《基于支持向量机与邻域信息的肤色检测》由会员分享，可在线阅读，更多相关《基于支持向量机与邻域信息的肤色检测（3页珍藏版）》请在金锄头文库上搜索。
1、第 26卷第 5期 ? ?计算机应用与软件Vol?26No. 5 2009年 5月?Computer Applications and Soft wareMay 2009 基于支持向量机与邻域信息的肤色检测 徐从东 ? 陈 ? 春 ? 朱安国 (解放军炮兵学院炮兵指挥自动化与仿真系? 安徽 合肥 230031) 收稿日期: 2007- 11- 29。徐从东,讲师, 主研领域: 模式识别, 图像 处理。 摘? 要? ? 根据支持向量机理论和肤色信息分布特点, 提出利用像素点的 8邻域信息, 用 C? 支持向量机的方法进行图像的肤色检 测。在 YCbCr颜色空间, 去除照度分量, 用像素点及其 8
2、邻域内各点的 Cb、 Cr分量构成的向量作为输入, 像素点所属类别为输出, 高 斯函数为核函数, 采用序列最小最优化学习算法, 构造了 C? 支持向量机肤色检测器。实验表明, 当核宽度为 80, 惩罚系数 C为 200 时, 该肤色检测器的检测正确率可达到 0. 977 。 关键词? ? 肤色检测 ? 支持向量机? 颜色空间? 高斯函数?8邻域点 COMPLEXION DETECTION BASED ON SUPPORT VECTORMACH I NE AND NEI GHBOURHOOD INFORMATION Xu Congdong? Chen Chun?ZhuAnguo (Depart
3、ment of Artillery Command Automation and Si mulation, Artillery A cademy of PLA,H efei230031, Anhui , China) Abstract ? ? According to the theory of SupportVectorM achine and the characteristic of co mplexion distribution, a novel complexion detec ? tion approach based on C?SupportVectorM achine and
4、 with pixels? 8 neighbourswas proposed.In YCbCr colour spaces ,taking Cb and Cr sub?vectors of one pixel excluding illum inance sub?vector and allCb and Cr sub?vectors of its8?neighbours?pixels to for m the input vector , pixels?categories as output , Gaussian function as kernel function,using seque
5、nce mini mal opti mization as learning algorithm,complexion detectors based on C?SupportV ectorM achine were constructed. Experi mentalresult shows that the correctness rate of the co mplexion detector reaches 0. 977 when the kernelwidth be 80 and the punish coefficient C be 200 . K eywords? ?Skin d
6、etection?Support vector machine?Colour space? Gaussian function?8?neighbours 0? 引? 言 肤色检测是在图像中选取对应于人体皮肤像素的过程。随 着视频图像采集设备的普及, 对图像中肤色区域分割的研究日 趋活跃。在与人有关的各种机器视觉系统中, 肤色检测技术正 得到越来越多的应用, 一个精确检测肤色的方法具有非常重要 的研究价值。近年来, 人们提出各种肤色检测方法 1- 3, 其中神 经网络理论 4被广泛用于研究之中, 如用 BP神经网络进行肤 色检测 5, 得到了较好的识别结果。但由于人的肤色离散度很 大, 不仅不同
7、人的肤色差别很大, 而且在不同的光照条件下, 或 者即使是在同一照明条件下, 同一人的肤色或者同一人不同部 位的肤色也是不同的。由于在实际构造肤色滤波神经网络时, 不可能得到非特定人肤色的完备样本, 加之神经网络单纯追求 训练误差最小以及容易陷入局部极小点的缺陷, 使 BP网络肤 色滤波器的推广能力较差, 不能达到很好的识别结果。 另一方面, 人类在一个真实场景或图像、 视频中能够很容易 地分辨出皮肤与非皮肤区域, 这是因为人类在作出判断时, 主要 是根据区域相关信息, 如果仅仅提取出图像中的某一独立像素, 则人们很难作出判断。可见区域信息在人们的肤色判断中起着 非常重要的作用。 为此, 本文
8、提出一种利用皮肤像素及邻域像素, 用支持向量 机 6 SVM ( SupportVectorM achines)进行肤色检测。 SVM 采用 结构风险最小准则 SR M (StructuralRiskM ini m ization), 在最小化 训练样本误差的同时, 缩小了模型预测误差的上界, 从而使模型 有更好的泛化能力。 SVM 方法对推广风险的考虑使它更适合 处理肤色这种离散度很大的情况。 1? 支持向量机理论 支持向量机的基本思想就是在样本空间或特征空间, 构造 出最优超平面作为分类面, 使得超平面与不同类样本集之间的 距离最大, 从而达到最大的泛化能力。假设训练集: T = (x1,
9、 y1), , (xN, yN) !(? ?)N 其中 xi!? = Rd, i= 1 , 2, , N , 是对应第 i个训练样本的输入 模式, yi!?= + 1, - 1 , i = 1, 2, , N , 是第 i个输入对应 的目标输出, SVM 就是求解下列二次规划问题: m in 1 2 # N i , j= 1 i jyiyjK (xi, xj) -# N i= 1 i( 1) 约束条件为: # N i= 1 yi i= 0( 2) 0 iC?i = 1 , 2, , N ( 3) ? 第 5期? ?徐从东等: 基于支持向量机与邻域信息的肤色检测203? ? 其中 C为某个待定的
10、常数, 它实现了在错分样本的比例与算法 复杂度之间的折中。K (xi, xj) 是核函数。 解上述二次规划, 得最优解 * = ( * 1, , * N )T, 则容易 证明, 解中将只有一部分 (通常是少部分 ) * i 不为零, 对应的样 本就是支持向量。 选取 * 的一个正分量 0 * j C, 并据此计算 b*= yj- # N i= 1 yi * iK (xi, xj) 。由此求得决策函数为: f(x ) =sgn # N i= 1 * i yiK (xi, x) + b* ( 4) 2? 基于邻域信息的 SVM 肤色检测器的构造 颜色空间的选择对基于颜色的皮肤检测无疑是至关重要 的
11、。研究人员发现, 皮肤颜色在某些颜色空间中具有良好的类 聚性, 不同肤色的人种, 或者同一个人在不同亮度的光线下得到 的彩色图像, 虽然看起来肤色差别很大, 但实际上色度变化并不 大 7。因此, 人们利用这一点可以进行肤色检测。 在 YCbCr颜色空间, 皮肤颜色具有良好的类聚性, 而且它 很明确地将照度和色度部分区分开来, 可以通过去除照度分量 克服光照的影响。因此, 我们采用 YCbCr作为肤色检测的颜色 空间。对于常用的 RGB三色图像, 可以通过公式 ( 1) 转化为 YCbCr图像: Y = 0. 299R + 0. 578G + 0 . 114B Cb = ( - 0. 1687R
12、 - 0. 3313G + 0. 5B) + 128 Cr =(0. 5R - 0. 4187G - 0. 0813B ) + 128 ( 5) 其中 R、 G、 B分别表示 RGB三色空间中的红、 绿、 蓝三色分量, Y 表示 YCbCr颜色空间中的照度分量, Cb和 Cr表示 YCbCr颜色 空间中两个色度分量。 在 YCbCr空间中由色度 Cb和 Cr 构成的二维平面上, 皮肤 颜色分布相对比较集中, 而且照度分量具有很大的随机性, 由外 界光照决定的, 因此, 我们采用 Cb和 Cr两维空间作为肤色检测 的空间, 对图像进行肤色检测。 观察人的图像不难发现, 具有肤色的像素点通常不是单
13、独 出现, 而总是在图像中成片出现, 构成一定大小的区域。因此在 判断某像素点是否属于皮肤区域时, 附带着其周围的相邻像素 点一并考虑, 这更符合皮肤像素点出现的规律。我们用 8邻域 来考虑图像的各像素点与其附近像素的相关性。在判断某一像 素点是否是皮肤像素时, 以该像素点及其 8邻域内的像素 (即 8 邻域点 )共 9个点的 Cb与 Cr色度组成的 18维空间作为构建皮 肤检测模型的空间, 对图像中的皮肤区域进行检测。 用 SVM 方法解决肤色检测问题, 首先要构造训练集。此 时, 训练样本就可构成如下, 设皮肤图像集中的一幅图像转化到 YCbCr颜色空间后, 得到像素点 p ( i , j
14、)的 Cb与Cr分量的像素值 分别为 Cb( i , j) 和 Cr( i , j), 则对应的向量 Xp为: Xp= Cb( i- 1 , j - 1), Cb( i- 1, j), Cb( i- 1, j+ 1), Cb( i- 1, j), Cb( i, j), Cb( i+ 1, j), Cb( i- 1 , j + 1), Cb( i , j + 1), Cb( i+ 1, j+ 1), Cr( i- 1, j- 1), Cr( i- 1 , j), Cr( i- 1, j + 1), Cr( i- 1 , j), Cr( i, j), Cr( i+ 1, j), Cr( i- 1,
15、 j+ 1), Cr( i , j + 1), Cr( i+ 1 , j + 1) T yp= + 1 同理, 非皮肤图像集中的第 q(m, n) 个像素点构成的训练 样本为: Xq=Cb(m - 1, n- 1), Cb(m - 1, n), Cb(m - 1, n + 1), Cb(m - 1, n), Cb(m, n), Cb(m + 1 , n), Cb(m - 1, n+ 1), Cb(m, n+ 1), Cb(m + 1 , n+ 1), Cr(m - 1 , n- 1), Cr(m - 1 , n), Cr(m - 1 , n + 1), Cr(m - 1, n), Cr(m,
16、n), Cr(m + 1, n), Cr(m - 1 , n + 1), Cr(m, n + 1), Cr(m + 1, n+ 1) T yq= - 1 核函数采用高斯函数, 其形式为: K (x, xi) =exp- | x - xi| 2 2! 2 ( 6) 在训练过程中, 确定核函数中的参量 ! (核宽度 )和目标函 数中的参量 C(惩罚系数 )。用序列最小最优化 SMO ( Sequential M ini malOpti mization)算法 8进行学习, 结束后得到支持向量, 即得到一个成熟的 SVM 肤色检测器。此时就可对任意给定的 图像进行肤色检测。 给定一幅待检测的 RGB三色图后, 将它转化为 YCbCr三色 图像, 依次将该图像各像素点及其 8邻域点的 Cb、 Cr值构成的 向量作为输入向量, 输入 SVM 肤色检测器中, 得到输出节点的 输出, 如果输出值为 + 1, 则为肤色像素, 如果输出值为 - 1, 则为 非肤色像素。 3? 实验结果与分析 我们用 M atlab7. 1
