基于YCbCr空间肤色自适应分割方法*

2021-09-24付天豪

科技创新与应用 2021年26期

谢杰，张键，付天豪

（1.中国电子科技集团公司第五十八研究所，江苏无锡 214072；2.中科芯集成电路有限公司，江苏无锡 214072）

肤色信息是人类最显著特征之一，对肤色进行分割是很多关于人体相关的图像处理系统的基础处理部分。肤色分割主要分为三步：颜色空间变换、肤色建模、肤色决策。不同的研究者在颜色空间选择方面对皮肤分割算法性能的影响得出了不同的结果。文献[1]在YCgCr彩色空间，通过改进的粒子群与K均值聚类综合的方法进行人脸肤色分割，提升了聚类方法的全局检索能力；文献[2]在YCgCr与YCgCb空间中进行肤色分割，提升了聚类方法的全局检索能力；文献[2]在YCgCr与YCgCb空间中进行肤色分割，能够将每一视频帧中的肤色区域与非肤色区域有效地分隔开。文献[3]对多种颜色空间比较发现，YCbCr颜色空间比HSV颜色空间更适合应用于光照不均匀的复杂彩色图像的肤色分割。目前为皮肤分割任务寻找最优颜色空间的努力转向采用优秀的皮肤检测模型和光照补偿方法[4]。对特定颜色空间中皮肤聚类的观察可以建立肤色模型。肤色建模主要有基于皮肤聚类边界的分割规则[5-6]和基于机器学习[7-8]两种方法。机器学习方法分割肤色较优，但需要大量具有代表性的训练数据集，并且还需要较长的分类时间，不适合实时性较高的情况。在肤色决策方面，固定阈值分割法常用于单一背景下的肤色图像分割，当存在类肤色背景下的适应性不强，分割效果不佳，而动态阈值分割容易受环境变化的影响。

针对传统分割方法对图像中光照变化肤色分割鲁棒性不强、自适应能力不佳等问题，本文提出一种人体肤色自适应分割方法，能够较好地适应光照和复杂背景的变化。本文的自适应肤色分割方法步骤为：首先获取输入的RGB肤色图；其次将肤色图像素转化为本文改进后的YCbCr颜色空间；最后结合椭圆边界肤色模型和本文提出的自适应肤色决策对肤色进行有效分割。

1 自适应肤色分割

1.1 YCbCr颜色空间

本文选取YCbCr颜色空间，因为它的肤色聚类性好，分割效果佳[9]。传统的RGB转YCbCr得到Cb、Cr值呈现一定的规律性，当光照强度Y在[60，180]范围内变化时，Cb值和Cr值随着光照强度Y变化很小，聚类性较强，表现出了很强的稳定性[10]，当光强度值Y在[60，180]范围之外，Cb和Cr就呈现非线性无规律变化。对上述理论通过实验验证，采用LED环形光源进行亮度调节，通过在人手的相同位置在不同的光照强度下获取像素点样本，将像素点的RGB值转换为YCbCr值得到如图1实验规律。其中RGB转换YCbCr如下[10]：

图1 改进前Cr和Cb随Y变化趋势

1.2 基于YCbCr颜色空间的改进

由图1可知，当光照强度Y在[60，180]范围之外时，Cb值和Cr值呈现非线性变化，已经不能反映正常的人体肤色色度信息，因此需要进行改进，以增强Cb和C r稳定性，使得肤色分割对光线具有更好的适应性。对式（1）的线性转换算法通过非线性调节函数校正，使得Y在较大范围内时，Cr、Cb值对Y的变化具有适应性，从而增强Cr、Cb的聚类性。由图1可以得出Y在[60，180]范围之内时Cr和Cb随Y的变化按照最大拟合度比较发现与式（2）函数变化拟合度较高。

其中a1、b1、a2、b2是函数参数。令YCr=lnCr、YCb=ln（-Cb）、XY=1/Y、θ=lna1、λ=lna2，可将式（2）转换为式（3）：

采用式（4）求取式（3）中θ、b1的最优解。

改进后RGB转换YCbCr为：

1.3 肤色建模与肤色决策

经过大量的统计数据发现肤色在（Cb-Cr）空间上的投影近似一个椭圆。通过拟合椭圆，且将待判定肤色点的颜色分量Cb、Cr值在椭圆边界肤色模型内时，则判定该点为肤色点[10]。椭圆边界肤色模型如下：

其中Cx=109.38，Cy=152.02，θ=2.53rad，eCx=1.60，eCy=2.41，a=25.39，b=14.03。

当图像中出现与肤色相似的特征时，仅仅利用椭圆边界肤色模型会把落入椭圆边界内的所有像素点都视为肤色区域，从而导致较高的误检率。为了完整、准确地进行皮肤区域分割，并且能够适应复杂环境的变化，本文提出一种自适应肤色分割方法：首先以椭圆边界肤色模型内为约束条件获取（Cr-Cb）的取值范围（n，m）即为肤色阈值范围（将式（6）参数带入可得n=22.25，m=66.32），但是此范围内存在类肤色的干扰因此需要获取更加精确的阈值范围。其次根据本文改进的YCbCr颜色空间获取（Cr-Cb）像素灰度值的直方图。最后将灰度值（n，m）范围内灰度直方图拟合成高斯曲线，令高斯曲线的二阶导数为零获取灰度值变化最快的区域即为精确的肤色边界范围。

1.4 基于YCbCr空间自适应分割方法

通过式（5）获取YCbCr颜色空间下Cr减去Cb像素灰度值的直方图（以本文实验部分图5（a）为例）如图2所示，从图2中可以看出在灰度值（22，67）范围内存在肤色范围的峰值。然后采用最小二乘法[11]处理图2肤色范围内的局部灰度直图。

图2 （Cr-Cb）灰度直方图

通过拟合在灰度直方图局部肤色范围内的高斯曲线将获取更精确的肤色阈值范围。将高斯曲线式（7）转换为式（8）的形似：

式（8）中b=μ/σ2，c=-1/（2σ2），F（x）=lnf（x），a=lnA-1/2*ln（2Π）-lnσ-μ2/（2σ2）。已知灰度直方图每个灰度级的灰度值的数目[xi，L（xi）]，根据最小二乘原理建立目标函数：

将式（7）求二阶导数：

令式（11）为零，获取肤色范围变化最快的灰度级，得到两个实数解，便可得到动态肤色阈值范围。该方法获取的动态肤色阈值可以有效地对肤色图像进行精确分割，适应变化的光照，保证肤色分割的准确性。

2 分析与讨论

本文实验的测试环境为：处理器是intel（R）Core（TM）i5-9400 CPU@2.90Hz 2.71GHz；内存是8.00GB；系统是64位。本文选用的肤色分割的实验样本主要分为三个部分：实验1在两种光照环境较极端情况下分别采用YCbCr颜色空间（式（1））和改进YCbCr颜色空间（式（5））进行对比实验，如图4（a）和4（d）所示。其中变化光照下样本像素点的采集是采用LED环形光源在光照强度Y从0逐渐增加200，通过在人手的相同位置，获取到一共1100帧的变化光照像素点样本。通过拟合样本像素点随光照变化的曲线得到式（5）中的相关参数a1、b1、a2、b2；实验2选用的是在六种不同光照变化下的手的肤色，如图5（a）所示。实验3的图片来源于AFLW人脸数据库[12]，如图6（a）所示。为了验证本文算法的有效性，本文采用椭圆边界肤色模型肤色决策[10]、阈值分割方法[13]进行比较，评估肤色目标分割结果。其中阈值分割方法的5

实验1的处理结果如图4（b）、（c）、（e）、（f）所示。其中改进后Cr和Cb随Y变化趋势如图3所示。采用本次实验样本获得的式（5）的参数a1=18.8592，a2=11.2346，b1=-52.070，b2=-28.265。

图3 改进后Cr和Cb随Y变化趋势

其中图4（a）是在100≤Y≤210下的肤色原图、图4（d）是采用传统的方法获取Cr分量的灰度图、图4（c）是采用本文改进方法获取Cr分量的灰度图、图4（d）是在Y≤80下的肤色原图、图4（e）是采用传统的方法获取Cb分量的灰度图、图4（f）是采用本文改进方法获取Cb分量的灰度图。从图4（b）和图4（c）对比中发现采用两种方法分割Cr肤色分量差异较小，都能适应强光的变化提取清晰的肤色轮廓信息。从图4（e）和图4（f）对比中发现采用改进的肤色分割方法对Cb肤色分量在光照不足的情况下能够较明显提取肤色轮廓信息。

图4 颜色空间转换效果对比图

实验2的处理结果如图5（b）、（c）、（d）所示。其中图5（a）中存在的六种不同光照变化的手的肤色。实验光源采用环形光源，型号DHO-RI12030；光源控制器型号为DHO-AP1024-1。变化光照下分割出肤色占总肤色比例如表1所示。本次实验中本文方法获取的自适应高斯曲线拟合参数如表2所示。

表2 实验2拟合曲线参数表

图5 不同光照下肤色分割对比

从表1中可知，单独采用椭圆边界肤色模型进行肤色分割不能很好地在变化的光照下分割肤色；虽然采用固定阈值分割的方法能够在特定光照下分割出大部分肤色，但对光照较弱的环境适应性不强；而本文算法对不同的光照环境有比较良好的适应性，能够在变化的光照下分割出大部分肤色区域。

实验3的处理结果如图6（b）、（c）、（d）所示。文中采用如下参数评价不同算法的检测效果：

其中第i张图中肤色点总数为YSi；非肤色点总数为NSi，正确肤色被检测出为肤色点的总数为RSi，非肤色被检测出为肤色点总数为FSi。分割出肤色的不同算法检测性能比较如表3所示。在本次实验中本文方法对图6（a）的四张复杂背景图获取的自适应高斯曲线拟合各个参数为：图6（a）-1的μ=52.17，σ=8.69；图6（a）-2的μ=47.83，σ=3.73；图6（a）-3的μ=50.46，σ=3.92；图6（a）-4的μ=58.70，σ=4.61。