光照鲁棒性较强的肤色检测算法

摘 要：针对人脸肤色检测效果受光照影响较大的不足，提出了一种稳定性好的肤色检测算法。首先根据人脸左右对称的特性，采用像素修正算法将人脸区域上的过亮或过暗像素点替换为正常亮度下的像素点；然后采用一种根据像素点亮度的不同动态地确定色度阈值的自适应方法进行肤色检测。实验结果表明，相比YCbCr单高斯模型肤色检测等算法，所提算法在强弱不同的光照情况下提高的正检率超过了10%，误检率降低了5%，而且稳定性明显增强。

关键词：肤色检测；像素修正；自适应阈值；人脸检测；人脸识别

0 引言

当今，肤色检测在很多图像处理应用中起到关键作用[1]，如人脸检测、人脸识别、人脸跟踪、基于内容的图像检索、人机交互等，肤色检测可过滤掉大部分的背景区域，从而缩小目标范围，在提高效率的同时也降低了误检率。然而，复杂光照下，尤其是过亮或过暗的区域，肤色检测效果明显下降，表现为正检率降低，误检率升高。为此，增强肤色检测算法的光照鲁棒性是亟待解决的关键技术[2]。

第一类简单实用的肤色检测方法是在某种颜色空间中定义颜色分量的固定范围[3-5]。该方法首先选定肤色点聚类较好的颜色空间，然后定义一个或多个颜色分量的阈值范围，最后根据像素点在该颜色空间下的分量是否落在预定义范围内来判断肤色点与否。文献[6]中提出在卡洛南洛伊（KarhunenLoeve， KL）肤色坐标系中定义各个分量的阈值，实现肤色与非肤色的分离。该方法采用固定阈值进行肤色判定，在复杂光照下，尤其在过亮或过暗的区域，有很高的误检率。

第二类方法为基于模型的方法。常用模型有高斯模型、椭圆模型。文献[7]在YCbCr空间中采用高斯模型进行肤色检测，根据马氏距离计算出待检测图像的肤色似然图像，之后选择适当阈值区分肤色点与非肤色点。该方法的缺点在于高斯模型不能正确地拟合复杂光照下的肤色分布，从而造成误检。文献[8]将待检测图像由YCbCr空间转换到YCb′Cr′空间，之后采用拟合的椭圆模型区分肤色点与非肤色点。该方法缺点在于：颜色空间转换时，各个亮度下肤色点色度值的均值、宽度直接由样本分布得到，这将会导致转换得不准确，进而引起误检。

第三类方法为基于统计的方法，主要包括多层认知法[9-11]和贝叶斯网络分类器法[12-14]。多层认知法通过训练一个神经网络来学习复杂条件下肤色点及非肤色点的分布，文献[9]中提出一种基于网络的肤色检测器，采用包含500张人工标定图像的集合训练检测器，以求获取最佳检测结果。贝叶斯网络是一种可快速、有效地表示联合概率密度函数的有向无环图。该类方法在复杂光照下检测精度较低，文献[1]中提出采用光照不变颜色空间可提高其光照鲁棒性，然而肤色分布要限制在很小的范围内波动；除此之外，该类方法需要大量的训练样本，必须在精度和复杂度之间做折中。

1 像素修正

多数情况下，由于光照角度的不同，人脸区域中并不全是过亮或过暗的像素点，而是半边人脸或半边人脸中的某一部分过亮或过暗。像素修正算法利用正面人脸的左右对称性，修正人脸区域上过亮或过暗的像素点，使之光照趋于均衡，进而提高肤色检测算法的检测率。

1.5 修正分析

1）眼嘴检测用于确定对称轴及修正范围，然而不精确的眼嘴检测对最终的肤色检测效果影响较小，原因主要是：①略有偏差的对称轴两侧仍对应人脸同种部位，如左眼和右眼；②不精确的修正范围内的绝大多数部分仍属于人脸区域。

2）像素修正算法处理的对象是亮度小于16或大于235的像素，这两个阈值是由测试经验得来，即肤色检测算法对这两个亮度范围内像素点的正检率较低，误检率较高。

3）均衡化处理并不是像素修正算法所必需的预处理步骤，结合均衡化处理可进一步提高肤色检测效果。

2 肤色检测

2.1 肤色分析

肤色检测要选择合适的颜色空间，本文选择YCbCr颜色空间，原因是该空间被广泛用于视频压缩标准中[8]，像素点的亮度与色度分离且肤色点在该空间中聚集紧密。像素点在该空间中的分布[8]如图4所示。从图4得知，随着Y值的不同，肤色点在Cb、Cr平面的投影分布是不同的，故采用Cb、Cr的固定阈值来区分肤色点与非肤色点肯定会造成误检。本文肤色检测算法根据不同的Y值，定义不同的Cb、Cr阈值，实验表明这种自适应阈值分割方法增强了肤色检测算法的光照鲁棒性。

3.2 结果分析

从图8、9可知，本文肤色检测方法在各个亮度范围内取得更高的正检率及更低的误检率，且检测曲线变化平缓，波动范围较小；本文肤色检测的正检率曲线两端偏低、误检率曲线两端偏高，主要是由两眼中心定位误差及自适应阈值拟合误差导致。

4 结语

本文改进的肤色检测算法在保证较高正检率的同时，具有较低的误检率；该算法对复杂光照下，尤其是过亮或过暗的区域，有较强的鲁棒性；像素修正为人脸检测、人脸识别等应用提供了很好的条件；然而修正区域附近的平滑程度有待进一步完善。

参考文献：

[1]TAN W R， CHAN C S， CONDELL J. A fusion approach for efficient human skin detection [J]. IEEE Transactions on Industrial Informatics， 2012， 8（1）： 138-147.

[2]DO H C， YOU J Y， CHIEN S I. Skin color detection through estimation and conversion of illuminant color under various illuminations [J]. IEEE Transactions on Consumer Electronics， 2007， 53（3）： 1103-1108.