论文摘要
图像处理与计算机视觉在航天、军事、医疗、生产生活等各方面都具有广泛的应用。图像分割是图像识别和图像理解的基本前提和基础,是图像处理与计算机视觉的最基本的、关键性的技术。近年,基于皮肤颜色信息的肤色分割技术受到了研究者的极大关注。皮肤检测技术在图像处理的诸多应用领域中如人脸检测与追踪、手势分析、基于内容的图像检索和人机交互系统等都起着极为重要的作用,但也面临许多需要解决的技术问题。因此,皮肤检测与分割技术的研究具有重要的理论意义与实际应用价值。事实上,在光照条件不变等条件下,不同种族不同个体的皮肤颜色相对接近,与大多数背景颜色具有明显的不同,在颜色空间中聚类于一个很小的区域中。因此建立统计模型拟合肤色在颜色空间中的分布聚类是一种非常自然的想法。基于概率分布模型的皮肤检测技术是一种非常有效的皮肤分割方法。许多代表性的概率分布模型都假定肤色空间服从高斯分布或混合高斯分布。这些参数模型的主要优点在于：只需较少的训练数据以及很小的存储空间要求,就能获得较好的效果。但实际研究发现,肤色聚类关于密度峰值是非对称的。因此,单个的高斯分布模型不足以准确描述皮肤颜色聚类。因此,使用对称的高斯模型可能导致较高的误判率。此外,由于混合高斯模型参数的有偏估计性,当各高斯分量交叠区域较大时,拟合结果不够准确。为解决高斯分布与混合高斯分布模型存在的不足,本论文提出以表示范围更广的广义高斯分布作为肤色分割的概率分布模型。广义高斯分布表示了一类的分布,因此比高斯分布更为灵活方便。在选择并定义了颜色空间基础上,建立广义高斯分布模型与混合广义高斯分布模型。在训练数据集上直接应用矩法估计或极大似然估计方法可求得广义高斯分布模型的参数。但由于混合广义高斯分布的参数难以用矩法估计或极大似然估计求解,为此采用EM算法对参数做近似计算。对EM算法计算所得的非线性参数式,可用数值计算方法如牛顿-拉夫逊算法求得参数的估计值。