人脸肤色分割研究成果

建立了人脸高斯模型后，人脸的肤色分割可以通过下列步骤来实现：

Step 1：设计一个基于颜色核心和模糊分割的皮肤分类器对彩色图像进行皮肤分割。输入为原始图像，输出是表示皮肤和非皮肤区域的皮肤分割二值图像。

Step 2：在皮肤分割时，由周围光线所引起的人脸区域亮度的变化无法可靠测量，而在YCbCr 色度空间中亮度可以从色彩表征中去除。因此，通过 f ( R , G , B )=g ( r , b)的标准化处理，可以通过式（7-9）来定义色度颜色，在没有亮度分量时也可以认为是纯色。

尽管不同人的肤色在一个较宽的区域内变化，但是这种颜色的不同远小于亮度的不同，据此可以在色度空间中建立一个很好的肤色模型。通过计算得到式（7-6）中m 的值为

Step 3：从100 幅彩色图像中得到皮肤样本YCbCr 色度空间中确定人类肤色的颜色分布。肤色样本从彩色图像中选取，通过一个低通滤波器来减小样本中噪声的干扰；低通滤波器的脉冲响应为：(www.xing528.com)

不同人的肤色分布在YCbCr 色度空间中是聚合的，因此，可以用高斯模型进行数据拟合并描述皮肤颜色。这样，一幅彩色图像就转换为一幅灰度级的皮肤概率图像，每个像素点的灰度值表示该像素点属于皮肤的概率。

Step 4：从皮肤概率图像中可以看到，皮肤区域（如脸、手）比非皮肤区域的亮度高，因此，可以通过阈值处理将皮肤区域与非皮肤区域分割开。对于不同肤色、不同人和不同亮度的各种图像，无法确定一个固定的阈值对所有情况下的图像进行准确的分割，因此，需要用模糊分类方法对皮肤和非皮肤进行区分。通过式（7-10）聚类准则进行模糊分类，然后采用基于区域增长算法的自适应阈值进行处理，在每次分割时使用的都是最优阈值。其中，基于区域增长的自适应阈值是根据逐步计算出的结果得到的，而且递进地使阈值减小，由此可以看到分割区域的增大，但每次增长的变化量是逐渐减少的，而使区域增长最小的阈值就是最优结果。

其中，k ∈ [0, ∞]是一个加权系数； fk( X, μ , v)是类内误差的加权平方和目标函数；ijμ 是模糊划分矩阵，用式（7-11）来计算；iv 是模糊聚类中心，用式（7-12）来计算； dij是类间距离；c 聚类类别数。

而且ijμ 需要满足下面三个约束条件：