算法学习之肤色检测

3.1　各彩色空间中肤色^[1]的聚类情况

    好的肤色模型要求选择一个恰当的彩色空间，在此空间中肤色能团簇、聚合在一起，并且与非肤色的重叠部分要尽可能少。通过各色度空间中肤色聚类的结果比较发现，肤色在各空间中的聚类情况如下：在RGB彩色空间中，肤色与非肤色的重叠部分较多。因此RGB空间不适合构造肤色模型；在rgb彩色空间中的分布情况（用r，g表征）。由于色饱和度没有被分离出来，rgb模型仍会受亮度的影响，因此有少量肤色点偏离了肤色的主要聚合区域；在HSV彩色空间中，由于HSV空间将色调、色饱和度及亮度很好的分离，肤色点能很好的聚集在一起，并且与非肤色点重叠的较少；在YCbCr彩色空间中可以看到，在YCbCr空间中，人脸肤色点非常好的团聚在一起，并且与非肤色点的重叠部分也不多，表现在CbCr子空间上，人脸肤色很好的聚集在一个类椭圆范围内，而且在Cb、Cr分量上的分布也比较集中，因此，CbCr空间 ^[2]常用于人脸检测。

3.2　色彩空间的转换

    YCbCr颜色空间是作为肤色分布统计的映射空间，该空间的优点是受亮度变化的影响较小，而且是两维独立分布，能较好地限制肤色分布区域，而且可以从RGB格式线性变化得到。YCbCr颜色空间是常见的肤色检测方法，如果一个像点的Cb和Cr值满足：133≤Cr≤173，并且77≤Cb≤127，则该像点被认为具有皮肤色。

    对于RGB(8位表示的RGB)与YCbCr（256级别）之间的转换如下：

Y= 0. 299R+ 0. 587G+ 0. 114B

Cb= 0. 5R- 0. 4187G- 0. 0813B+ 128                             （1）

Cr= - 0. 1687R- 0. 3313G+ 0. 5B+ 128

           YCbCr（256级别）可以从8位RGB直接计算。

3.3　肤色模型

    肤色的聚类性使我们利用肤色缩小人脸检测的范围，实验表明，不同人的肤色在色度上往往很相近，只是在亮度上差别较大，不同的肤色具有相同的2D Gaussian 模型。在YCbCr空间上由色度Cb和Cr构成的二维平面上肤色分布是相对比较集中的，可以用Gauss分布来描述。

    训练的时候，需要确定的是均值M和C。如下面的公式：

                                     均值M=E(x)，x=[Cr，Cb ]

                                   协方差C=E((x-m)(x-m) ^T)                         （2）

    计算相似度时，我们采用了下面的公式：

                  P(Cb，Cr)=exp[-0.5(x-m)^TC^-1(x- m)]         （3）

转载自：http://blog.csdn.net/shangyaowei/article/details/17424537

HSV,YUV,YCbCr见博客：http://blog.csdn.net/augusdi/article/details/8865275