專利名稱：高斯框架下近似最優膚色檢測方法
技術領域：
本發明涉及一種基于多高斯模型的膚色檢測的方法，屬于圖像處理領域。
背景技術：
在圖像處理與計算機視覺領域中，膚色檢測在人臉檢測、人臉識別以及不良圖像的過濾等應用領域中具有重要的意義。在過去的幾年中，一些基于像素的膚色檢測方法已涌現。這些方法可分為兩類 第一類是非參數模型，例如膚色空間的直接閾值法和直方圖方法；第二類是參數化模型，例如單高斯模型、橢圓邊界模型等。與非參數模型相比，參數化模型需要較少的訓練數據和較低的存儲要求，更易于推廣。Menser和Wien利用多維的單高斯模型(Single Gaussian Models，簡稱SGMs)來表征RGB空間中的膚色分布。由于膚色分布并不嚴格正態分布，而是有一定程度的傾斜，故單高斯模型并不能準確地描述該分布。Lee和Yoo提出了橢圓邊界模型，該模型本質上等價于單高斯模型，但是在均值向量的估計稍有區別。為了更加準確地表示膚色分布，很多研究者采用了混合高斯模型(GaussianMixture Models，簡稱GMMs)。此夕卜，其它方法如多層感知器分類法(MLP)也已被提出。由于SGMs、橢圓邊界模型、GMMs等基于高斯模型方法具有簡單性和良好的推廣性等優點，這些方法已被廣泛應用。但是，它們局限性在于僅當FPRs在某個較小的特定范圍內時方法表現良好。一般地，SGMs在FPR較小的時候表現好于橢圓邊界模型法，在FRP大于0. 09時橢圓邊界法表現優于SGMs。此外，在實驗中我們發現GMMs在FPR大過0. 40時表現優于上述兩種方法。通常地，單個模型僅在特定FPRs范圍內表現得較好。因此，提出一種在大范圍甚至整個FPRs區間內表現良好的膚色檢測方法是非常必要的。
發明內容
本發明的主要內容，提出一種新的基于像素的膚色檢測方法，名為MGMs模型，并導出其離散和連續的形式，用以解決目前高斯框架下絕大多數方法只能在某個特定FPRs 小區間上得到較好性能的問題。MGMs模型是基于多個最優高斯模型而建立的，每個高斯模型對應一個事先給定的 FPR0每個最優模型在對應的FI5R值條件下能夠取得最高的膚色檢測IPR值，可以通過搜索的優化算法來解決。因此，對于所有給定的FPRs值，MGMs模型能夠在高斯框架下實現近似最優性能。并且，MGMs模型與SGMs有相同的計算代價。本發明采用了如下技術手段來實現的首先將RGB空間歸一化；1)建立最優單高斯模型從單高斯概率密度函數出發，通過判斷概率密度函數值與事先定義的閾值之間的關系來對膚色空間中的樣本點進行分類；最優單高斯模型通過求解優化問題來獲得假定膚色檢測的FI^R值為rF = C，最大化膚色檢測的檢測率TPR，通過該優化問題可以獲得最優單高斯模型的均值向量和協方差矩陣參數；該最優化問題的求解通過搜索算法來，按如下步驟進行①.最優高斯模型的協方差矩陣通過對訓練集中的膚色樣本點采用最大似然估計方法獲得，假設該矩陣在搜索算法執行過程中不變；②.采用Fisher線性判別和主成分分析方法得到兩個方向，對此進行線性組合來初始化搜索算法中的高斯模型均值向量μ ini，即為0時刻的均值向量μ ^ ；③.在搜索算法中的t時刻，沿著方向θ e Θ對均值向量^進行移動，其中 Θ為預定義的8個方向，步長為δ個像素，從中選擇一個方向^使得在該方向上向量
Fi =- (rF t,rT t)T在ROC曲線rF = C處法線方向上投影向量處在該ROC曲線的
上方，并且范數最大，則^即為t時刻均值向量的更新方向，轉至④；否則，中止搜索算法，輸出最終的均值向量；④.在t+Ι時刻，通過調整閾值的大小使得FPR的值重新為rF,w = C。t — t+1， 轉至③。最終可以通過以上搜索算法獲得對應于rF = C的最優單高斯模型。若有k個給定的FI^R值C1, C2,…，Ck，則通過以上算法可以得到K個對應的最優單高斯模型{<N(yk， Σ )，Ck>|k= 1，2，...，K}，其中μ k為第k個最優高斯模型均值向量，Ck為第k個最優高斯模型的FI^R值。2)融合多個最優高斯模型使N(yk，E )作用于區間F e [ak，bk)而不僅僅是Ck，其中 <Ck<bk。每個模型的ROC曲線可以用函數& = fk(rF)，rF e
表示。^t和bk的值由下式決定ak =min {rF | fk(rF)彡 fx (rF)，1 乒 k}和 bk = max {rF | fk(rF)彡 fx (rF)，1 乒 k}，其中 fk(rF)和 fx(rF)分別為對應模型N(yk，E )禾ΠΝ(μ1;Σ )的ROC曲線。在W，l]區間內對誤檢率 FI3R進行采樣，在此基礎上通過實驗方法得到fk(·)，最后通過比較fk(rF)和其它ROC曲線來計算％，bk，其中k = 1，2，. . .，K ；最終得到融合后的多高斯模離散形式可以表示為如下二元組的集合{<N(yk，E )，[ak，bk)>|k= 1，2，···，Κ}。對多個最優高斯模型中的參數采用線性擬合的方法，得到一個μ ,和Ck的線性關系，可以得到的多高斯模型MGMs的連續形式。本發明的有益效果是提出了一種在大范圍FPRs區間上都能取得近似最優性能的膚色檢測方法，并且計算復雜度低，對海量的網絡可視媒體的處理具有重要的意義。
具體實施例方式下面對本發明的具體實施例加以說明步驟1，在標準化的RGB顏色空間上對膚色進行建模。本專利中的圖像像素是在歸一化的RGB顏色空間(也成為rgb顏色空間)上進行表示的。在忽略背景光的條件下，歸一化RGB空間具有相對于光源不隨表面方向變化的不變性。此外，RGB到歸一化RGB的變換由如下公式可得
RGhBn.r = -~,g = -~,b=-~(1)
^RGB^RGB^RGB其中Sio = R+G+B，r+g+b = 1。第三個分量b不獨立于r和g，故僅使用分量r和g來表示圖像，在實驗中可以線性變換至范圍W，255]。步驟2，基于一個特定的FI^R值rF = Ce W，1]，求解最優單個高斯模型。為了建立一種基于混合高斯模型的膚色檢測方法，本專利首先需要建立基于一個特定FPR下最優的單個高斯模型Λ/" (μ，Σ )，其概率密度函數表示如下
權利要求
1.一種高斯框架下近似最優的膚色檢測方法，其特征在于，包括如下步驟1)首先將RGB空間歸一化至rgb空間；2)建立最優單高斯模型從單高斯概率密度函數出發，通過判斷概率密度函數值與事先定義的閾值之間的關系來對膚色空間中的樣本點進行分類；最優單高斯模型通過求解優化問題來獲得假定膚色檢測的FI^R值為rF = C，最大化膚色檢測的檢測率TPR，通過該優化問題可以獲得最優單高斯模型的均值向量和協方差矩陣參數；該最優化問題的求解通過搜索算法來，按如下步驟進行①.最優高斯模型的協方差矩陣通過對訓練集中的膚色樣本點采用最大似然估計方法獲得，假設該矩陣在搜索算法執行過程中不變；②.采用Fisher線性判別和主成分分析方法得到兩個方向，對此進行線性組合來初始化搜索算法中的高斯模型均值向量μ ini，即為0時刻的均值向量μ ^ ；③.在搜索算法中的t時刻，沿著方向θe Θ對均值向量^進行移動，其中Θ為預定義的8個方向，步長為δ個像素，從中選擇一個方向^使得在該方向上t時刻向量Fi = (4% - rF，t,4d)+l - 在ROC曲線rF = C處法線方向上的投影向量處在該ROC曲線的上方，并且范數最大，則^即為t時刻均值向量的更新方向，轉至④，其中rF,dnrT,t分別是模型在t時刻的誤檢率和檢測率，rfidnrgh*別是該模型沿著方向Θ對均值向量y t進行移動后新模型的誤檢率和檢測率；否則，中止搜索算法，輸出最終的均值向量；④.在t+Ι時刻，通過調整閾值的大小使得FPR的值重新為rF,t+1 = C ;t — t+1，轉至③；最終可以通過以上搜索算法獲得對應于rF = C的最優單高斯模型；若有k個給定的 FI^R值C1, C2,…，Ck，則通過以上算法可以得到K個對應的最優單高斯模型{<N(yk，E )， Ck> I k = 1，2，. . .，K}，其中μ k為第k個最優高斯模型均值向量，Ck為第k個最優高斯模型的FPR值；3)融合多個最優高斯模型使N(yk，Σ )作用于區間F e [ak, bk)而不僅僅是Ck，其中 < Ck<bk;第k個模型的ROC曲線可以用函數& = fk(rF)，rF e
表示。 和bk的值由下式決定ak = min{rF|fk(rF)彡 fx (rF)，1 乒 k}和 bk = max {rF|fk(rF)彡 fx (rF)，1 乒 k}，其中 fk(rF)禾口 fx(rF)分別為對應模型N( μ k，Σ )和Ν( μ Σ )的ROC曲線;在W，l]區間內對誤檢率FI^R進行采樣，在此基礎上通過實驗方法得到fk(·)，最后通過比較fk(rF)和其它ROC曲線來計算ak, bk，其中k = 1，2，. . .，K ；最終得到融合后的多高斯模離散形式，表示為如下二元組的集合KN(yk,E )，[ak, bk)>|k= 1，2，···，Κ}。
2.根據權利要求1所述的檢測方法，其特征在于，對多個最優高斯模型中的參數采用線性擬合的方法，得到一個P1^P Ck的線性關系，最終得到的多高斯模型連續形式。
全文摘要
為了解決目前高斯框架下的方法只能在某個特定的誤檢率(FalsePositive Rates，簡稱FPRs)區間內性能較好的問題，本發明提出一種高斯框架下近似最優的膚色檢測方法，稱為多高斯模型(Multiple GaussianModels，簡稱MGMs)，并推導出其離散和連續的形式。該方法對于整個FPR區間內都具有很好的性能。首先將RGB顏色空間歸一化得到rgb空間，然后建立多個最優單高斯模型，最后將多個最優模型融合。MGMs模型包含多個最優單高斯模型，每個高斯模型對應于一個事先定義的FPR值。在每個FPR情況下，對應的最優模型會得到最高的膚色檢測率(True Positive Rates，簡稱TPRs)，該模型采用基于搜索算法的優化問題求解來獲得。因此，對于所有的FPR值，MGMs模型能夠在高斯框架下獲得近似最優的膚色檢測性能。此外，MGMs模型與單高斯模型(Single Gaussian Models，簡稱SGMs)在測試環節具有相同的計算復雜度。
文檔編號G06K9/62GK102521607SQ20111038935
公開日2012年6月27日 申請日期2011年11月30日 優先權日2011年11月30日
發明者李謙, 杜友田, 蔡忠閩 申請人:西安交通大學