基于灰度直方圖和高斯混合模型多特征膚色識別算法

任民宏， 陳 波， 魯秋菊

(陜西理工大學 數(shù)學與計算機科學學院， 陜西 漢中 723000)

基于灰度直方圖和高斯混合模型多特征膚色識別算法

任民宏， 陳 波， 魯秋菊

(陜西理工大學 數(shù)學與計算機科學學院， 陜西 漢中 723000)

膚色識別是色情圖像識別和人臉檢測中的關鍵技術，膚色識別的效果關系著相關圖像處理技術的應用效果。盡管基于高斯混合模型的膚色識別算法能較好識別存在干擾因素的圖像中的膚色，但對于圖像中與膚色相近的毛發(fā)、背景、風景等部分識別效果并不理想。為了解決這個問題，結合灰度直方圖和高斯混合模型的優(yōu)勢，提出了基于灰度直方圖和高斯混合模型多特征膚色識別算法。實驗表明該算法識別效率較高，能較好識別與膚色相近的非膚色部分，具有一定的實用性。

灰度直方圖； 高斯混合模型； 膚色識別

膚色識別是將圖像中膚色區(qū)域從整個圖像中區(qū)分出來，其核心問題是膚色像素和非膚色像素的分類[1]。文獻[2]提出了YCbCr色度空間上基于高斯混合模型自適應膚色識別算法，該算法既解決了單高斯模型膚色識別效果不佳的問題，又避免了采用固定閾值過大或過小造成的錯檢情況，但是該算法會把圖像中與膚色相近的毛發(fā)、背景、風景等非膚色部分識別成膚色。圖像灰度直方圖是圖像區(qū)域分割的重要特征，筆者對多幅膚色圖像的灰度直方圖研究發(fā)現(xiàn)，膚色圖像灰度直方圖的均值位于一定范圍，其方差偏小也位于一定范圍。本文結合膚色的灰度直方圖和高斯混合模型的特征，提出了基于灰度直方圖和高斯混合模型多特征膚色識別算法，以期較好地解決與膚色相近的毛發(fā)、背景、風景等非膚色部分識別問題。

1 灰度直方圖

圖像灰度直方圖是反映一幅圖像的灰度級與出現(xiàn)這種灰度級概率之間的關系圖形[3]。設L為灰度級數(shù)目，則灰度級ri出現(xiàn)的概率為

(1)

其中ni為灰度圖像中出現(xiàn)灰度級ri的像素數(shù)，n為圖像的像素總數(shù)。圖像灰度直方圖就是以ri為直角坐標系的橫軸，以p(ri)為縱軸的圖像。例如，圖1的灰度直方圖如圖2所示。

圖1 原圖 圖2 灰度直方圖

圖像灰度直方圖能描述一幅圖像或圖像區(qū)域的特性，在膚色識別中可以使用的統(tǒng)計量主要有均值和方差，分別如式(2)和式(3)所示：

(2)

(3)

均值反映圖像灰度級的加權平均值，方差反映圖像灰度級的集中程度。筆者研究發(fā)現(xiàn)，黃色人種的膚色圖像灰度直方圖的均值位于120～240范圍內(nèi)，方差偏小且位于0～70范圍內(nèi)，而非膚色圖像直方圖的方差偏大。

2 高斯混合模型

在YCbCr色度空間上，膚色呈現(xiàn)良好的聚類特性，符合高斯模型分布[2]。高斯模型分為單高斯模型和高斯混合模型，單高斯模型的膚色識別算法計算量小，識別效率高，但是當圖像中存在干擾因素時，單高斯模型的膚色識別效果不佳。高斯混合模型的膚色識別算法則可以克服單高斯模型的上述缺點。

在YCbCr色度空間上，像素X(Cb,Cr)在膚色分布空間中是膚色的概率公式為

(4)

(5)

3 膚色識別算法

3.1 基于灰度直方圖和高斯混合模型的膚色識別

由于圖像灰度直方圖能描述一幅圖像或圖像區(qū)域的特性，并且膚色圖像灰度直方圖的均值位于一定范圍，其方差偏小也位于一定范圍，所以，可以利用直方圖識別圖像中的膚色?；叶戎狈綀D反映一幅圖像或圖像區(qū)域的特性，但是對于一幅既含有膚色部分，又含有非膚色部分的圖像，其灰度直方圖的均值和方差總是不能滿足膚色圖像灰度直方圖的均值和方差的范圍要求，因此不能直接對整幅圖像運用灰度直方圖進行膚色識別，解決辦法是將圖像分塊，對每一塊進行膚色識別。分塊的大小不能太大，分塊太大會影響識別的精度，筆者經(jīng)過多次試驗，分塊大小為2×2較為合適。為了提高識別效率，在對圖像分塊前需要將圖像規(guī)范化到一定的寬度和高度，筆者在算法中將圖像大小規(guī)范化到200×200?；诨叶戎狈綀D的膚色識別過程如下：

Step1 將圖像大小規(guī)范化到200×200；

Step2 將圖像轉化成灰度圖；

Step3 將轉化后的灰度圖按從左到右、從上到下的順序分塊，每塊大小2×2；

Step4 根據(jù)式(1)計算圖像塊的灰度直方圖；

Step5 在Step4得到的灰度直方圖基礎上，根據(jù)式(2)和式(3)計算均值和方差，如果均值位于120～240范圍內(nèi)，且方差位于0～70范圍內(nèi)，則認為該圖像塊為膚色，其對應的像素用1表示，否則認為該圖像塊為非膚色，用0表示；

Step6 重復Step4和Step5，直到所有圖像塊都處理過為止。

當對一幅圖像采用基于灰度直方圖的膚色識別后，就要進行如文獻[2]所述的基于高斯混合模型自適應膚色識別。筆者在文獻[2]中詳細論述了基于高斯混合模型自適應膚色識別算法，在此不再贅述。

3.2 膚色區(qū)域分割

筆者對同一幅圖像分別利用灰度直方圖和高斯混合模型進行膚色識別，結果發(fā)現(xiàn)這兩種不同的識別算法識別與膚色相近的毛發(fā)、背景、風景等非膚色部分的效果不同，如圖3所示。從圖中所示的識別結果來看，基于灰度直方圖的膚色識別算法在識別與膚色相近的毛發(fā)、背景等粗糙部分時效果明顯優(yōu)于基于高斯混合模型識別算法，如果將灰度直方圖和高斯混合模型這兩種不同的識別特征結合起來，識別算法在識別與膚色相近的毛發(fā)、背景、風景等非膚色部分方面的識別效果會大大提升。

圖3 灰度直方圖和高斯混合模型對膚色的識別結果

假設A、B是兩個200×200的矩陣，分別表示基于灰度直方圖和高斯混合模型膚色識別結果，矩陣A和B的元素定義為

用矩陣C表示結合灰度直方圖和高斯混合模型的膚色識別結果，則矩陣C按式(6)和式(7)運算求得：

C=A⊕B，

(6)

其中

cij=aij⊕bij，

(7)

式中：i=1,2…,200；j=1,2,…,200；運算符“⊕”的運算規(guī)則為

1⊕1=1， 1⊕0=0， 0⊕1=0， 0⊕0=0。

如果cij=1，則對應像素為膚色像素，否則為非膚色像素。將圖3中的(b)和(c)兩幅圖像以及(e)和(f)兩幅圖像分別根據(jù)式(6)進行合成運算，結果分別如圖4(a)和4(b)所示。從圖示識別結果來看，本文提出的膚色識別算法能正確識別圖像中的膚色部分，也能正確識別與膚色相近的毛發(fā)、背景、風景等非膚色部分。

(a) 圖3(b)和(c)合成結果 (b) 圖3(e)和(f)合成結果 圖4 圖3合成結果

4 實驗結果及分析

在Intel CORE i7 CPU、8.0 G RAM的環(huán)境下，采用MATLAB 7.0分別編程實現(xiàn)基于灰度直方圖的膚色識別算法、基于高斯混合模型自適應膚色識別算法(實驗中由6個單高斯模型構成高斯混合模型)以及基于灰度直方圖和高斯混合模型多特征膚色識別算法，以能正確識別圖像中皮膚區(qū)域的95%以上為正確識別的標準，對百度圖庫中1000幅圖像(400幅女性圖像、400幅男性圖像、200幅風景圖像)進行膚色識別，識別情況如表1所示。

表1 3種膚色識別算法識別情況對比表

從表1列出的實驗結果來看，盡管基于灰度直方圖和高斯混合模型多特征膚色識別算法識別每幅圖像的時間相對于其他兩個算法稍長一些，但算法正檢率得到較大提高，特別是識別女性圖像和風景圖像的正檢率提高明顯?；诨叶戎狈綀D和高斯混合模型多特征膚色識別算法可以有效解決膚色識別中識別與膚色相近的毛發(fā)、背景、風景等非膚色部分的問題。

[1] 楊揚,程楠楠,張萌萌.直方圖在線更新的膚色識別方法研究[J].計算機工程與應用,2012,48(4):204-206.

[2] 任民宏,魯秋菊.基于高斯混合模型自適應膚色識別算法[J].陜西理工學院學報(自然科學版),2016,32(6):53-56.

[3] 張遠鵬,董海,周文靈.計算機圖像處理技術基礎[M].北京:北京大學出版社,1998:89-92.

[4] CHAI D,NGAN K N.Locating facial region of a head-and-shoulders color image[C]//Nara:Proceedings of the 3rd International Conference on Automatic Face and Gesture Recognition,1998:124-129.

[5] 宗蘇.人類膚色識別中高斯模型的應用[J].中小企業(yè)管理與科技,2011(22):273.

[6] 胡伏原,張艷寧,張廣鵬.膚色檢測研究[A]//信號與信息處理技術第三屆信號與信息處理全國聯(lián)合學術會議論文集[C].中國體視學學會圖像分析分會,2004:6.

[7] 胡春華,馬旭東,戴先中,等.一種基于標準混合高斯模型的快速人臉檢測方法[J].東南大學學報(自然科學版),2007,37(3):389-394.

[8] 楊世強,弓逯琦.基于高斯模型的手部膚色建模與區(qū)域檢測[J].中國圖象圖形學報,2016(11):1492-1501.

[9] 柳伯超.基于內(nèi)容的不良圖像識別研究[D].濟南:山東師范大學,2007:13-25.

[責任編輯：魏 強]

Algorithm for skin color recognition based on multi-feature of gray-level histogram and Gaussian mixture model

REN Min-hong, CHEN bo, LU Qiu-ju

(School of Mathematics and Computer Science, Shaanxi University of Technology, Hanzhong 723000, China)

Skin color recognition is the key technology in the pornographic image recognition and face detection. The effect of skin color recognition may affect the related image processing technology. Although skin color in the noise images is better recognized with algorithm for skin color recognition based on Gaussian mixture model, for such body parts close to skin color as hair, background and scenery, the effect of skin color recognition is unsatisfactory. In order to solve the problem, algorithm for skin color recognition based on multi-feature of gray-level histogram and Gaussian mixture model is presented along with gray-level histogram and Gaussian mixture model in this paper. The experiment shows that recognition efficiency of the algorithm is higher, similar color of skin parts in image is better recognized with this algorithm and the algorithm has certain practicality.

gray-level histogram; Gaussian mixture model; skin color recognition

TP391.4

A

2096-3998(2017)05-0043-04

2017-03-18

2017-05-11

陜西省教育廳專項科研計劃項目(15JK1134)；陜西理工大學科研基金資助項目(SLGKY16-14)

任民宏(1970—)，男，陜西省洋縣人，陜西理工大學副教授，主要研究方向為計算機圖形圖像處理；陳波(1978—)，男，陜西省寧強縣人，陜西理工大學講師，碩士，主要研究方向為計算機圖形圖像處理；魯秋菊(1982—)，女，陜西省漢中市人，陜西理工大學講師，碩士，主要研究方向為計算機圖形圖像處理。