幾種皮膚檢測(cè)算法的仿真?

鄒奉天

（南京理工大學(xué) 南京 210000）

1 引言

皮膚檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要研究?jī)?nèi)容之一，有著廣泛的應(yīng)用前景。長(zhǎng)期以來(lái)，它在諸如人體識(shí)別、色情圖片識(shí)別、人臉識(shí)別、皮膚病診斷等領(lǐng)域有著廣泛的應(yīng)用。皮膚檢測(cè)過(guò)程是基于像素的顏色分類(lèi)器，在不同的顏色空間下，通過(guò)圖形分割，前景提取，顏色判斷等方式，提取出皮膚區(qū)域。為了找出分類(lèi)器的最佳組成和顏色空間對(duì)皮膚檢測(cè)的影響，Vezhnevets等做了廣泛的研究和測(cè)試。Zarit等在CIE Lab，F(xiàn)leck hs，HSV，歸一化RGB，Ycrcb五種顏色空間上，使用査表法與Baves決策法來(lái)檢測(cè)，并比較了檢測(cè)結(jié)果。

人體檢測(cè)、定位和跟蹤過(guò)程中膚色是一種有特點(diǎn)和區(qū)別的圖像特征。就像其他計(jì)算機(jī)視覺(jué)研究領(lǐng)域一樣，成像條件如光照變化、陰影和高光都使皮膚檢測(cè)過(guò)程更加復(fù)雜化。此外不同種族的膚色可能有所不同。此外對(duì)于同一個(gè)人，膚色在身體不同部位如臉和手和日照時(shí)間如長(zhǎng)時(shí)日照后會(huì)出現(xiàn)顯著差異。

細(xì)胞學(xué)習(xí)自動(dòng)機(jī)（CLA）是由簡(jiǎn)單元素組成的系統(tǒng)模型。這些簡(jiǎn)單的元素基于它們的鄰近元素行為和先前的經(jīng)驗(yàn)來(lái)提高他們的性能。它們可以根據(jù)它們之間的相互作用來(lái)識(shí)別復(fù)雜的行為。像素間的鄰域特性使得細(xì)胞學(xué)習(xí)自動(dòng)機(jī)成為不錯(cuò)的圖像處理選擇。

2 幾種皮膚檢測(cè)算法介紹

2.1 基于RGB顏色空間的皮膚檢測(cè)

RGB空間由紅，綠，藍(lán)三種顏色為原色在三維直角坐標(biāo)系中構(gòu)成顏色空間，是當(dāng)前最為廣泛運(yùn)用的顏色空間［1］。由peeretal的研究表明，人體的膚色在RGB空間中符合下列的規(guī)律。

在室內(nèi)白光下：

（R>95）AND（G>40）AND（B>20）AND（max（R，G，B）-max（R，G，B）>15）AND（|R-G|>15）AND（R＞G）AND（R＞B）

在通常日光下：

（R>220）AND（G>210）AND（B>170）AND（|R-G|≤15）AND（R＞G）AND（R＞B）

通過(guò)上述對(duì)RGB分量的閾值分割，我們可以得到皮膚檢測(cè)的區(qū)域。

2.2 基于YCr Cb空間的橢圓皮膚模型檢測(cè)

YCbCr顏色空間是一種常用的膚色檢測(cè)的色彩模型，其中Y代表亮度，Cr代表光源中的紅色分量，Cb代表光源中的藍(lán)色分量［2］。人的膚色在外觀上的差異是由色度引起的，不同人的膚色分布集中在較小的區(qū)域內(nèi)。膚色的YCbCr顏色空間CbCr平面分布在近似的橢圓區(qū)域內(nèi)，通過(guò)判斷當(dāng)前像素點(diǎn)的CbCr是否落在膚色分布的橢圓區(qū)域內(nèi)，就可以很容易地確認(rèn)當(dāng)前像素點(diǎn)是否屬于膚色。圖1為橢圓區(qū)域。

圖1 橢圓區(qū)域

根據(jù)經(jīng)驗(yàn)?zāi)滁c(diǎn)的CrCb值滿足：133≤Cr≤173，77≤Cb≤127那么該點(diǎn)被認(rèn)為是膚色點(diǎn)，其他的就為非膚色點(diǎn)。

YCrCb和RGB互相轉(zhuǎn)換的公式如下：

通過(guò)將圖像轉(zhuǎn)化到Y(jié)CbCr空間并且在CbCr平面進(jìn)行投影，采集膚色的樣本點(diǎn)并且投影后，再進(jìn)行相應(yīng)的非線性K-L變換，遍歷轉(zhuǎn)換后的像素點(diǎn)，可得到皮膚區(qū)域。

2.3 基于機(jī)器學(xué)習(xí)的皮膚檢測(cè)算法

元胞自動(dòng)機(jī)（CA）被廣泛應(yīng)用于空間擴(kuò)展物理系統(tǒng)的動(dòng)力學(xué)建模［3］。元胞自動(dòng)機(jī)是細(xì)胞的集合，每個(gè)細(xì)胞都適用于多種狀態(tài)的一種。單個(gè)細(xì)胞的變化依賴(lài)于細(xì)胞環(huán)境的規(guī)則狀態(tài)。一個(gè)細(xì)胞的環(huán)境是由一小部分鄰細(xì)胞構(gòu)成。圖2顯示了兩種鄰里關(guān)系。

學(xué)習(xí)自動(dòng)機(jī)（LA）是用于執(zhí)行簡(jiǎn)單任務(wù)的簡(jiǎn)單機(jī)器［4］。它們有一組有限的動(dòng)作，并且在每個(gè)階段根據(jù)自動(dòng)機(jī)的狀態(tài)選擇一個(gè)動(dòng)作的，自動(dòng)機(jī)的狀態(tài)通常由動(dòng)作概率向量表示。對(duì)于自動(dòng)機(jī)選擇的每一個(gè)動(dòng)作，環(huán)境都會(huì)給出一個(gè)強(qiáng)化。環(huán)境給出一個(gè)固定的未知概率分布的強(qiáng)化信號(hào)，該信號(hào)指定了應(yīng)用動(dòng)作的為“增益”。然后，當(dāng)接收到增益信號(hào)時(shí)，學(xué)習(xí)自動(dòng)機(jī)用學(xué)習(xí)算法更新其動(dòng)作概率向量。學(xué)習(xí)自動(dòng)機(jī)與其環(huán)境的相互作用如圖3所示。

圖2 鄰里關(guān)系

圖3 學(xué)習(xí)自動(dòng)機(jī)

具體的學(xué)習(xí)算法是一種遞推關(guān)系，如下，其中α為動(dòng)作選擇，β為環(huán)境對(duì)動(dòng)作的回應(yīng)，ρ為選擇概率，如式（1）、（2）所示：

基于機(jī)器學(xué)習(xí)的皮膚檢測(cè)算法將皮膚的顏色和紋理信息與細(xì)胞學(xué)習(xí)自動(dòng)機(jī)相結(jié)合，在彩色圖像中分割皮膚區(qū)域［5］。首先，檢測(cè)圖像中的皮膚顏色，從若干明確的邊界皮膚模型選定區(qū)域［6］。然后將檢測(cè)到的膚色區(qū)域發(fā)送到顏色紋理提取器，它通過(guò)膚色統(tǒng)計(jì)屬性提取皮膚區(qū)域的紋理特征，并將它們映射到皮膚概率圖［7］。細(xì)胞學(xué)習(xí)自動(dòng)機(jī)使用這張概率圖來(lái)選定皮膚區(qū)域。

具體檢測(cè)的步驟如圖4所示。

圖4 基于CLA的皮膚檢測(cè)流程

皮膚區(qū)域的紋理是比較光滑，通過(guò)它的顏色先選定皮膚區(qū)域，再結(jié)合膚色和紋理信息根據(jù)其不同的紋理特性，通過(guò)CLA分析進(jìn)行進(jìn)一步識(shí)別［8］。如圖5其中顯示了具有不同紋理的兩個(gè)皮膚候選區(qū)域的示例，其顏色相似但紋理是完全不同的。

圖5 皮膚檢測(cè)候選區(qū)示例

我們可以根據(jù)相鄰像素的顏色信息及其歐幾里德距離，提取區(qū)域的紋理。首先，對(duì)于圖上的每個(gè)像素（r，g，b）先使用式（3）計(jì)算該像素的顏色與塊中的所有鄰域之間的歐幾里德距離［9］。然后，通過(guò)（4）計(jì)算“粗糙度圖”，最后，使用計(jì)算的粗糙度值來(lái)計(jì)算“概率圖”式（5）。

通過(guò)概率圖的計(jì)算，學(xué)習(xí)機(jī)（CLA）可以對(duì)整張圖的皮膚紋理進(jìn)行分析，我們根據(jù)中心自動(dòng)機(jī)及其鄰域的選定動(dòng)作來(lái)獎(jiǎng)勵(lì)或懲罰每個(gè)學(xué)習(xí)自動(dòng)機(jī)［10］。如果選擇與皮膚相關(guān)行為的學(xué)習(xí)自動(dòng)機(jī)數(shù)量更多（超過(guò)7個(gè)），對(duì)中心學(xué)習(xí)自動(dòng)機(jī)進(jìn)行獎(jiǎng)勵(lì)。如果選擇與非皮膚相關(guān)的學(xué)習(xí)自動(dòng)機(jī)的數(shù)目少（少于4個(gè)），我們就用它的學(xué)習(xí)算法來(lái)懲罰中心學(xué)習(xí)自動(dòng)機(jī)［11］。具體如圖6。

圖6 學(xué)習(xí)自動(dòng)機(jī)的獎(jiǎng)懲機(jī)制

經(jīng)過(guò)幾次迭代后，CLA中的每個(gè)現(xiàn)有自動(dòng)機(jī)都會(huì)聚在一起，選擇皮膚或非皮膚狀態(tài)［12］。學(xué)習(xí)自動(dòng)機(jī)收斂到0或1，流程就會(huì)停止。至此可以將每個(gè)像素劃分為皮膚像素或非皮膚像素。

3 仿真結(jié)果

仿真環(huán)境使用了Win10系統(tǒng)下的Visual Stu?dio2013加OpenCV包完成RGB顏色空間和YCrCb橢圓空間模型的皮膚檢測(cè)，Matlab2016加Image Processing Toolbox完成了基于機(jī)器學(xué)習(xí)（CLA）的皮膚檢測(cè)［13］。

圖片選自網(wǎng)絡(luò)中隨機(jī)的三張街景，分別包含一人兩人和三人下面為具體的仿真結(jié)果，其中每組第一張為原圖，第二張為RGB顏色空間下的皮膚檢測(cè)結(jié)果，第三張為YCrCb橢圓空間模型下皮膚檢測(cè)結(jié)果，第四張為基于機(jī)器學(xué)習(xí)（CLA）的皮膚檢測(cè)結(jié)果。

圖7 單人、雙人、三人皮膚檢測(cè)算法結(jié)果

由上面對(duì)比明顯見(jiàn)在街拍自然光背景存在干擾的情況下，使用RGB顏色空間的皮膚檢測(cè)存在很高的誤檢率，YCrCb橢圓空間模型下相對(duì)較好但還是存在部分環(huán)境影響導(dǎo)致的誤檢測(cè)［14］，基于機(jī)器學(xué)習(xí)（CLA）的皮膚檢測(cè)獲得了相對(duì)滿意的檢測(cè)效果，最大程度地減少了皮膚誤檢測(cè)［15］。

表1為三種不同皮膚檢測(cè)方式的皮膚正檢率與誤檢率統(tǒng)計(jì)。

表1 各種皮膚檢測(cè)算法正誤檢率

從數(shù)據(jù)上看基于機(jī)器學(xué)習(xí)（CLA）的皮膚檢測(cè)可以在基本保持正檢率的情況下極大地減少皮膚誤檢率。

4 結(jié)語(yǔ)

通過(guò)對(duì)幾種皮膚檢測(cè)算法的仿真與比較，我們不難發(fā)現(xiàn)基于RGB的皮膚檢測(cè)算法雖然算法簡(jiǎn)單，但在復(fù)雜環(huán)境光，復(fù)雜背景的情況下存在比較大的誤檢率，基于YCrCb橢圓空間模型下的皮膚檢測(cè)則主要減少偏藍(lán)色背景的誤檢，但還是存在比較大的皮膚誤檢率，特別是背景也存在偏黃色的場(chǎng)景時(shí)。基于機(jī)器學(xué)習(xí)（CLA）的皮膚檢測(cè)因?yàn)橐肓吮尘凹y理可得分析，所以對(duì)于偏黃色的草地這類(lèi)粗糙背景，可以有效過(guò)濾，但部分飛粗糙類(lèi)膚色的背景如金色光滑的欄桿，衣服上白條等，還是存在部分的誤檢情況，不過(guò)相對(duì)來(lái)說(shuō)誤檢已經(jīng)極大地減少了。

在單一光源，教單一背景下很多算法都能比較準(zhǔn)確地檢測(cè)膚色，但遇到室外復(fù)雜自然光復(fù)雜背景的情況，對(duì)膚色檢測(cè)的算法也提出了更高的要求，基于機(jī)器學(xué)習(xí)通過(guò)引入紋理檢測(cè)膚色能部分解決誤檢的問(wèn)題，但還是存在一定程度的誤檢情況，如果我們引入更多維度的特征，比如形態(tài)學(xué)特征，背景分析前景提取等，應(yīng)該可以進(jìn)一步提高檢測(cè)率減少誤檢率，這也是我們可以進(jìn)一步考慮改進(jìn)算法的方向。