基于统计的肤色检测

一、概述

       根据有没有涉及成像过程，可以将肤色检测方法分成两种基本类型：基于统计的方法和基于物理的方法。基于统计的肤色检测通过建立肤色统计模型进行肤色检测，主要包括两个步骤：颜色空间变换和肤色建模。基于物理的方法则在肤色检测中引入光照与皮肤间的相互作用，通过研究肤色反射模型和光谱特性进行肤色检测。

二、基于统计的肤色检测

        统计肤色检测的主要步骤是颜色空间变换和肤色建模。选择颜色空间本身就是选择肤色检测的最基本特征表示。肤色模型是关于肤色知识的计算机表示。通过训练样本集建立肤色模型是肤色检测的关键，根据不同应用可以将肤色建模分为静态和动态两类。

1、颜色空间

       颜色空间是定义、创建和观察颜色的方法。对颜色的研究和应用产生了许多不同的颜色空间，包括色度学的CIE-RGB 真实三原色系统和 CIE-XYZ 虚拟三原色系统，三分量归一化后用两个分量表示的色度图 CIE-xy 和 NCCrgb，用亮度和双色差表示的颜色空间 CIELab和CIELuv等；电视工业用的YIQ, YUV, YCbCr 和YES；面向色调的由颜色心理三属性表示的颜色空间 HSI, HSV, HSL,HSB,TSL以及MPEG7中采用的HMMD。另外还有一些针对某些类型的图像应用通过统计或物理分析，由RGB线性或非线性导出的颜色空间，比如用在肤色检测的颜色空间YU′V′和LUX、彩色不变特征、具有亮度适应能力的H-SV-V颜色空间等。颜色空间的定义及其转换在此不做详细介绍。

      肤色在颜色空间的分布相当集中，但会受到照明和人种的很大影响。为了减少肤色受照明强度影响，通常将颜色空间从 RGB 转换到亮度与色度分离的某个颜色空间，比如YCbCr 或HSV，然后放弃亮度分量。在双色差或色调饱和度平面上，不同人种的肤色变化不大，肤色的差异更多的是存在于亮度而不是色度。另外，肤色变化中也包括唇色，唇色也是一个重要线索。LUX颜色空间有利于加强皮肤与嘴唇等之间的反差。

2、静态肤色模型

       目前常用的静态肤色建模基本方法有三种：肤色范围、高斯密度函数估计和直方图统计，三者分别对应阈值化、参数化和非参数化方法。

2.1、规定肤色范围

       用数学表达式明确规定肤色范围是一种简单的肤色建模方法，例如 Chai 采用 YCbCr  颜色空间的 CbCr 平面，如果输入像素的颜色落入 RCr=[133;173] 和 RCb=[77;127] 限定的矩形区域，就认为是属于肤色像素。有人注意到在不同的亮度分量Y上的矩形区域(RCr, RCb)不同，因此在Y分量上分段定义肤色矩形区域[27,28]。 Zhang[29]在YUV空间中根据Y范围和UV平面中的色度范围进行肤色检测。这种简单明确的判断运行起来快速高效，特别是在实时系统中更具有吸引力。

       规定肤色范围虽然快捷，但要取得好的效果需要解决两个问题：(1)如何选择合适的颜色空间；(2)怎么确定规则中的参数。选择颜色空间不仅要考虑肤色样本在颜色空间中的聚集程度，还要注意在该空间的色域[30]，因为有些颜色空间的色域没有规则边界。

2.2、高斯分布模型

        高斯密度函数估计是一种参数化建模。可以用单峰高斯模型 SGM 或高斯混合模型 GMMs9。

        (1)、单峰高斯模型是椭圆高斯联合概率密度函数

            

        其中 x 是像素颜色向量；均值向量 μ 和协方差矩阵 Σ 是高斯分布参数，用最大似然法估算。p [x/ skin] 可以直接衡量像素 x 属于肤色的可能性，也可以通过高斯分布参数计算输入像素颜色 x 与均值 μ 的马氏距离d2=(x-μ)TΣ- 1
(x-μ) ，距离大小表示该像素与肤色模型的接近程度。

        (2)、高斯混合模型是多个高斯密度函数的加权和

          

        其中 x 是颜色向量，有k个高斯密度函数，分别用均值向量 μi 和协方差矩阵Σi定义，权值wi表示各高斯密度函数对混合模型的贡献大小。

        对肤色和非肤色分别用一个高斯混合模型表示，用标准的期望最大化 EM 算法训练这两个高斯混合模型，每个高斯混合模型中的高斯密度函数个数k需要事先给定。

        Caetano认为高斯混合模型比单峰高斯模型好，但后来在 NCCrgb 颜色空间中的实验却发现，高斯混合模型仅仅在特定的工作区域有比较好的性能，这个区域处在 ROC 曲线的中后段，即正检率和误检率都比较高的区间。

        高斯肤色模型常用 2 维色度平面，在色度平面上的肤色分布是否符合高斯分布，决定了本建模方法的好坏，但这种分布形态与所选的颜色空间有关。Yang验证了在一定光照变化范围内的个人肤色在 RGB 中符合高斯正态分布； Yang证明了肤色在 Luv 颜色空间中的正态分布。如果肤色在某颜色空间中分布比较不对称，就会造成相同正检率条件下的误检率升高，如图1(a)对图1(b)的建模。