
• 2.2.10 颜色空间的特性
• 2.3 有关最优肤色空间的辩论
• 2.4 肤色空间评估框架
• 2.4.1 样本数据集
• 2.4.2 考察的颜色空间
• 2.4.3 采用的性能指标
• 2.4.4 各颜色空间的分布紧致性与类可分离性指标
• 2.4.5 去除亮度信息的影响
• 2.4.6 量化级数的影响
• 2.4.7 小结
• 第三章 肤色建模技术
• 3.1 统计模型
• 3.1.1 非参数模型
• 3.1.2 参数模型
• 3.1.2.1 单模式高斯模型
• 3.1.2.2 高斯混合模型
• 3.1.2.3 椭圆模型
• 3.1.2.4 参数模型小结
• 3.1.3 半参数模型
• 3.1.3.1 神经网络
• 3.1.3.2 支持向量机
• 3.1.3.3 半参数模型小结
• 3.2 基于物理的模型
• 3.2.1 皮肤生理结构
• 3.2.2 皮肤光学特性
• 3.2.3 皮肤光谱估计
• 3.2.3.1 Kubelka-Munk模型
• 3.2.3.2 基于Monte Carlo的模型
• 3.2.4 皮肤色素含量反演
• 3.2.5 皮肤反射光谱
• 3.2.6 肤色轨迹
• 3.2.7 小结
• 3.3 模型分类性能评估框架
• 3.3.1 评估框架
• 3.3.1.1 样本和模型
• 3.3.1.2 性能评价方法
• 3.3.1.3 决策策略
• 3.3.2 模型训练
• 3.3.2.1 SPM
• 3.3.2.2 GMM
• 3.3.2.3 SOM
• 3.3.2.3.1 获胜点搜索算法的改进
• 3.3.2.4 SVM
• 3.3.3 模型分类性能
• 3.3.3.1 SPM
• 3.3.3.2 GMM
• 3.3.3.3 SOM
• 3.3.3.4 SVM
• 3.3.4 结论
• 第四章 模型自适应与动态更新
• 4.1 光照不变性
• 4.1.1 光照不变空间
• 4.1.2 光照补偿
• 4.2 自适应模型
• 4.2.1 自适应阈值
• 4.2.2 逐步求精法
• 4.2.3 子区域选取法
• 4.3 动态更新模型
• 4.3.1 动态高斯模型
• 4.3.2 动态直方图
• 4.3.3 判别式EM算法
• 4.4 焦平面肤色检测
• 4.4.1 透镜成像
• 4.4.2 模糊估计
• 4.4.3 散焦分割
• 4.4.4 焦平面肤色检测
• 4.4.5 小结
• 第五章 多特征融合方法
• 5.1 结合邻域特征的皮肤检测
• 5.1.1 纹理特征
• 5.1.1.1 灰度共生矩阵
• 5.1.1.2 基于变换的纹理特征
• 5.1.1.3 其他纹理特征
• 5.1.2 其他邻域特征
• 5.2 与高层目标相结合
• 5.3 多特征多通道检测框架
• 5.3.1 框架结构说明
• 5.3.2 框架实现
• 5.4 小结
• 第六章 总结与展望
• 6.1 论文主要工作和结论
• 6.2 未来工作展望
• 附图
• 附图.1 各颜色空间模型
• 附图.2 与皮肤颜色类似的离焦背景示例图及分割结果
• 参考文献
• 发表论文
• 致谢
• 后记