CN108021881A - 一种肤色分割方法、装置和存储介质 - Google Patents
一种肤色分割方法、装置和存储介质 Download PDFInfo
- Publication number
- CN108021881A CN108021881A CN201711249162.9A CN201711249162A CN108021881A CN 108021881 A CN108021881 A CN 108021881A CN 201711249162 A CN201711249162 A CN 201711249162A CN 108021881 A CN108021881 A CN 108021881A
- Authority
- CN
- China
- Prior art keywords
- scatter diagram
- skin
- split
- image
- colour
- 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.)
- Granted
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
- G06V40/168—Feature extraction; Face representation
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V40/164—Detection; Localisation; Normalisation using holistic features
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种肤色分割方法、装置和存储介质;本发明实施例可以分别在预设的多种色彩空间下,为待分割图像绘制散点图,然后,对各个色彩空间下的散点图进行分析,并基于分析得到的散点图特征,从预设算法集合中选择至少一个肤色判定算法,来对该待分割图像进行肤色分割;该方案可以提高识别的准确性,以及改善肤色分割效果。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种肤色分割方法、装置和存储介质。
背景技术
在人脸识别、以及其他的一些图像处理应用中,肤色分割是其中极为重要的一部分。现有的肤色分割方案,一般都会通过遍历图像的全部像素点,然后,逐个像素点分析其颜色跟肤色的相似性来判断。比如,以其中某个像素点为例,具体可以获取该像素点在三原色(RGB,Red、Green and Blue)颜色空间下的三个颜色分量,根据该三个颜色分量计算欧氏距离(即计算三个颜色与肤色值的差的平方和),若该欧式距离低于预设阈值,则确定该像素为皮肤,若该欧式距离高于预设阈值,则确定该像素不是皮肤,以此类推,遍历了该图像的所有像素后,便可以输出相应的皮肤分割图。
在对现有技术的研究和实践过程中,本发明的发明人发现,由于图像的背景中很可能会出现跟肤色相近的物体,因此,若预设阈值设置得不够高,这些物体上的点极易被确定为皮肤,而如果将预设阈值调高,则又会导致某些图中的皮肤无法识别出来,所以,现有方案的识别准确性较低,分割效果并不佳。
发明内容
本发明实施例提供一种肤色分割方法、装置和存储介质,可以提高识别的准确性,改善肤色分割效果。
本发明实施例提供一种肤色分割方法,其特征在于,包括:
获取待分割图像;
分别在预设的多种色彩空间下,为所述待分割图像绘制散点图;
对各个色彩空间下的散点图进行分析,得到散点图特征;
基于所述散点图特征,从预设算法集合中选择至少一个肤色判定算法;
根据选择的肤色判定算法对所述待分割图像进行肤色分割。
本发明实施例还提供一种肤色分割装置,包括:
获取单元,用于获取待分割图像;
绘制单元,用于分别在预设的多种色彩空间下,为所述待分割图像绘制散点图;
分析单元,用于对各个色彩空间下的散点图进行分析,得到散点图特征;
选择单元,用于基于所述散点图特征,从预设算法集合中选择至少一个肤色判定算法;
分割单元,用于根据选择的肤色判定算法对所述待分割图像进行肤色分割。
本发明实施例还提供一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本发明实施例提供的任一种肤色分割方法中的步骤。
本发明实施例可以分别在预设的多种色彩空间下,为待分割图像绘制散点图,然后,对各个色彩空间下的散点图进行分析,并基于分析得到的散点图特征,从预设算法集合中选择至少一个肤色判定算法,来对该待分割图像进行肤色分割;由于该方案可以参考多个色彩空间的散点图,来综合分析待分割图像中的肤色相似关系,并据此灵活选择肤色判定算法,因此,相对于现有技术只基于特定颜色空间、以及单一肤色判定算法的方案而言,可以具有更精确的筛选和分辨能力,大大提高了识别的准确性,以及改善了肤色分割效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1a是本发明实施例提供的肤色分割方法的场景示意图;
图1b是本发明实施例提供的肤色分割方法的流程示意图;
图2a是本发明实施例提供的肤色分割方法的另一流程示意图;
图2b是本发明实施例中肤色分割效果示意图;
图3a是本发明实施例提供的肤色分割装置的结构示意图;
图3b是本发明实施例提供的肤色分割装置的另一结构示意图;
图4是本发明实施例提供的网络设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种肤色分割方法、装置和存储介质。
其中,该肤色分割装置具体可以集成在网络设备,比如终端或服务器等设备中。
例如,以该肤色分割装置集成在网络设备中为例,参见图1a,网络设备在获取到待分割图像后,可以分别在预设的多种色彩空间下,比如分别在RGB、YCbCr、Lab、HSV和CMYK等颜色空间下,为该待分割图像绘制散点图,并对各个色彩空间下的散点图(比如RGB的散点图、YCbCr的散点图、Lab的散点图、HSV的散点图和CMYK的散点图)进行分析,得到散点图特征,然后,基于该散点图特征,从预设算法集合中选择至少一个肤色判定算法,根据选择的肤色判定算法对该待分割图像进行肤色分割。比如,如果散点图特征为“圆形”,则选择“圆形”对应的肤色判定算法来,计算该待分割图像中每个像素点与肤色的相似度,如果散点特征为“平行四边形”,则选择“平行四边形”对应的肤色判定算法来,计算该待分割图像中每个像素点与肤色的相似度,等等,然后,根据该相似度计算灰度值,并根据该灰度值生成该分割图像对应的肤色分割灰度图。
以下分别进行详细说明。需说明的是,以下实施例的次序不作为对实施例优选的限定。
实施例一、
本发明实施例将从肤色分割装置的角度进行描述,该肤色分割装置具体可以集成在网络设备,比如终端或服务器等设备中,该终端可以包括手机、平板电脑、笔记本电脑和/或个人计算机(PC,Personal Computer)等设备。
一种肤色分割方法,包括:获取待分割图像,分别在预设的多种色彩空间下,为该待分割图像绘制散点图,对各个色彩空间下的散点图进行分析,得到散点图特征,基于该散点图特征,从预设算法集合中选择至少一个肤色判定算法,根据选择的肤色判定算法对该待分割图像进行肤色分割。
如图1b所示,该肤色分割方法的具体流程可以如下:
101、获取待分割图像。
例如,具体可以从本地(即肤色分割装置)读取待分割图像,或者,接收其他设备发送的待分割图像。
其中,该待分割图像的格式可以包括位图(BMP,BitMaP)、联合图像专家小组(JPEG,Joint Photographic Experts Group)、标签图像文件格式(TIFF,Tag Image FileFormat)、RAW(一种无损压缩格式)、以及个人电脑交换(PCX,Personal Computerexchange)等。
102、分别在预设的多种色彩空间下,为该待分割图像绘制散点图。例如,具体可以如下:
(1)将该待分割图像中的像素点进行归类。
例如,具体看可以基于深度学习模型对该待分割图像进行人脸识别和人体识别,得到识别结果,根据该识别结果将该待分割图像中的像素点划分为预设的多个类别。
其中,该深度学习模型可以包括卷积神经网络(CNN,Convolutional NeuralNetworks)、深度信念网络(DBN,Deep Belief Network)、递归神经网络(RNN,RecurrentNeural Network)、递归神经张量网络(RNTN,Recursive Neural Tensor Network)、以及生成对抗网络(GAN,Generative Adversarial Networks),等等。
其中,该预设的类别可以根据实际应用的需求进行设置,比如,可以划分为由人脸检测得到的人脸上的皮肤的像素点(排除眼睛和嘴)、从人体检测得到的人体的像素点(不含人脸)、以及该待分割图像中除人体和人脸以外的像素点,也就是背景,等等。其中,为了描述方便,在本发明实施例中,将由人脸检测得到的人脸上的皮肤的像素点(排除眼睛和嘴)称为人脸像素点,归为人脸像素点类别;从人体检测得到的人体的像素点(不含人脸)称为人体像素点,归为人体像素点类别;将该待分割图像中除人体和人脸以外的像素点称为背景像素点,归为背景像素点类别。
若划分为人脸像素点类别、人体像素点类别和背景像素点类别,则步骤“根据该识别结果将该待分割图像中的像素点划分为预设的多个类别”具体为:
根据该识别结果将该待分割图像中的像素点划分为人脸像素点类别、人体像素点类别和背景像素点类别,等等。
需说明的是,上述三个类别仅仅为示例,应当理解的是,也可以由其他的划分方式,在此不再赘述。
(2)根据归类结果,分别在预设的多种色彩空间下绘制散点图。
例如,具体可以将该待分割图像中的所有像素点,按照归类结果分别映射至预设的多种色彩空间中,根据映射结果在该多种色彩空间下按照颜色分布进行绘制,得到各个色彩空间下的散点图。
比如,以该预设的多种色彩空间具体包括三原色色彩空间(RGB,Red、Green,Blue)、YCbCr(常用于数字摄影***中的一种色彩空间,Y就是所谓的流明(luminance),表示光的浓度且为非线性,使用伽马修正(gamma correction)编码处理,CB和CR则为蓝色和红色的浓度偏移量成份)、颜色模型(Lab,L表示亮度(Luminosity),a表示从洋红色至绿色的范围,b表示从黄色至蓝色的范围)、六角锥体模型(HSV,Hue,Saturation,Value)和印刷彩色模式(CMYK,其中,C表示青色Cyan、M表示洋红色Magenta、Y表示黄色Yellow,K表示黑色black)为例,则此时,步骤“将该待分割图像中的所有像素点,按照归类结果分别映射至预设的多种色彩空间中,根据映射结果在该多种色彩空间下按照颜色分布进行绘制,得到各个色彩空间下的散点图”具体可以如下:
可以将该待分割图像中的所有像素点,按照归类结果分别映射至RGB、YCbCr、Lab、HSV和CMYK等颜色空间中,然后,根据在RGB的映射结果,按照颜色分布进行绘制,得到RGB下的散点图;根据在YCbCr的映射结果,按照颜色分布进行绘制,得到YCbCr下的散点图;根据在Lab的映射结果,按照颜色分布进行绘制,得到Lab下的散点图;根据在HSV的映射结果,按照颜色分布进行绘制,得到HSV下的散点图;以及根据在CMYK的映射结果,按照颜色分布进行绘制,得到CMYK下的散点图。
其中,映射的方式可以有多种,比如,可以将各个颜色空间中的各类分量进行两两组合后,分别作量化映射,然后,将量化映射得到的颜色值映射到预设的矩阵,比如256×256的矩阵上,再将该待分割图像中的所有像素点,按照归类结果,在该矩阵上进行统计,便可得到相应颜色空间的映射结果,等等。
103、对各个色彩空间下的散点图进行分析,得到散点图特征。
例如,可以采用预设的计算机视觉算法对各个色彩空间下的散点图进行基本几何形状拟合,根据拟合结果确定各个散点图的散点图特征。
其中,该计算机视觉算法可以根据实际应用的需求进行设置,比如,可以是OpenCV(一种跨平台计算机视觉算法)等。而基本几何形状则可以包括圆形、平行四边形、以及三角形等几何形状。
以基本几何形状具体为圆形、平行四边形、以及三角形为例,若拟合结果近似为“圆形”,则该散点图特征为“圆形”;若拟合结果近似为“平行四边形”,则该散点图特征为“平行四边形”;若拟合结果近似为“三角形”,则该散点图特征为“三角形”,以此类推,等等。
可选的,由于某些色彩空间下的散点图在大部分情况下,其散点的分布都较为分散,很难进行拟合,因此,为了减少不必要的计算开销,提高处理效率,在进行基本几何形状拟合之前,可以对散点图先进行筛选,即在步骤“采用预设的计算机视觉算法对各个色彩空间下的散点图进行基本几何形状拟合”之前,该肤色分割方法还可以包括:
按照预设筛选条件对各个色彩空间下的散点图进行筛选,得到各个色彩空间下的筛选后散点图。
则此时,步骤“采用预设的计算机视觉算法对各个色彩空间下的散点图进行基本几何形状拟合”具体可以为:采用预设的计算机视觉算法,对各个色彩空间下的筛选后散点图进行基本几何形状拟合。
其中,该筛选条件可以根据实际应用的需求进行设置,比如,在YCbCr颜色空间下,与Y分量相关的各个散点图可以不作分析,又比如,在Lab颜色空间下,L分析相关的各个散点图也可以不作分析,而在HSV颜色空间下,可以只分析H分量相关的散点图,同理,在CMYK颜色空间,可以只分析C分量相关的散点图,等等。
104、基于该散点图特征,从预设算法集合中选择至少一个肤色判定算法。
例如,具体可以获取预设配置信息,该配置信息保存有散点图特征和肤色判定算法的一一对应关系,根据该对应关系,从预设算法集合中为每个散点图特征选择对应的肤色判定算法。
其中,该算法集合可以根据实际应用的需求进行设置,比如,该算法集合中可以包括“圆形”所对应的肤色判定算法、“平行四边形”所对应的肤色判定算法、以及“三角形”所对应的肤色判定算法,等等。
105、根据选择的肤色判定算法对该待分割图像进行肤色分割,例如,具体可以如下:
(1)根据选择的肤色判定算法计算该待分割图像中每个像素点与肤色的相似度。
例如,具体可以根据该散点图特征对选择的肤色判定算法中的阈值进行设置,将选择的肤色判定算法、以及设置的阈值作为可变参数传入预设图形程序接口的片元着色器中,对该待分割图像进行该图形程序接口的纹理映射处理,通过该片元着色器对纹理映射处理后的待分割图像进行纹理采样,根据采样结果计算该待分割图像中每个像素点与肤色的相似度。
其中,图形程序接口可以根据实际应用的需求进行设置,比如,具体可以为开放图形库(OpenGL,Open Graphics Library)。
(2)根据该相似度计算灰度值,并根据该灰度值生成该分割图像对应的肤色分割灰度图。
其中,由于选择的肤色判定算法可能有多种,因此,对于该待分割图像中的一部分像素点而言,可能会存在有多个对应的相似度(采用一种肤色判定算法,便可得到对应的一种相似度计算结果),因此,可以预先建立这多个相似度与灰度值的函数关系,然后,基于该函数关系,根据该相似度计算灰度值。
比如,可以设置当这多个相似度均高于预设值时,灰度值为0%(黑色),否则,当这多个相似度中有任意一个相似度低于该预设值时,则灰度值为100%(黑色),等等,可选的,也可以设置为其他值,在此不在赘述。
由上可知,本实施例可以分别在预设的多种色彩空间下,为待分割图像绘制散点图,然后,对各个色彩空间下的散点图进行分析,并基于分析得到的散点图特征,从预设算法集合中选择至少一个肤色判定算法,来对该待分割图像进行肤色分割;由于该方案可以参考多个色彩空间的散点图,来综合分析待分割图像中的肤色相似关系,并据此灵活选择肤色判定算法,因此,相对于现有技术只基于特定颜色空间、以及单一肤色判定算法的方案而言,可以具有更精确的筛选和分辨能力,大大提高了识别的准确性,以及改善了肤色分割效果。
实施例二、
根据前面实施例所描述的方法,以下将举例作进一步详细说明。
在本实施例中,将以该肤色分割装置具体集成在网络设备为例进行说明,该网络设备具体可以是终端或服务器等设备。
如图2a所示,一种肤色分割方法,具体流程可以如下:
201、网络设备获取待分割图像。
例如,具体可以从本地(即该网络设备)读取待分割图像,或者,接收其他设备发送的待分割图像。
其中,该待分割图像的格式可以包括BMP、JPEG、TIFF、RAW、以及PCX等。
202、网络设备基于深度学习模型对该待分割图像进行人脸识别和人体识别,得到识别结果。
例如,网络设备可以基于深度学习模型对该待分割图像进行人脸识别,得到人脸上的像素点(包括眼镜和嘴),以及基于深度学习模型对该待分割图像进行人体识别,得到人体的像素点(不含人脸),等等。
其中,该深度学习模型可以包括CNN、DBN、RNN、RNTN、以及GAN,等等。
203、网络设备根据该识别结果将该待分割图像中的像素点划分为预设的多个类别,然后执行步骤204。
其中,该预设的类别可以根据实际应用的需求进行设置,比如,若划分为人脸像素点、人体像素点和背景像素点三种类别,则此时,网络设备可以根据该识别结果将该待分割图像中的像素点划分为人脸像素点类别、人体像素点类别和背景像素点类别,其中,这三种类别的定义可以如下:
(1)人脸像素点类别;
人脸像素点类别,指的是由人脸检测得到的人脸上的皮肤的像素点,即排除了排除眼睛和嘴之外的人脸上的像素点,在本发明实施例中,亦称为A类点。
(2)人体像素点类别;
人体像素点类别,指的是由人体检测得到的人体的像素点(不含人脸),在本发明实施例中,亦称为B类点。
(3)背景像素点类别;
背景像素点类别,指的是该待分割图像中除人体像素点和人脸像素点以外的像素点,在本发明实施例中,亦称为C类点。
需说明的是,上述三个类别仅仅为示例,应当理解的是,也可以由其他的划分方式,在此不再赘述。
204、网络设备将该待分割图像中的所有像素点,按照归类结果分别映射至预设的多种色彩空间中,根据映射结果在该多种色彩空间下按照颜色分布进行绘制,得到各个色彩空间下的散点图。
例如,网络设备具体可以将各个颜色空间中的各类分量进行两两组合后,分别作量化映射,将量化映射得到的颜色值映射到预设的矩阵,然后,在该矩阵上,根据归类结果分别对该待分割图像中所有的像素点进行统计(不同类别的像素点对应不同颜色值),并根据统计结果(即映射结果)绘制出颜色分布图,便可得到各个色彩空间下的散点图。
以下将以该预设的多种色彩空间具体包括RGB、YCbCr、Lab、HSV和CMYK为例来进行说明,具体可以如下:
(1)RGB;
由于对于色彩空间RGB而言,其主要包括红色(R)、绿色(G)和蓝色(B)三个基本色,将不同强度的R、G和B进行叠加,便可得到其他的颜色,比如青、黄和洋红,等等,因此,可以将色彩空间RGB中的R、G和B分别作为分量来进行两两组合,比如,R×G、R×B、以及G×B,等等。
(2)YCbCr;
在颜色空间YCbCr中,Y是指亮度分量,Cb指蓝色色度分量,而Cr则指的是红色色度分量。YCgCr是YCbCr的改进,其进一步提出了分量“Cg”,Cg采用的是绿色分量G与亮度Y的差,需说明的是,在本发明实施例中,颜色空间YCbCr包括YCgCr,因此,在进行分量组合时,还可以考虑分量“Cg”。也就是说,可以将颜色空间YCbCr中的Y、Cb、Cr和Cg进行两两,比如,Y×Cb、Y×Cr、Y×Cg、Cb×Cr、Cb×Cg、以及Cr×Cg。
(3)Lab;
颜色空间Lab是人对颜色的感觉,Lab中的数值描述正常视力的人能够看到的所有颜色。在Lab中,L指的是亮度(Luminosity),其取值范围为0到100;a表示从洋红色至绿色的范围,b表示从黄色至蓝色的范围。因此,可以将Lab中的L、a和b分别作为分量,并进行两两组合,比如,L×a、L×b和a×b。
(4)HSV;
在颜色空间HSV中,主要包括三个参数,色调(H),饱和度(S)和明度(V),因此,可以分别将这三个参数H、S和V进行两两组合,比如,H×S、H×V和S×V。
(5)CMYK;
CMYK是彩色印刷时采用的一种套色模式,其利用色料的三原色混色原理,加上黑色油墨,共计四种颜色混合叠加,形成所谓“全彩印刷”。其中,四种标准颜色是:C为青色(Cyan),M为品红色(Magenta),又称为“洋红色”,Y为黄山(Yellow),K为定位套版色(KeyPlate(black)),主要指黑色。因此,可以将C、M、Y和K作为分量进行两两组合,得到:C×M、C×Y、C×K、M×Y、M×K、以及Y×K。
经过实验可知,在上述分量组合中,有些分量组合的散点图较为分散,参考价值不高,比如,在Lab颜色空间下,由于L分量对区分“是不是皮肤”作用不大,因此,也可以不作考虑,同理,在YCbCr颜色空间下,可以不考虑Y分量,而在颜色空间CMYK下,也可以不考虑K分量,等等。因此,可选的,为了提高映射效果,以及减少对计算资源的消耗,可以只采用其中部分分量组合,例如,参见表一。
表一:
色彩空间 | 组合关系1 | 组合关系2 | 组合关系3 |
RGB | R×G | R×B | G×B |
YCbCr | Cb×Cr | Cb×Cg | Cr×Cg |
Lab | L×a | L×b | a×b |
HSV | H×S | H×V | S×V |
CMYK | C×M | C×Y | M×Y |
可以根据上述各颜色空间的分量组合,比如表一所示的各颜色空间的分量组合,分别对各个颜色空间作量化映射,将量化映射得到的颜色值映射到预设的矩阵,比如映射至256×256的矩阵中,然后,在该矩阵上,根据归类结果分别对该待分割图像中所有的像素点进行统计,并根据统计结果(即映射结果)绘制出颜色分布图,便可得到各个色彩空间下的散点图。例如,以映射至256×256的矩阵为例,则具体可以如下:
对于颜色空间RGB而言,具体可以对分量组合R×G、R×B和G×B作量化映射,并将量化映射得到的颜色值映射至256×256的矩阵中,然后,在该矩阵上,根据归类结果分别对该待分割图像中所有的像素点进行统计,并根据统计结果绘制出颜色分布图,便可得到RGB下的散点图。
对于颜色空间YCbCr而言,具体可以对分量组合Cb×Cr、Cb×Cg和Cr×Cg作量化映射,并将量化映射得到的颜色值映射至256×256的矩阵中,然后,在该矩阵上,根据归类结果分别对该待分割图像中所有的像素点进行统计,并根据统计结果绘制出颜色分布图,便可得到YCbCr下的散点图。
对于颜色空间Lab而言,具体可以对分量组合L×a、L×b和a×b作量化映射,并将量化映射得到的颜色值映射至256×256的矩阵中,然后,在该矩阵上,根据归类结果分别对该待分割图像中所有的像素点进行统计,并根据统计结果绘制出颜色分布图,便可得到Lab下的散点图。
对于颜色空间HSV而言,具体可以对分量组合H×S、H×V和S×V作量化映射,并将量化映射得到的颜色值映射至256×256的矩阵中,然后,在该矩阵上,根据归类结果分别对该待分割图像中所有的像素点进行统计,并根据统计结果绘制出颜色分布图,便可得到HSV下的散点图。
对于颜色空间CMYK而言,具体可以对分量组合C×M、C×Y和M×Y作量化映射,并将量化映射得到的颜色值映射至256×256的矩阵中,然后,在该矩阵上,根据归类结果分别对该待分割图像中所有的像素点进行统计,并根据统计结果绘制出颜色分布图,便可得到CMYK下的散点图。
需说明的是,其中,不同类别的像素点对应不同颜色值,比如,可以用红度255表示A类点,绿度128表示B类点,蓝度128表示C类点,等等;所以,可以以像素点的颜色分量作为坐标,以像素点的类别为值,来绘制出颜色分布图。可选的,也可以用其他的色度来分别表示A类点、B类点和C类点,在此不再赘述。
205、网络设备按照预设筛选条件对各个色彩空间下的散点图进行筛选,得到各个色彩空间下的筛选后散点图。
其中,该筛选条件可以根据实际应用的需求进行设置,比如,在YCbCr颜色空间下,与Y分量相关的各个散点图可以不作分析,又比如,在Lab颜色空间下,L分析相关的各个散点图也可以不作分析,而在HSV颜色空间下,可以只分析H分量相关的散点图,同理,在CMYK颜色空间,可以只分析C分量相关的散点图(C分量具有很好的过滤能力),等等。
需说明的是,如果在步骤204中,只绘制了部分分量组合的散点图,比如,并没有绘制YCbCr颜色空间下,与Y分量相关的各个散点图的话,则此时,也可以不对YCbCr颜色空间下的散点图进行筛选,其他颜色空间与此类似,在此不再赘述。
206、网络设备采用预设的计算机视觉算法,对各个色彩空间下的筛选后散点图进行基本几何形状拟合,根据拟合结果确定各个散点图的散点图特征。
其中,该计算机视觉算法可以根据实际应用的需求进行设置,比如,可以是OpenCV等。而基本几何形状则可以包括圆形、平行四边形、以及三角形等几何形状。
以基本几何形状具体为圆形、平行四边形、以及三角形为例,若拟合结果近似为“圆形”,则该散点图特征为“圆形”;若拟合结果近似为“平行四边形”,则该散点图特征为“平行四边形”;若拟合结果近似为“三角形”,则该散点图特征为“三角形”,以此类推,等等。
需说明的是,可以采用OpenCV算法中的cvPointPolygonTest函数,来判断某个像素点是否位于步骤206所拟合的基本几何形状中,比如是否位于“圆”内,是否位于“平行四边形”内,等等,如果在所有筛选后散点图中,该像素点均位于所拟合的基本几何形状中,则可以认为该像素点为皮肤,因此,可以针对不同的散点图特征(即基本几何形状),设置相应的肤色判定算法来判断像素点是否为皮肤。具体参见步骤207~209,如下:
207、网络设备基于该散点图特征,从预设算法集合中选择至少一个肤色判定算法。
例如,网络设备具体可以获取预设配置信息,该配置信息保存有散点图特征和肤色判定算法的一一对应关系,然后,根据该对应关系,从预设算法集合中为每个散点图特征选择对应的肤色判定算法。
其中,该算法集合可以根据实际应用的需求进行设置,比如,该算法集合中可以包括“圆形”所对应的肤色判定算法、“平行四边形”所对应的肤色判定算法、以及“三角形”所对应的肤色判定算法,等等;这些肤色判定算法具体可以根据实际应用的需求进行设置,在此不再赘述。
208、网络设备根据选择的肤色判定算法计算该待分割图像中每个像素点与肤色的相似度。例如,具体可以如下:
(1)网络设备具体可以根据该散点图特征对选择的肤色判定算法中的阈值进行设置。
比如,如果散点图特征为“圆形”,则可以根据“圆形”的阈值设置规则对“圆形”所对应的肤色判定算法中的阈值进行设置;而如果散点图特征为“平行四边形”,则可以根据“平行四边形”的阈值设置规则对“平行四边形”所对应的肤色判定算法中的阈值进行设置,以此类推,等等。
其中,阈值的设置规则可以根据实际应用的需求进行而定,在此不再赘述。
(2)网络设备将选择的肤色判定算法、以及设置的阈值作为可变参数传入预设图形程序接口的片元着色器中。
其中,图形程序接口可以根据实际应用的需求进行设置,比如,具体可以为OpenGL等。
(3)网络设备对该待分割图像进行该图形程序接口的纹理映射处理。
比如,若在步骤(2)中,采用的是OpenGL,则此时,具体可以对该待分割图像输入OpenGL,以进行纹理映射处理。
(4)网络设备通过该片元着色器对纹理映射处理后的待分割图像进行纹理采样。
(5)网络设备根据采样结果计算该待分割图像中每个像素点与肤色的相似度。
209、网络设备根据该相似度计算灰度值,并根据该灰度值生成该分割图像对应的肤色分割灰度图。
其中,由于选择的肤色判定算法可能有多种,因此,对于该待分割图像中的一部分像素点而言,可能会存在有多个对应的相似度(采用一种肤色判定算法,便可得到对应的一种相似度计算结果),因此,可以预先建立这多个相似度与灰度值的函数关系,然后,基于该函数关系,根据该相似度计算灰度值。
比如,可以设置当这多个相似度均高于预设值时,灰度值为0%(黑色),否则,当这多个相似度中有任意一个相似度低于该预设值时,则灰度值为100%(黑色),等等,可选的,也可以设置为其他值,在此不在赘述。
例如,参见图2b,其中,左图为待分割图像,右图为该分割图像对应的肤色分割灰度图,在该肤色分割灰度图中,白色部分(灰度值为0%(黑色))为皮肤,黑色部分(灰度值为100%(黑色))为非皮肤部分。
由上可知,本实施例可以分别在预设的多种色彩空间下,为待分割图像绘制散点图,然后,对各个色彩空间下的散点图进行分析,并基于分析得到的散点图特征,从预设算法集合中选择至少一个肤色判定算法,来对该待分割图像进行肤色分割;由于该方案可以参考多个色彩空间的散点图,来综合分析待分割图像中的肤色相似关系,并据此灵活选择肤色判定算法,因此,相对于现有技术只基于特定颜色空间、以及单一肤色判定算法的方案而言,可以具有更精确的筛选和分辨能力,大大提高了识别的准确性,以及改善了肤色分割效果。
实施例三、
为了更好地实施以上方法,本发明实施例还提供一种肤色分割装置,该肤色分割装置具体可以集成在网络设备,比如终端或服务器等设备中,该终端可以包括手机、平板电脑、笔记本电脑和/或PC等设备。
例如,如图3a所示,该肤色分割装置可以包括获取单元301、绘制单元302、分析单元303、选择单元304和分割单元305,如下:
(1)获取单元301;
获取单元301,用于获取待分割图像。
例如,获取单元301,具体可以用于从本地(即该网络设备)读取待分割图像,或者,接收其他设备发送的待分割图像。
其中,该待分割图像的格式可以包括BMP、JPEG、TIFF、RAW、以及PCX等。
(2)绘制单元302;
绘制单元302,用于分别在预设的多种色彩空间下,为该待分割图像绘制散点图。
例如,该绘制单元302可以包括分类子单元和绘制子单元,如下:
分类子单元,可以用于将该待分割图像中的像素点进行归类。
比如,该分类子单元,具体可以用于基于深度学习模型对该待分割图像进行人脸识别和人体识别,得到识别结果,根据该识别结果将该待分割图像中的像素点划分为预设的类别,比如划分为人脸像素点类别、人体像素点类别和背景像素点类别。
其中,该深度学习模型可以包括CNN、DBN、RNN、RNTN、以及GAN等,而预设的类别则可以根据实际应用的需求进行设置,详见前面的方法实施例,在此不再赘述。
绘制子单元,可以用于根据归类结果,分别在预设的多种色彩空间下绘制散点图。
例如,该绘制子单元,具体可以用于将该待分割图像中的所有像素点,按照归类结果分别映射至预设的多种色彩空间中,根据映射结果在该多种色彩空间下按照颜色分布进行绘制,得到各个色彩空间下的散点图。
其中,该预设的多种色彩空间具体可以包括RGB、YCbCr、Lab、HSV和CMYK等颜色空间,具体可参见前面的方法实施例,在此不再赘述。
(3)分析单元303;
分析单元303,用于对各个色彩空间下的散点图进行分析,得到散点图特征。
例如,该分析单元303,具体可以用于采用预设的计算机视觉算法对各个色彩空间下的散点图进行基本几何形状拟合,根据拟合结果确定各个散点图的散点图特征。
其中,该计算机视觉算法可以根据实际应用的需求进行设置,比如,可以是OpenCV等。而基本几何形状则可以包括圆形、平行四边形、以及三角形等几何形状。
可选的,由于某些色彩空间下的散点图在大部分情况下,其散点的分布都较为分散,很难进行拟合,因此,为了减少不必要的计算开销,提高处理效率,在进行基本几何形状拟合之前,可以对散点图先进行筛选,即如图3b所示,该肤色分割装置还可以包括筛选单元306,如下:
该筛选单元306,可以用于按照预设筛选条件对各个色彩空间下的散点图进行筛选,得到各个色彩空间下的筛选后散点图。
则此时,该分析单元303,具体可以用于采用预设的计算机视觉算法,对各个色彩空间下的筛选后散点图进行基本几何形状拟合。
其中,该筛选条件可以根据实际应用的需求进行设置,比如,在YCbCr颜色空间下,与Y分量相关的各个散点图可以不作分析,又比如,在Lab颜色空间下,L分析相关的各个散点图也可以不作分析,而在HSV颜色空间下,可以只分析H分量相关的散点图,同理,在CMYK颜色空间,可以只分析C分量相关的散点图,等等。
(4)选择单元304;
选择单元304,用于基于该散点图特征,从预设算法集合中选择至少一个肤色判定算法;
例如,该选择单元304,具体可以用于获取预设配置信息,该配置信息保存有散点图特征和肤色判定算法的一一对应关系,根据该对应关系,从预设算法集合中为每个散点图特征选择对应的肤色判定算法。
其中,该算法集合可以根据实际应用的需求进行设置,比如,该算法集合中可以包括“圆形”所对应的肤色判定算法、“平行四边形”所对应的肤色判定算法、以及“三角形”所对应的肤色判定算法,等等;这些肤色判定算法具体可以根据实际应用的需求进行设置,在此不再赘述。
(5)分割单元305;
分割单元305,用于根据选择的肤色判定算法对该待分割图像进行肤色分割。
例如,该分割单元305可以包括计算子单元和生成子单元,如下:
该计算子单元,用于根据选择的肤色判定算法计算该待分割图像中每个像素点与肤色的相似度,根据该相似度计算灰度值。
比如,该计算子单元,具体可以用于根据该散点图特征对选择的肤色判定算法中的阈值进行设置;将选择的肤色判定算法、以及设置的阈值作为可变参数传入预设图形程序接口的片元着色器中;对该待分割图像进行该图形程序接口的纹理映射处理;通过该片元着色器对纹理映射处理后的待分割图像进行纹理采样;根据采样结果计算该待分割图像中每个像素点与肤色的相似度。
生成子单元,用于根据该灰度值生成该分割图像对应的肤色分割灰度图。
其中,图形程序接口可以根据实际应用的需求进行设置,比如,具体可以为OpenGL等。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,本实施例的肤色分割装置中的绘制单元302可以分别在预设的多种色彩空间下,为待分割图像绘制散点图,然后,由分析单元303对各个色彩空间下的散点图进行分析,并由选择单元304基于分析得到的散点图特征,从预设算法集合中选择至少一个肤色判定算法,以便分割单元305对该待分割图像进行肤色分割;由于该方案可以参考多个色彩空间的散点图,来综合分析待分割图像中的肤色相似关系,并据此灵活选择肤色判定算法,因此,相对于现有技术只基于特定颜色空间、以及单一肤色判定算法的方案而言,可以具有更精确的筛选和分辨能力,大大提高了识别的准确性,以及改善了肤色分割效果。
实施例四、
本发明实施例还提供一种网络设备,该网络设备可以包括服务器或终端等设备。如图4所示,其示出了本发明实施例所涉及的网络设备的结构示意图,具体来讲:
该网络设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的网络设备结构并不构成对网络设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该网络设备的控制中心,利用各种接口和线路连接整个网络设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行网络设备的各种功能和处理数据,从而对网络设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据网络设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
网络设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理***与处理器401逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该网络设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,网络设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,网络设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取待分割图像,分别在预设的多种色彩空间下,为该待分割图像绘制散点图,对各个色彩空间下的散点图进行分析,得到散点图特征,基于该散点图特征,从预设算法集合中选择至少一个肤色判定算法,根据选择的肤色判定算法对该待分割图像进行肤色分割。
例如,具体可以基于深度学习模型对该待分割图像进行人脸识别和人体识别,得到识别结果,然后,根据该识别结果将该待分割图像中的像素点划分为人脸像素点类别、人体像素点类别和背景像素点类别,并根据归类结果,分别在预设的多种色彩空间下绘制散点图,再然后,采用预设的计算机视觉算法对各个色彩空间下的散点图进行基本几何形状拟合,根据拟合结果确定各个散点图的散点图特征。
其中,该深度学***行四边形、以及三角形等几何形状。而计算机视觉算法则可以根据实际应用的需求进行设置,比如,可以是OpenCV等。
可选的,由于某些色彩空间下的散点图在大部分情况下,其散点的分布都较为分散,很难进行拟合,因此,为了减少不必要的计算开销,提高处理效率,在进行基本几何形状拟合之前,可以对散点图先进行筛选,即处理器401还可以运行存储在存储器402中的应用程序,从而实现如下功能:
按照预设筛选条件对各个色彩空间下的散点图进行筛选,得到各个色彩空间下的筛选后散点图。
若已经对散点图进行了筛选,则后续在进行基本几何形状进行拟合时,可以采用预设的计算机视觉算法,对各个色彩空间下的筛选后散点图进行基本几何形状拟合,详见前面的实施例。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本实施例的网络设备可以分别在预设的多种色彩空间下,为待分割图像绘制散点图,然后,对各个色彩空间下的散点图进行分析,并基于分析得到的散点图特征,从预设算法集合中选择至少一个肤色判定算法,来对该待分割图像进行肤色分割;由于该方案可以参考多个色彩空间的散点图,来综合分析待分割图像中的肤色相似关系,并据此灵活选择肤色判定算法,因此,相对于现有技术只基于特定颜色空间、以及单一肤色判定算法的方案而言,可以具有更精确的筛选和分辨能力,大大提高了识别的准确性,以及改善了肤色分割效果。
实施例五、
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种虚拟资源的转移方法中的步骤。例如,该指令可以执行如下步骤:
获取待分割图像,分别在预设的多种色彩空间下,为该待分割图像绘制散点图,对各个色彩空间下的散点图进行分析,得到散点图特征,基于该散点图特征,从预设算法集合中选择至少一个肤色判定算法,根据选择的肤色判定算法对该待分割图像进行肤色分割。
例如,具体可以基于深度学习模型对该待分割图像进行人脸识别和人体识别,得到识别结果,然后,根据该识别结果将该待分割图像中的像素点划分为人脸像素点类别、人体像素点类别和背景像素点类别,并根据归类结果,分别在预设的多种色彩空间下绘制散点图,再然后,采用预设的计算机视觉算法对各个色彩空间下的散点图进行基本几何形状拟合,根据拟合结果确定各个散点图的散点图特征。
其中,该深度学***行四边形、以及三角形等几何形状。而计算机视觉算法则可以根据实际应用的需求进行设置,比如,可以是OpenCV等。
可选的,由于某些色彩空间下的散点图在大部分情况下,其散点的分布都较为分散,很难进行拟合,因此,为了减少不必要的计算开销,提高处理效率,在进行基本几何形状拟合之前,可以对散点图先进行筛选,即该指令还可以执行如下步骤:
按照预设筛选条件对各个色彩空间下的散点图进行筛选,得到各个色彩空间下的筛选后散点图。
若已经对散点图进行了筛选,则后续在进行基本几何形状进行拟合时,可以采用预设的计算机视觉算法,对各个色彩空间下的筛选后散点图进行基本几何形状拟合。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种肤色分割方法中的步骤,因此,可以实现本发明实施例所提供的任一种肤色分割方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种肤色分割方法、装置和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (19)
1.一种肤色分割方法,其特征在于,包括:
获取待分割图像;
分别在预设的多种色彩空间下,为所述待分割图像绘制散点图;
对各个色彩空间下的散点图进行分析,得到散点图特征;
基于所述散点图特征,从预设算法集合中选择至少一个肤色判定算法;
根据选择的肤色判定算法对所述待分割图像进行肤色分割。
2.根据权利要求1所述的方法,其特征在于,所述分别在预设的多种色彩空间下,为所述待分割图像绘制散点图,包括:
将所述待分割图像中的像素点进行归类;
根据归类结果,分别在预设的多种色彩空间下绘制散点图。
3.根据权利要求2所述的方法,其特征在于,所述将所述待分割图像中的像素点进行归类,包括:
基于深度学习模型对所述待分割图像进行人脸识别和人体识别,得到识别结果;
根据所述识别结果将所述待分割图像中的像素点划分为人脸像素点类别、人体像素点类别和背景像素点类别。
4.根据权利要求2所述的方法,其特征在于,所述根据归类结果,分别在预设的多种色彩空间下绘制散点图,包括:
将所述待分割图像中的所有像素点,按照归类结果分别映射至预设的多种色彩空间中;
根据映射结果在所述多种色彩空间下按照颜色分布进行绘制,得到各个色彩空间下的散点图。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述对各个色彩空间下的散点图进行分析,得到散点图特征,包括:
采用预设的计算机视觉算法对各个色彩空间下的散点图进行基本几何形状拟合;
根据拟合结果确定各个散点图的散点图特征。
6.根据权利要求5所述的方法,其特征在于,所述采用预设的计算机视觉算法对各个色彩空间下的散点图进行基本几何形状拟合之前,还包括:
按照预设筛选条件对各个色彩空间下的散点图进行筛选,得到各个色彩空间下的筛选后散点图;
所述采用预设的计算机视觉算法对各个色彩空间下的散点图进行基本几何形状拟合,具体为:采用预设的计算机视觉算法,对各个色彩空间下的筛选后散点图进行基本几何形状拟合。
7.根据权利要求1至4任一项所述的方法,其特征在于,所述基于所述散点图特征,从预设算法集合中选择至少一个肤色判定算法,包括:
获取预设配置信息,所述配置信息保存有散点图特征和肤色判定算法的一一对应关系;
根据所述对应关系,从预设算法集合中为每个散点图特征选择对应的肤色判定算法。
8.根据权利要求1至4任一项所述的方法,其特征在于,所述根据选择的肤色判定算法对所述待分割图像进行肤色分割,包括:
根据选择的肤色判定算法计算所述待分割图像中每个像素点与肤色的相似度;
根据所述相似度计算灰度值;
根据所述灰度值生成所述分割图像对应的肤色分割灰度图。
9.根据权利要求8所述的方法,其特征在于,所述根据选择的肤色判定算法计算所述待分割图像中每个像素点与肤色的相似度,包括:
根据所述散点图特征对选择的肤色判定算法中的阈值进行设置;
将选择的肤色判定算法、以及设置的阈值作为可变参数传入预设图形程序接口的片元着色器中;
对所述待分割图像进行所述图形程序接口的纹理映射处理;
通过所述片元着色器对纹理映射处理后的待分割图像进行纹理采样;
根据采样结果计算所述待分割图像中每个像素点与肤色的相似度。
10.一种肤色分割装置,其特征在于,包括:
获取单元,用于获取待分割图像;
绘制单元,用于分别在预设的多种色彩空间下,为所述待分割图像绘制散点图;
分析单元,用于对各个色彩空间下的散点图进行分析,得到散点图特征;
选择单元,用于基于所述散点图特征,从预设算法集合中选择至少一个肤色判定算法;
分割单元,用于根据选择的肤色判定算法对所述待分割图像进行肤色分割。
11.根据权利要求10所述的装置,其特征在于,所述绘制单元包括分类子单元和绘制子单元;
分类子单元,用于将所述待分割图像中的像素点进行归类;
绘制子单元,用于根据归类结果,分别在预设的多种色彩空间下绘制散点图。
12.根据权利要求11所述的装置,其特征在于,
所述分类子单元,具体用于基于深度学习模型对所述待分割图像进行人脸识别和人体识别,得到识别结果,根据所述识别结果将所述待分割图像中的像素点划分为人脸像素点类别、人体像素点类别和背景像素点类别。
13.根据权利要求11所述的装置,其特征在于,
所述绘制子单元,具体用于将所述待分割图像中的所有像素点,按照归类结果分别映射至预设的多种色彩空间中,根据映射结果在所述多种色彩空间下按照颜色分布进行绘制,得到各个色彩空间下的散点图。
14.根据权利要求10至13任一项所述的装置,其特征在于,
所述分析单元,具体用于采用预设的计算机视觉算法对各个色彩空间下的散点图进行基本几何形状拟合,根据拟合结果确定各个散点图的散点图特征。
15.根据权利要求14所述的装置,其特征在于,还包括筛选单元;
所述筛选单元,用于按照预设筛选条件对各个色彩空间下的散点图进行筛选,得到各个色彩空间下的筛选后散点图;
所述分析单元,具体用于采用预设的计算机视觉算法,对各个色彩空间下的筛选后散点图进行基本几何形状拟合。
16.根据权利要求10至13任一项所述的装置,其特征在于,
所述选择单元,具体用于获取预设配置信息,所述配置信息保存有散点图特征和肤色判定算法的一一对应关系,根据所述对应关系,从预设算法集合中为每个散点图特征选择对应的肤色判定算法。
17.根据权利要求10至13任一项所述的装置,其特征在于,所述分割单元包括计算子单元和生成子单元;
所述计算子单元,用于根据选择的肤色判定算法计算所述待分割图像中每个像素点与肤色的相似度,根据所述相似度计算灰度值;
生成子单元,用于根据所述灰度值生成所述分割图像对应的肤色分割灰度图。
18.根据权利要求17所述的装置,其特征在于,所述计算子单元,具体用于:
据所述散点图特征对选择的肤色判定算法中的阈值进行设置;
将选择的肤色判定算法、以及设置的阈值作为可变参数传入预设图形程序接口的片元着色器中;
对所述待分割图像进行所述图形程序接口的纹理映射处理;
通过所述片元着色器对纹理映射处理后的待分割图像进行纹理采样;
根据采样结果计算所述待分割图像中每个像素点与肤色的相似度。
19.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至9任一项所述的肤色分割方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711249162.9A CN108021881B (zh) | 2017-12-01 | 2017-12-01 | 一种肤色分割方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711249162.9A CN108021881B (zh) | 2017-12-01 | 2017-12-01 | 一种肤色分割方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108021881A true CN108021881A (zh) | 2018-05-11 |
CN108021881B CN108021881B (zh) | 2023-09-01 |
Family
ID=62078027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711249162.9A Active CN108021881B (zh) | 2017-12-01 | 2017-12-01 | 一种肤色分割方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108021881B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647786A (zh) * | 2018-07-10 | 2018-10-12 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
CN108922619A (zh) * | 2018-07-11 | 2018-11-30 | 江苏师范大学 | 一种基于稀疏核主角的RdR散点图识别方法 |
CN109377509A (zh) * | 2018-09-26 | 2019-02-22 | 深圳前海达闼云端智能科技有限公司 | 图像语义分割标注的方法、装置、存储介质和设备 |
CN109446977A (zh) * | 2018-10-25 | 2019-03-08 | 平安科技(深圳)有限公司 | 基于人脸识别的图像处理方法、装置、存储介质及终端 |
CN113947606A (zh) * | 2021-09-26 | 2022-01-18 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN115331286A (zh) * | 2022-07-29 | 2022-11-11 | 中国兵器工业信息中心 | 一种基于深度学习的内容安全检测*** |
CN116597038A (zh) * | 2023-05-22 | 2023-08-15 | 怀化学院 | 一种基于大数据的智能调色方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324020A (zh) * | 2011-09-02 | 2012-01-18 | 北京新媒传信科技有限公司 | 人体肤色区域的识别方法和装置 |
CN103390151A (zh) * | 2012-05-08 | 2013-11-13 | 展讯通信(上海)有限公司 | 人脸检测方法及装置 |
CN104156915A (zh) * | 2014-07-23 | 2014-11-19 | 小米科技有限责任公司 | 肤色调整方法和装置 |
CN104504734A (zh) * | 2014-09-16 | 2015-04-08 | 浙江工业大学 | 一种基于语义的图像颜色传输方法 |
CN104680551A (zh) * | 2013-11-29 | 2015-06-03 | 展讯通信(天津)有限公司 | 一种基于肤色检测的跟踪方法及装置 |
CN105405143A (zh) * | 2015-11-13 | 2016-03-16 | 华中师范大学 | 一种基于全局期望最大算法的手势分割方法及*** |
CN106485222A (zh) * | 2016-10-10 | 2017-03-08 | 上海电机学院 | 一种基于肤色分层的人脸检测方法 |
CN107077828A (zh) * | 2014-11-25 | 2017-08-18 | 英特尔公司 | 对颜色查找表的大小进行压缩 |
-
2017
- 2017-12-01 CN CN201711249162.9A patent/CN108021881B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324020A (zh) * | 2011-09-02 | 2012-01-18 | 北京新媒传信科技有限公司 | 人体肤色区域的识别方法和装置 |
CN103390151A (zh) * | 2012-05-08 | 2013-11-13 | 展讯通信(上海)有限公司 | 人脸检测方法及装置 |
CN104680551A (zh) * | 2013-11-29 | 2015-06-03 | 展讯通信(天津)有限公司 | 一种基于肤色检测的跟踪方法及装置 |
CN104156915A (zh) * | 2014-07-23 | 2014-11-19 | 小米科技有限责任公司 | 肤色调整方法和装置 |
CN104504734A (zh) * | 2014-09-16 | 2015-04-08 | 浙江工业大学 | 一种基于语义的图像颜色传输方法 |
CN107077828A (zh) * | 2014-11-25 | 2017-08-18 | 英特尔公司 | 对颜色查找表的大小进行压缩 |
CN105405143A (zh) * | 2015-11-13 | 2016-03-16 | 华中师范大学 | 一种基于全局期望最大算法的手势分割方法及*** |
CN106485222A (zh) * | 2016-10-10 | 2017-03-08 | 上海电机学院 | 一种基于肤色分层的人脸检测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647786A (zh) * | 2018-07-10 | 2018-10-12 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
CN108647786B (zh) * | 2018-07-10 | 2021-11-30 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
CN108922619A (zh) * | 2018-07-11 | 2018-11-30 | 江苏师范大学 | 一种基于稀疏核主角的RdR散点图识别方法 |
CN109377509A (zh) * | 2018-09-26 | 2019-02-22 | 深圳前海达闼云端智能科技有限公司 | 图像语义分割标注的方法、装置、存储介质和设备 |
CN109446977A (zh) * | 2018-10-25 | 2019-03-08 | 平安科技(深圳)有限公司 | 基于人脸识别的图像处理方法、装置、存储介质及终端 |
CN113947606A (zh) * | 2021-09-26 | 2022-01-18 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113947606B (zh) * | 2021-09-26 | 2024-03-26 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN115331286A (zh) * | 2022-07-29 | 2022-11-11 | 中国兵器工业信息中心 | 一种基于深度学习的内容安全检测*** |
CN116597038A (zh) * | 2023-05-22 | 2023-08-15 | 怀化学院 | 一种基于大数据的智能调色方法及*** |
CN116597038B (zh) * | 2023-05-22 | 2024-02-06 | 怀化学院 | 一种基于大数据的智能调色方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108021881B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108021881A (zh) | 一种肤色分割方法、装置和存储介质 | |
Al-Mohair et al. | Hybrid human skin detection using neural network and k-means clustering technique | |
US8508546B2 (en) | Image mask generation | |
CN105893925A (zh) | 基于肤色的人手检测方法及装置 | |
CN105122306B (zh) | 区域分割方法以及检查装置 | |
CN106951869B (zh) | 一种活体验证方法及设备 | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CN111864896B (zh) | 一种电力负荷监测方法及*** | |
CN109635825A (zh) | 车辆属性检测方法、装置及存储介质 | |
CN109636825A (zh) | ***图形分割方法、装置及计算机可读存储介质 | |
CN112069339A (zh) | 背景图片处理及搜索结果展示方法、装置、设备和介质 | |
CN108875759B (zh) | 一种图像处理方法、装置及服务器 | |
CN111160194A (zh) | 一种基于多特征融合的静态手势图像识别方法 | |
CN115082400A (zh) | 一种图像处理方法、装置、计算机设备及可读存储介质 | |
Ansari et al. | Significance of color spaces and their selection for image processing: a survey | |
CN107301421A (zh) | 车辆颜色的识别方法及装置 | |
JP2021189527A5 (zh) | ||
US8131077B2 (en) | Systems and methods for segmenting an image based on perceptual information | |
CN108510483B (zh) | 一种采用vlad编码和svm的计算生成彩色图像篡改检测方法 | |
US20120087576A1 (en) | Image processing device | |
US8971619B2 (en) | Method and a device for extracting color features | |
CN102163277B (zh) | 一种基于区域的肤色分割方法 | |
CN114463168A (zh) | 数据脱敏处理的方法、装置和电子设备 | |
CN108600746B (zh) | 彩色图像视觉失色的检测方法、***及装置 | |
Alvarado‐Cervantes et al. | An adaptive color similarity function suitable for image segmentation and its numerical evaluation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |