CN104392211A - 一种基于显著性检测的皮肤识别方法 - Google Patents
一种基于显著性检测的皮肤识别方法 Download PDFInfo
- Publication number
- CN104392211A CN104392211A CN201410638233.4A CN201410638233A CN104392211A CN 104392211 A CN104392211 A CN 104392211A CN 201410638233 A CN201410638233 A CN 201410638233A CN 104392211 A CN104392211 A CN 104392211A
- Authority
- CN
- China
- Prior art keywords
- skin
- value
- image
- detected
- color
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于显著性检测的皮肤识别方法,其通过对待检测图像进行人脸识别和显著性检测,获取人脸皮肤区域,并对其进行计算获取平均肤色和肤色概率映射表,最后根据所述的肤色概率映射表对待检测图像进行肤色识别,并获得待检测图像的肤色概率的结果图;其不需要通过收集庞大的训练数据,识别结果也不会因训练数据的偏差而受到影响,并且由于进行了显著性检测,可以排除人脸区域内的非皮肤区域,使得识别的准确率更高,克服待检测图像过亮或过暗的情况下造成的误识别问题。
Description
技术领域
本发明涉及图像识别方法,特别是一种基于显著性检测的皮肤识别方法。
背景技术
皮肤识别的目标是从图像中自动地识别人体的皮肤区域,并且根据识别出的皮肤区域进行美容美化操作。而现有技术中,对图像中人体的皮肤识别存在误识别率高、需要构建数据库的时间久和步骤麻烦、实现复杂、程序运行效率低等不足。
中国发明专利申请201110185739.0公开了一种模式识别和图像处理技术领域中的一种光照自适应的人体肤色检测方法,通过收集训练数据库,用训练数据库来训练基础肤色模型和光照模型,并用基础肤色模型对待检测图像的像素点进行筛选,从光照模型中找出一个和待检测图像最接近的光照模型,用该模型对待检测图像和基础肤色模型进行修正,修正后的待检测图像经修正后的基础肤色模型检测后输出。
但上述发明的技术方案主要是根据数据库来构建肤色模型,必然存在有很大的局限性。当软件定义的数据库中的训练数据都偏于黑暗的情况时,偏亮的照片的皮肤检测得到的较黑的部分就会被自动识别为皮肤,导致误识别率;当软件定义的数据库中的训练数据都偏于明亮的情况时,偏暗的照片的皮肤检测得到的结果是会有很大部分不被识别,误识别率更高;当软件定义的数据库中的训练数据偏平衡的时候,较暗或者较亮的皮肤都不会被识别出来。
发明内容
本发明为解决上述问题,提供了一种算法简单、运行效率高、识别率高的基于显著性检测的皮肤识别方法。
为实现上述目的,本发明采用的技术方案为:
一种基于显著性检测的皮肤识别方法,其特征在于,包括以下步骤:
10.对待检测图像进行人脸识别,获取人脸区域,并对人脸区域进行显著性检测,获取人脸最显著区域,即人脸皮肤区域;
20.对所述的人脸皮肤区域进行均值计算,获取平均肤色;
30.根据所述的平均肤色计算待检测图像的肤色概率映射表;
40.根据所述的肤色概率映射表对待检测图像进行肤色识别,并获得待检测图像的肤色概率的结果图。
优选的,所述的步骤10中对人脸区域进行显著性检测,该显著性检测进一步包括:
a.提取图像特征:采用高斯滤波器对待检测图像进行滤波和采样,形成以所述的待检测图像为底层的高斯金字塔模型;然后对高斯金字塔模型中的每一层分别提取各种图像特征,形成特征金字塔模型;再根据该特征金字塔模型进行计算得到所述的待检测图像的特征图;
b.生成显著图:把每一个所述的特征图归一化处理,并将各个归一化处理后的特征图进行综合计算,得到对应于所述的待检测图像的显著图。
优选的,所述的显著图中采用白色和黑色对其进行标记以获取待检测图像的显著性区域,其中,白色表示待检测图像中显著的区域,黑色表示待检测图像中不显著的区域。
优选的,步骤20中获取平均肤色的方法进一步包括以下步骤:
21.初始化原始皮肤模型;
22.计算整个图像的颜色均值,作为初始皮肤的阈值;
23.根据获取得的初始皮肤的阈值计算人脸区域的平均肤色。
优选的,所述的步骤21中,初始化原始皮肤模型的步骤如下:
211.创建肤色模型,大小为256*256;
212.依次对肤色模型进行赋值,具体伪代码如下;
预设临时变量AlphaValue、nMax、i、j为整数类型。
肤色模型变量为SkinModel[256][256]
For(i=0;i<256;i++)
{
判断i是否大于128,如果大于128,则AlphaValue为255,否则为i*2;
计算获得nMax的值,计算公式为nMax=min(256,AlphaValue*2);
For(j=0;j<nMax;j++)
{
计算对应位置的肤色模型的值,计算公式为SkinModel[i][j]=AlphaValue-(j/2);
}
For(j=nMax;j<256;j++)
{
初始对应位置的肤色模型的值为0;
}
}
。
优选的,所述的步骤22进一步包括:
221.遍历整个图像的像素点,将红色通道、绿色通道、蓝色通道的颜色值累加,得到颜色累加值;
222.将颜色累加值除以像素点的总数,得到红色通道、绿色通道、蓝色通道的均值,作为初始皮肤的阈值。
优选的,所述的步骤23进一步包括:
231.根据如下公式计算平均肤色的灰度值:
GRAY 1=0.299*RED+0.587*GREEN+0.114*BLUE
其中,GRAY1为待检测图像的灰度图的当前像素点的灰度值;RED、GREEN、BLUE分别为待检测图像的当前像素点的红、绿、蓝通道的颜色值;
232.将所述的灰度值作为阈值,用来排除人脸区域非皮肤的部分;
并依次遍历人脸区域里的像素点的颜色值,根据如下公式获得平均肤色:
skin=SkinModel[red][blue];
其中,skin为经过皮肤模型的颜色映射后的皮肤值;SkinModel为步骤21的初始化原始皮肤模型;red为人脸区域里的像素点的红色通道的颜色值;blue为人脸区域里的像素点的蓝色通道的颜色值。
优选的,所述的步骤30中的肤色概率映射表通过如下步骤获取:
31.创建肤色概率映射表,大小为256*256;
32.依次对肤色概率映射表进行赋值,具体伪代码如下;
预设临时变量i、j、SkinRed_Left、AlphaValue、Offset、TempAlphaValue、OffsetJ为整数类型;
肤色概率映射表的变量为SkinProbability[256][256];
SkinRed为步骤222计算得到的红色通道的均值;SkinBlue为步骤222计算得到的蓝色通道的均值;
预设SkinRed_Left的值,计算公式为:SkinRed_Left=SkinRed-128;
For(i=0;i<256;i++)
{
计算Offset的值,公式为Offset=max(0,min(255,i-SkinRed_Left));
判断Offset的值是否小于128,如果小于的,话则AlphaValue=Offset*2;如果大于等于128的话,则AlphaValue=255;
For(j=0;j<256;j++)
{
计算OffsetJ的值,公式为OffsetJ=max(0,j-SkinBlue);
计算TempAlphaValue的值,公式为TempAlphaValue=max(AlphaValue-(OffsetJ*2),0);
判断TempAlphaValue的值。如果大于160的话,则SkinProbability[i][j]的值为255;
如果小于90的话,则SkinProbability[i][j]的值为0;否则SkinProbability[i][j]的值为TempAlphaValue+30;
}
}
。
优选的,其特征在于,所述的步骤40通过如下公式进行实现:
skinColor=SkinProbability[red][blue]
其中,skinColor为肤色概率结果图中的肤色概率值;SkinProbability为肤色概率映射表;red为像素点的红色通道的颜色值;blue为像素点的蓝色通道的颜色值。
优选的,所述的步骤10中对待检测图像进行人脸识别,当人脸区域识别失败时,将整个图像定义为人脸皮肤区域。
优选的,所述的待检测图像为数字图像文件、视频文件或gif动画文件。
优选的,如果待检测图像为视频文件或gif动画文件,则将图像文件截取为单帧图像,分别识别完各个单帧图像后,再还原为视频文件或gif动画文件。
本发明的有益效果是:
本发明的一种基于显著性检测的皮肤识别方法,其通过对待检测图像进行人脸识别和显著性检测,获取人脸皮肤区域,并对其进行计算获取平均肤色和肤色概率映射表,最后根据所述的肤色概率映射表对待检测图像进行肤色识别,并获得待检测图像的肤色概率的结果图;其不需要通过收集庞大的训练数据,识别结果也不会因训练数据的偏差而受到影响,并且由于进行了显著性检测,可以排除人脸区域内的非皮肤区域,使得识别的准确率更高,克服待检测图像过亮或过暗的情况下造成的误识别问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一种基于显著性检测的皮肤识别方法的流程简图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图及实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明的一种基于显著性检测的皮肤识别方法,其包括以下步骤:
10.对待检测图像进行人脸识别,获取人脸区域,并对人脸区域进行显著性检测,获取人脸最显著区域,即人脸皮肤区域;并且,当人脸区域识别失败时,将整个图像定义为人脸皮肤区域;
20.对所述的人脸皮肤区域进行均值计算,获取平均肤色;
30.根据所述的平均肤色计算待检测图像的肤色概率映射表;
40.根据所述的肤色概率映射表对待检测图像进行肤色识别,并获得待检测图像的肤色概率的结果图。
步骤10中涉及到的人脸识别,由于不涉及本发明的主要内容,因此不进行赘述。本实施例中,人脸识别方法采用常规方法,比如文献“P.Viola andM.Jones.Rapid Object Detection using a Boosted Cascade of SimpleFeatures,in:Computer Vision and Pattern Recognition,2001.CVPR 2001.Proceedings of the 2001 IEEE Computer Society Conference on”。根据定位获得人脸的大致区域位置。其中对人脸区域进行显著性检测进一步包括:
a.提取图像特征:采用高斯滤波器对待检测图像进行滤波和采样,形成以所述的待检测图像为底层的高斯金字塔模型;然后对高斯金字塔模型中的每一层分别提取各种图像特征,形成特征金字塔模型;再根据该特征金字塔模型进行计算得到所述的待检测图像的特征图;
b.生成显著图:把每一个所述的特征图归一化处理,并将各个归一化处理后的特征图进行综合计算,得到对应于所述的待检测图像的显著图;所述的显著图中采用白色和黑色对其进行标记以获取待检测图像的显著性区域,其中,白色表示待检测图像中显著的区域,黑色表示待检测图像中不显著的区域。
优选的,步骤20中获取平均肤色的方法进一步包括以下步骤:
21.初始化原始皮肤模型;
22.计算整个图像的颜色均值,作为初始皮肤的阈值;
23.根据获取得的初始皮肤的阈值计算人脸区域的平均肤色。
优选的,所述的步骤21中,初始化原始皮肤模型的步骤如下:
211.创建肤色模型,大小为256*256;
212.依次对肤色模型进行赋值,具体伪代码如下;
预设临时变量AlphaValue、nMax、i、j为整数类型。
肤色模型变量为SkinModel[256][256]
For(i=0;i<256;i++)
{
判断i是否大于128,如果大于128,则AlphaValue为255,否则为i*2;
计算获得nMax的值,计算公式为nMax=min(256,AlphaValue*2);
For(j=0;j<nMax;j++)
{
计算对应位置的肤色模型的值,计算公式为SkinModel[i][j]=AlphaValue-(j/2);
}
For(j=nMax;j<256;j++)
{
初始对应位置的肤色模型的值为0;
}
}
。
如以程度代码形式表示,则初始化原始皮肤模型的公式如下:
优选的,所述的步骤22进一步包括:
221.遍历整个图像的像素点,将红色通道、绿色通道、蓝色通道的颜色值累加,得到颜色累加值;
222.将颜色累加值除以像素点的总数,得到红色通道、绿色通道、蓝色通道的均值,作为初始皮肤的阈值。
优选的,所述的步骤23进一步包括:
231.根据如下公式计算平均肤色的灰度值:
GRAY 1=0.299*RED+0.587*GREEN+0.114*BLUE
其中,GRAY1为待检测图像的灰度图的当前像素点的灰度值;RED、GREEN、BLUE分别为待检测图像的当前像素点的红、绿、蓝通道的颜色值;
232.将所述的灰度值作为阈值,用来排除人脸区域非皮肤的部分;
并依次遍历人脸区域里的像素点的颜色值,根据如下公式获得平均肤色:
skin=SkinModel[red][blue];
其中,skin为经过皮肤模型的颜色映射后的皮肤值;SkinModel为步骤21的初始化原始皮肤模型;red为人脸区域里的像素点的红色通道的颜色值;blue为人脸区域里的像素点的蓝色通道的颜色值。
优选的,所述的步骤30中的肤色概率映射表通过如下步骤获取:
31.创建肤色概率映射表,大小为256*256;
32.依次对肤色概率映射表进行赋值,具体伪代码如下;
预设临时变量i、j、SkinRed_Left、AlphaValue、Offset、TempAlphaValue、OffsetJ为整数类型;
肤色概率映射表的变量为SkinProbability[256][256];
SkinRed为步骤222计算得到的红色通道的均值;SkinBlue为步骤222计算得到的蓝色通道的均值;
预设SkinRed_Left的值,计算公式为:SkinRed_Left=SkinRed-128;
For(i=0;i<256;i++)
{
计算Offset的值,公式为Offset=max(0,min(255,i-SkinRed_Left));
判断Offset的值是否小于128,如果小于的,话则AlphaValue=Offset*2;如果大于等于128的话,则AlphaValue=255;
For(j=0;j<256;j++)
{
计算OffsetJ的值,公式为OffsetJ=max(0,j-SkinBlue);
计算TempAlphaValue的值,公式为TempAlphaValue=max(AlphaValue-(OffsetJ*2),0);
判断TempAlphaValue的值。如果大于160的话,则SkinProbability[i][j]的值为255;
如果小于90的话,则SkinProbability[i][j]的值为0;否则SkinProbability[i][j]的值为TempAlphaValue+30;
}
}
。
如以程度代码形式表示,所述的肤色概率映射表具体通过如下公式获取:
其中,SkinRed和SkinBlue为步骤222中获取的红色通道和蓝色通道的均值。
所述的步骤40通过如下公式进行实现:
skinColor=SkinProbability[red][blue]
其中,skinColor为肤色概率结果图中的肤色概率值;SkinProbability为肤色概率映射表;red为像素点的红色通道的颜色值;blue为像素点的蓝色通道的颜色值。
本发明所述的方法适用范围广,可检测数字图像文件、视频文件或gif动画文件;如果待检测图像为视频文件或gif动画文件,则将图像文件截取为单帧图像,分别识别完各个单帧图像后,再还原为视频文件或gif动画文件,其通过使用人脸检测与显著性检测后的肤色均值来构建肤色模型,能够适应各种条件下拍照的图片,并且由于进行了显著性检测,可以排除人脸区域内的非皮肤区域,使得检测的精度更准,并且,待检测图像经过显著性检测以后可以很自然地将头发排除在人脸区域里,从而使得皮肤检测中得到的皮肤均值更靠近真实的皮肤,从而使皮肤识别的效果更好。
另外,相对于现有技术,由于不受限于训练数据,识别结果不会因训练数据的偏差而受到影响,克服现有技术中的某些方法存在的亮度偏好问题,应用范围实现更广的覆盖;并且本发明所述的方法不需要进行训练数据的积累,不需要为了达到一定的识别率,而需要收集庞大的训练数据,从实现角度看,极易进行实施;而且不需要与庞大的训练数据进行比对,运行效率实现了质的提高。通过肤色模型进行识别,识别准确率高,克服在过亮或过暗的情况下皮肤识别不准确的问题。
上述说明示出并描述了本发明的优选实施例,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (12)
1.一种基于显著性检测的皮肤识别方法,其特征在于,包括以下步骤:
10.对待检测图像进行人脸识别,获取人脸区域,并对人脸区域进行显著性检测,获取人脸最显著区域,即人脸皮肤区域;
20.对所述的人脸皮肤区域进行均值计算,获取平均肤色;
30.根据所述的平均肤色计算待检测图像的肤色概率映射表;
40.根据所述的肤色概率映射表对待检测图像进行肤色识别,并获得待检测图像的肤色概率的结果图。
2.根据权利要求1所述的一种基于显著性检测的皮肤识别方法,其特征在于:所述的步骤10中对人脸区域进行显著性检测,该显著性检测进一步包括:
a.提取图像特征:采用高斯滤波器对待检测图像进行滤波和采样,形成以所述的待检测图像为底层的高斯金字塔模型;然后对高斯金字塔模型中的每一层分别提取各种图像特征,形成特征金字塔模型;再根据该特征金字塔模型进行计算得到所述的待检测图像的特征图;
b.生成显著图:把每一个所述的特征图归一化处理,并将各个归一化处理后的特征图进行综合计算,得到对应于所述的待检测图像的显著图。
3.根据权利要求2所述的一种基于显著性检测的皮肤识别方法,其特征在于:所述的显著图中采用白色和黑色对其进行标记以获取待检测图像的显著性区域,其中,白色表示待检测图像中显著的区域,黑色表示待检测图像中不显著的区域。
4.根据权利要求1所述的一种基于显著性检测的皮肤识别方法,其特征在于,步骤20中获取平均肤色的方法进一步包括以下步骤:
21.初始化原始皮肤模型;
22.计算整个图像的颜色均值,作为初始皮肤的阈值;
23.根据获取得的初始皮肤的阈值计算人脸区域的平均肤色。
5.根据权利要求4所述的一种基于显著性检测的皮肤识别方法,其特征在于,所述的步骤21中,初始化原始皮肤模型的步骤如下:
211.创建肤色模型,大小为256*256;
212.依次对肤色模型进行赋值,具体伪代码如下;
预设临时变量AlphaValue、nMax、i、j为整数类型。
肤色模型变量为SkinModel[256][256]
For(i=0;i<256;i++)
{
判断i是否大于128,如果大于128,则AlphaValue为255,否则为i*2;
计算获得nMax的值,计算公式为nMax=min(256,AlphaValue*2);
For(j=0;j<nMax;j++)
{
计算对应位置的肤色模型的值,计算公式为SkinModel[i][j]=AlphaValue-(j/2);
}
For(j=nMax;j<256;j++)
{
初始对应位置的肤色模型的值为0;
}
}
。
6.根据权利要求4所述的一种基于显著性检测的皮肤识别方法,其特征在于,所述的步骤22进一步包括:
221.遍历整个图像的像素点,将红色通道、绿色通道、蓝色通道的颜色值累加,得到颜色累加值;
222.将颜色累加值除以像素点的总数,得到红色通道、绿色通道、蓝色通道的均值,作为初始皮肤的阈值。
7.根据权利要求6所述的一种基于显著性检测的皮肤识别方法,其特征在于,所述的步骤23进一步包括:
231.根据如下公式计算平均肤色的灰度值:
GRAY 1=0.299*RED+0.587*GREEN+0.114*BLUE
其中,GRAY1为待检测图像的灰度图的当前像素点的灰度值;RED、GREEN、BLUE分别为待检测图像的当前像素点的红、绿、蓝通道的颜色值;
232.将所述的灰度值作为阈值,用来排除人脸区域非皮肤的部分;
并依次遍历人脸区域里的像素点的颜色值,根据如下公式获得平均肤色:
skin=SkinModel[red][blue];
其中,skin为经过皮肤模型的颜色映射后的皮肤值;SkinModel为步骤21的初始化原始皮肤模型;red为人脸区域里的像素点的红色通道的颜色值;blue为人脸区域里的像素点的蓝色通道的颜色值。
8.根据权利要求6所述的一种基于显著性检测的皮肤识别方法,其特征在于,所述的步骤30中的肤色概率映射表通过如下步骤获取:
31.创建肤色概率映射表,大小为256*256;
32.依次对肤色概率映射表进行赋值,具体伪代码如下;
预设临时变量i、j、SkinRed_Left、AlphaValue、Offset、TempAlphaValue、OffsetJ为整数类型;
肤色概率映射表的变量为SkinProbability[256][256];
SkinRed为步骤222计算得到的红色通道的均值;SkinBlue为步骤222计算得到的蓝色通道的均值;
预设SkinRed_Left的值,计算公式为:SkinRed_Left=SkinRed-128;
For(i=0;i<256;i++)
{
计算Offset的值,公式为Offset=max(0,min(255,i-SkinRed_Left));
判断Offset的值是否小于128,如果小于的,话则AlphaValue=Offset*2;如果大于等于128的话,则AlphaValue=255;
For(j=0;j<256;j++)
{
计算OffsetJ的值,公式为OffsetJ=max(0,j-SkinBlue);
计算TempAlphaValue的值,公式为TempAlphaValue=max(AlphaValue-(0ffsetJ*2),0);
判断TempAlphaValue的值。如果大于160的话,则SkinProbability[i][j]的值为255;
如果小于90的话,则SkinProbability[i][j]的值为0;否则SkinProbability[i][j]的值为TempAlphaValue+30;
}
}
。
9.根据权利要求1至8中任一项所述的一种基于显著性检测的皮肤识别方法,其特征在于,所述的步骤40通过如下公式进行实现:
skinColor=SkinProbability[red][blue]
其中,skinColor为肤色概率结果图中的肤色概率值;SkinProbability为肤色概率映射表;red为像素点的红色通道的颜色值;blue为像素点的蓝色通道的颜色值。
10.根据权利要求1至8中任一项所述的一种基于显著性检测的皮肤识别方法,其特征在于,所述的步骤10中对待检测图像进行人脸识别,当人脸区域识别失败时,将整个图像定义为人脸皮肤区域。
11.根据权利要求1至8中任一项所述的一种基于显著性检测的皮肤识别方法,其特征在于,所述的待检测图像为数字图像文件、视频文件或gif动画文件。
12.根据权利要求11所述的一种基于显著性检测的皮肤识别方法,其特征在于,如果待检测图像为视频文件或gif动画文件,则将图像文件截取为单帧图像,分别识别完各个单帧图像后,再还原为视频文件或gif动画文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410638233.4A CN104392211A (zh) | 2014-11-12 | 2014-11-12 | 一种基于显著性检测的皮肤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410638233.4A CN104392211A (zh) | 2014-11-12 | 2014-11-12 | 一种基于显著性检测的皮肤识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104392211A true CN104392211A (zh) | 2015-03-04 |
Family
ID=52610112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410638233.4A Pending CN104392211A (zh) | 2014-11-12 | 2014-11-12 | 一种基于显著性检测的皮肤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104392211A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118051A (zh) * | 2015-07-29 | 2015-12-02 | 广东工业大学 | 一种应用于静态图像人体分割的显著性检测方法 |
CN106570472A (zh) * | 2016-11-02 | 2017-04-19 | 华为技术有限公司 | 一种肤色检测方法、装置及终端 |
CN106611415A (zh) * | 2016-12-29 | 2017-05-03 | 北京奇艺世纪科技有限公司 | 一种皮肤区域的检测方法及装置 |
CN110516648A (zh) * | 2019-09-02 | 2019-11-29 | 湖南农业大学 | 基于无人机遥感和模式识别的苎麻株数识别方法 |
CN111079662A (zh) * | 2019-12-19 | 2020-04-28 | 江苏云从曦和人工智能有限公司 | 一种人物识别方法、装置、机器可读介质及设备 |
CN112686965A (zh) * | 2020-12-25 | 2021-04-20 | 百果园技术(新加坡)有限公司 | 一种肤色检测方法、装置、移动终端和存储介质 |
WO2022135574A1 (zh) * | 2020-12-25 | 2022-06-30 | 百果园技术(新加坡)有限公司 | 肤色检测方法、装置、移动终端和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080112622A1 (en) * | 2006-11-13 | 2008-05-15 | Samsung Electro-Mechanics Co., Ltd | Skin detection system and method |
CN101620673A (zh) * | 2009-06-18 | 2010-01-06 | 北京航空航天大学 | 一种鲁棒的人脸检测及跟踪方法 |
CN101751559A (zh) * | 2009-12-31 | 2010-06-23 | 中国科学院计算技术研究所 | 人脸皮肤斑痣点检测及利用皮肤斑痣识别人脸的方法 |
CN103455790A (zh) * | 2013-06-24 | 2013-12-18 | 厦门美图网科技有限公司 | 一种基于肤色模型的皮肤识别方法 |
CN103955718A (zh) * | 2014-05-15 | 2014-07-30 | 厦门美图之家科技有限公司 | 一种图像主体对象的识别方法 |
-
2014
- 2014-11-12 CN CN201410638233.4A patent/CN104392211A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080112622A1 (en) * | 2006-11-13 | 2008-05-15 | Samsung Electro-Mechanics Co., Ltd | Skin detection system and method |
CN101620673A (zh) * | 2009-06-18 | 2010-01-06 | 北京航空航天大学 | 一种鲁棒的人脸检测及跟踪方法 |
CN101751559A (zh) * | 2009-12-31 | 2010-06-23 | 中国科学院计算技术研究所 | 人脸皮肤斑痣点检测及利用皮肤斑痣识别人脸的方法 |
CN103455790A (zh) * | 2013-06-24 | 2013-12-18 | 厦门美图网科技有限公司 | 一种基于肤色模型的皮肤识别方法 |
CN103955718A (zh) * | 2014-05-15 | 2014-07-30 | 厦门美图之家科技有限公司 | 一种图像主体对象的识别方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118051A (zh) * | 2015-07-29 | 2015-12-02 | 广东工业大学 | 一种应用于静态图像人体分割的显著性检测方法 |
CN105118051B (zh) * | 2015-07-29 | 2017-12-26 | 广东工业大学 | 一种应用于静态图像人体分割的显著性检测方法 |
CN106570472A (zh) * | 2016-11-02 | 2017-04-19 | 华为技术有限公司 | 一种肤色检测方法、装置及终端 |
WO2018082388A1 (zh) * | 2016-11-02 | 2018-05-11 | 华为技术有限公司 | 一种肤色检测方法、装置及终端 |
CN106570472B (zh) * | 2016-11-02 | 2019-11-05 | 华为技术有限公司 | 一种肤色检测方法、装置及终端 |
CN106611415A (zh) * | 2016-12-29 | 2017-05-03 | 北京奇艺世纪科技有限公司 | 一种皮肤区域的检测方法及装置 |
CN106611415B (zh) * | 2016-12-29 | 2020-01-10 | 北京奇艺世纪科技有限公司 | 一种皮肤区域的检测方法及装置 |
CN110516648A (zh) * | 2019-09-02 | 2019-11-29 | 湖南农业大学 | 基于无人机遥感和模式识别的苎麻株数识别方法 |
CN110516648B (zh) * | 2019-09-02 | 2022-04-19 | 湖南农业大学 | 基于无人机遥感和模式识别的苎麻株数识别方法 |
CN111079662A (zh) * | 2019-12-19 | 2020-04-28 | 江苏云从曦和人工智能有限公司 | 一种人物识别方法、装置、机器可读介质及设备 |
CN112686965A (zh) * | 2020-12-25 | 2021-04-20 | 百果园技术(新加坡)有限公司 | 一种肤色检测方法、装置、移动终端和存储介质 |
WO2022135574A1 (zh) * | 2020-12-25 | 2022-06-30 | 百果园技术(新加坡)有限公司 | 肤色检测方法、装置、移动终端和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103455790B (zh) | 一种基于肤色模型的皮肤识别方法 | |
CN104392211A (zh) | 一种基于显著性检测的皮肤识别方法 | |
CN103927719B (zh) | 图片处理方法及装置 | |
WO2017092431A1 (zh) | 基于肤色的人手检测方法及装置 | |
Ajmal et al. | A comparison of RGB and HSV colour spaces for visual attention models | |
WO2017084204A1 (zh) | 一种二维视频流中的人体骨骼点追踪方法及*** | |
CN104282002B (zh) | 一种数字图像的快速美容方法 | |
CN106709964B (zh) | 基于梯度修正和多向纹理提取的素描画生成方法及装置 | |
WO2009131539A1 (en) | A method and system for detecting and tracking hands in an image | |
CN111476849B (zh) | 对象颜色识别方法、装置、电子设备以及存储介质 | |
CN103440633B (zh) | 一种数字图像自动祛除斑点的方法 | |
CN103218605A (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
JP2007257087A (ja) | 肌色領域検出装置及び肌色領域検出方法 | |
Yang et al. | Real-time traffic sign detection via color probability model and integral channel features | |
JP2007272435A (ja) | 顔特徴抽出装置及び顔特徴抽出方法 | |
CN111161281A (zh) | 一种人脸区域识别方法、装置及存储介质 | |
Jiang et al. | Skin detection using color, texture and space information | |
CN108345867A (zh) | 面向智能家居场景的手势识别方法 | |
CN111183431A (zh) | 指纹识别方法及终端设备 | |
CN110599553B (zh) | 一种基于YCbCr的肤色提取及检测方法 | |
CN108154496A (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
CN108711160A (zh) | 一种基于hsi增强性模型的目标分割方法 | |
Yusuf et al. | Human face detection using skin color segmentation and watershed algorithm | |
JP3902887B2 (ja) | 唇抽出方法 | |
CN103729624A (zh) | 一种基于肤色识别的测光方法及测光*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150304 |