基于彩色模型设计简单的肤色检测器

说明

此文主要通过手动收集中国人肤色的RGB等不同色彩模型数值，通过这些数值来对人脸进行判定。

具体步骤

1. 使用画图工具获取肤色的RGB数值。
2. RGB转HSV（可采用菜鸟的在线转换），在matlab中，HSV的表示范围为0-1。
3. 记录数值。
4. 分析数值，这边我使用了R语言。
5. 确定阈值。

部分分析图表

代码

• RGB

files=dir('lhj.jpg');   %读入图片
for i=1:length(files)   %循环
s=files(i).name;
I=imread(s);            %得到三维矩阵
I1=I;
R=I1(:,:,1);            %红色通道
G=I1(:,:,2);            %绿色通道
B=I1(:,:,3);            %蓝色通道
id=R>150&G>100&G<210&B>90&B<200&(G-B)<40&(R-G)>20&(R-G)<70&((R-G)./(G-B))<9;    %阈值
figure,subplot(2,1,1),imshow(I),          %显示原始图像
subplot(2,1,2),imshow(id)
end

• HSV

files=dir('wjk.jpg');      %读入图片
for i=1:length(files)    
s=files(i).name;
I=imread(s);    
I1=rgb2hsv(I);          %RGB转换为HSV
H=I1(:,:,1);          
S=I1(:,:,2);
V=I1(:,:,3);
id=H>0.0128&H<0.09&S<0.55&S>0.1&V>0.33;
figure,subplot(2,1,1),imshow(I),
subplot(2,1,2),imshow(id)
end

部分结果

RGBHSV
RGBHSV

结果分析

• RGB与HSV的比较
  在两个模型中，从测试结果来看，得出以下结论：

1. 错误接受率HSV更高，也就是说HSV模型的肤色认定范围较广，一方面它可以尽可能多的将肤色识别出来，如一些带有阴影的区域，但同时也更多的将接近肤色的背景认定为肤色；
2. 错误拒绝率则RGB更胜一筹，如组7组8，肤色的识别不够完整；
3. 对于RGB模型限定了三者之间的关系，而HSV模型只考虑了单个之间的关系，可HSV模型的测试结果却还不错，如果对HSV模型进行深入挖掘应该可以得到比RGB模型好不少的结果；
4. 我认为HSV模型会优于RGB模型。因为HSV模型三者的数值范围在[0,1]之间，在本次实验中我取到小数点后4位，而RGB模型只采用单一的整数，所以，HSV表示的颜色更为精确，如果有一个良好的模型，对于肤色的识别也会更加精确吧。

• 综上，我认为HSV的颜色空间更好一些。但要得到更加精确的效果，50组的样本数据是远远不够的，对数据的挖掘也不够深入，RGB、HSV三者之间的关系应该进行深入研究。

总结与分析

参考相关资料，用于肤色检测的方法大概有以下几种，基于RGB的肤色检测、基于椭圆模型的肤色检测、基于YCrCb颜色空间的肤色检测、基于HSV的肤色检测、opencv自带的肤色检测函数AdaptiveSkinDetector等。有很多影响肤色的因素，比如拍照时的灯光、拍照的时间等等。
我尝试了其中的一些方法，并结合网上的效果图，发现效果也是大同小异，没有什么特别好的方法。下图为基于YCrCb颜色空间的肤色检测效果，采用的仍然是matlab。

要更好的检测出肤色应该先将人检测出来，使人物与背景分离，只在人物的范围上进行肤色检测，这样可以减少其他事物中与肤色相近的元素也被认定为肤色，即降低错误接受率。当能检测出人物的大致范围后，再进行肤色阈值进一步的确定，使肤色检测更为精确。