CN113888543B - 肤色分割方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开关于一种肤色分割方法、装置、电子设备及存储介质。通过对待分割图像进行特征提取，得到待分割图像中每个像素对应的特征向量，并将像素对应的特征向量分别输入前景概率查找表和背景概率查找表进行查找，得到像素对应的前景概率和像素对应的背景概率，进而获取像素对应的前景概率和背景概率之间的差值，当差值大于或等于设定阈值时，标记像素为皮肤。由于不同的曝光时间，环境光和皮肤的不同，相同的像素值在不同的情形下可能分别属于皮肤和非皮肤，因此，本实施例通过利用人脸区域的色彩信息作为先验，并与像素本身的色彩信息相结合，以对待分割图像中的每一个像素进行肤色识别分割，从而实现更准确的肤色分割。

Description

肤色分割方法、装置、电子设备及存储介质

技术领域

本公开涉及图像处理技术领域，尤其涉及一种肤色分割方法、装置、电子设备及存储介质。

背景技术

随着图像处理技术的发展，在用户进行拍照或是录制视频时，可以通过应用中提供的美颜功能对拍摄到的图像或图像序列进行美化处理，例如，祛除皮肤中比较明显的瑕疵，如痘、痣、斑等。

相关技术中，为了对图像或图像序列中的皮肤区域进行美化处理，首先需要对图像中的皮肤区域进行分割。传统的肤色分割算法如肤色椭圆模型认为，皮肤像素在YCbCr色彩空间中投影到Cb(蓝色色度分量)和Cr(红色色度分量)维度构成的二维平面中将被包含于一个椭圆中，该椭圆大小位置等参数由设计者的经验知识确定。这类方法虽然简洁，但在实际应用中准确度较低。因此，如何精确而高效的进行肤色分割是目前亟需解决的问题。

发明内容

本公开提供一种肤色分割方法、装置、电子设备及存储介质，以至少解决相关技术中肤色分割准确度低的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种肤色分割方法，包括：

对待分割图像进行特征提取，得到所述待分割图像中每个像素对应的特征向量，所述像素对应的特征向量包括所述像素对应的像素值与人脸像素值的组合，所述人脸像素值用于表征所述待分割图像中人脸区域的色彩信息；

将所述像素对应的特征向量分别输入前景概率查找表和背景概率查找表进行查找，得到所述像素对应的前景概率和所述像素对应的背景概率，所述前景概率查找表包括特征空间中每一个像素点的样本特征向量以及所述像素点为肤色的概率值，所述背景概率查找表包括所述特征空间中每一个像素点的样本特征向量以及所述像素点不为肤色的概率值，所述特征空间是所有像素点的像素值与对应的人脸先验像素值所构成的样本特征向量的集合，所述人脸先验像素值是人脸区域色彩信息的先验值；

获取所述像素对应的前景概率和所述像素对应的背景概率之间的差值；

当所述差值大于或等于设定阈值时，标记所述像素为皮肤。

在其中一个实施例中，所述方法还包括：当所述差值小于设定阈值时，标记所述像素为非皮肤。

在其中一个实施例中，所述对待分割图像进行特征提取，得到所述待分割图像中每个像素对应的特征向量，包括：获取待分割图像，检测所述待分割图像中的所有人脸区域；获取所有人脸区域在各色彩通道的像素均值，将所述像素均值作为所述人脸像素值。

在其中一个实施例中，所述对待分割图像进行特征提取，得到所述待分割图像中每个像素对应的特征向量，包括：获取待分割图像，检测所述待分割图像中的所有人脸区域；获取各人脸区域分别在各色彩通道的第一人脸像素均值；获取所有人脸区域在各色彩通道的第二人脸像素均值；当所述像素位于所述待分割图像中的任意一个人脸区域时，确定所述任意一个人脸区域对应的第一人脸像素均值，将所述像素的像素值与对应的第一人脸像素均值进行拼接，得到所述像素对应的特征向量；当所述像素不位于所述任意一个人脸区域时，将所述像素的像素值与所述第二人脸像素均值进行拼接，得到所述像素对应的特征向量。

在其中一个实施例中，所述前景概率查找表的生成方法包括：获取第一样本数据集，所述第一样本数据集中包括若干个肤色样本特征向量，每个所述肤色样本特征向量包括肤色样本像素对应的像素值与人脸样本像素值的组合；根据所述第一样本数据集训练高斯混合模型，直到所述高斯混合模型收敛，得到目标前景高斯模型；将所述特征空间中每一个像素点的样本特征向量输入所述目标前景高斯模型，得到所述特征空间中每一个像素点为肤色的概率值；基于所述特征空间中每一个像素点的样本特征向量以及所述像素点为肤色的概率值，生成对应的前景概率查找表。

在其中一个实施例中，所述背景概率查找表的生成方法包括：获取第二样本数据集，所述第二样本数据集中包括若干个非肤色样本特征向量，每个所述非肤色样本特征向量包括非肤色样本像素对应的像素值与人脸样本像素值的组合；根据所述第二样本数据集训练高斯混合模型，直到所述高斯混合模型收敛，得到目标背景高斯模型；将所述特征空间中每一个像素点的样本特征向量输入所述目标背景高斯模型，得到所述特征空间中每一个像素点不为肤色的概率值；基于所述特征空间中每一个像素点的样本特征向量以及所述像素点不为肤色的概率值，生成对应的背景概率查找表。

根据本公开实施例的第二方面，提供一种肤色分割装置，包括：

特征提取模块，被配置为执行对待分割图像进行特征提取，得到所述待分割图像中每个像素对应的特征向量，所述像素对应的特征向量包括所述像素对应的像素值与人脸像素值的组合，所述人脸像素值用于表征所述待分割图像中人脸区域的色彩信息；

查询模块，被配置为执行将所述像素对应的特征向量分别输入前景概率查找表和背景概率查找表进行查找，得到所述像素对应的前景概率和所述像素对应的背景概率，所述前景概率查找表包括特征空间中每一个像素点的样本特征向量以及所述像素点为肤色的概率值，所述背景概率查找表包括所述特征空间中每一个像素点的样本特征向量以及所述像素点不为肤色的概率值，所述特征空间是所有像素点的像素值与对应的人脸先验像素值所构成的样本特征向量的集合，所述人脸先验像素值是人脸区域色彩信息的先验值；

肤色标记模块，被配置为执行获取所述像素对应的前景概率和所述像素对应的背景概率之间的差值，当所述差值大于或等于设定阈值时，标记所述像素为皮肤。

在其中一个实施例中，所述肤色标记模块还被配置为执行：当所述差值小于设定阈值时，标记所述像素为非皮肤。

在其中一个实施例中，所述特征提取模块被配置为执行：获取待分割图像，检测所述待分割图像中的所有人脸区域；获取所述所有人脸区域在各色彩通道的像素均值，将所述像素均值作为所述人脸像素值；将所述待分割图像中每个像素的像素值与所述人脸像素值进行拼接，分别得到每个像素对应的特征向量。

在其中一个实施例中，所述特征提取模块还被配置为执行：获取待分割图像，检测所述待分割图像中的所有人脸区域；获取各人脸区域分别在各色彩通道的第一人脸像素均值；获取所述所有人脸区域在各色彩通道的第二人脸像素均值；当所述像素位于所述待分割图像中的任意一个人脸区域时，确定所述任意一个人脸区域对应的第一人脸像素均值，将所述像素的像素值与对应的第一人脸像素均值进行拼接，得到所述像素对应的特征向量；当所述像素不位于所述任意一个人脸区域时，将所述像素的像素值与所述第二人脸像素均值进行拼接，得到所述像素对应的特征向量。

在其中一个实施例中，所述装置还包括前景概率查找表生成模块，被配置为执行：获取第一样本数据集，所述第一样本数据集中包括若干个肤色样本特征向量，每个所述肤色样本特征向量包括肤色样本像素对应的像素值与人脸样本像素值的组合；根据所述第一样本数据集训练高斯混合模型，直到所述高斯混合模型收敛，得到目标前景高斯模型；将所述特征空间中每一个像素点的样本特征向量输入所述目标前景高斯模型，得到所述特征空间中每一个像素点为肤色的概率值；基于所述特征空间中每一个像素点的样本特征向量以及所述样本特征向量为肤色的概率值，生成对应的前景概率查找表。

在其中一个实施例中，所述装置还包括背景概率查找表生成模块，被配置为执行：获取第二样本数据集，所述第二样本数据集中包括若干个非肤色样本特征向量，每个所述非肤色样本特征向量包括非肤色样本像素对应的像素值与人脸样本像素值的组合；根据所述第二样本数据集训练高斯混合模型，直到所述高斯混合模型收敛，得到目标背景高斯模型；将所述特征空间中每一个像素点的样本特征向量输入所述目标背景高斯模型，得到所述特征空间中每一个像素点不为肤色的概率值；基于所述特征空间中每一个像素点的样本特征向量以及所述像素不为肤色的概率值，生成对应的背景概率查找表。

根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如上第一方面任一项所述的肤色分割方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如上第一方面任一项所述的肤色分割方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，所述计算机程序产品中包括指令，所述指令被电子设备的处理器执行时，使得所述电子设备能够执行如上第一方面任一项所述的肤色分割方法。

本公开的实施例提供的技术方案至少带来以下有益效果：通过对待分割图像进行特征提取，得到待分割图像中每个像素对应的特征向量，并将像素对应的特征向量分别输入前景概率查找表和背景概率查找表进行查找，得到像素对应的前景概率和像素对应的背景概率，获取像素对应的前景概率和背景概率之间的差值，当差值大于或等于设定阈值时，标记像素为皮肤。由于不同的曝光时间，环境光和皮肤的不同，相同的像素值在不同的情形下可能分别属于皮肤和非皮肤，因此，本实施例通过利用人脸区域的色彩信息作为先验，并与像素本身的色彩信息相结合，以对待分割图像中的每一个像素进行肤色识别分割，从而实现更准确的肤色分割。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种肤色分割方法的应用环境图。

图2是根据一示例性实施例示出的一种肤色分割方法的流程图。

图3是根据另一示例性实施例示出的一种肤色分割方法的流程图。

图4是根据一示例性实施例示出的对待分割图像进行特征提取的步骤示意图。

图5是根据一示例性实施例示出的获取人脸像素值的步骤示意图。

图6是根据另一示例性实施例示出的获取人脸像素值的步骤示意图。

图7是根据一示例性实施例示出的前景概率查找表生成步骤的示意图。

图8是根据一示例性实施例示出的背景概率查找表生成步骤的示意图。

图9是根据一示例性实施例示出的一种肤色分割装置的框图。

图10是根据一示例性实施例示出的一种电子设备的框图。

图11是根据另一示例性实施例示出的一种电子设备的框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

还需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

本公开所提供的肤色分割方法，可以应用于如图1所示的应用环境中。其中，电子设备110通过对待分割图像进行特征提取，得到待分割图像中每个像素对应的特征向量，并根据像素对应的特征向量分别查询预先定义的前景概率查找表和背景概率查找表，得到该像素对应的前景概率和该像素对应的背景概率，进而获取像素对应的前景概率和像素对应的背景概率之间的差值，当差值大于或等于设定阈值时，标记该像素为皮肤，即输出像素为皮肤的标记，从而实现精确而高效的肤色分割。具体地，前景概率查找表包括特征空间中每一个像素点的样本特征向量以及该像素点为肤色的概率值，背景概率查找表包括特征空间中每一个像素点的样本特征向量以及该像素点不为肤色的概率值，特征空间则是所有像素点的像素值与人脸先验像素值所构成的样本特征向量的集合，且人脸先验像素值是人脸区域色彩信息的先验值。电子设备110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，当然，电子设备110还可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

图2是根据一示例性实施例示出的一种肤色分割方法的流程图，如图2所示，以该方法用于图1的电子设备110中，包括以下步骤。

在步骤S210中，对待分割图像进行特征提取，得到待分割图像中每个像素对应的特征向量。

其中，待分割图像是指待要进行肤色分割的图像，肤色分割即确定图像中的皮肤部分，使其与非皮肤部分区别开。像素对应的特征向量包括该像素对应的像素值与人脸像素值的组合，例如，对于图像中的某一像素，将该像素的像素值与人脸像素值进行拼接，即可得到对应像素的特征向量。具体地，人脸像素值用于表征待分割图像中人脸区域的色彩信息，例如，人脸像素值可以基于待分割图像中人脸区域各通道的像素均值确定，当像素位于图像中的区域不同时，其对应的人脸像素值可以相同，也可以不同。在本实施例中，通过对待分割图像进行特征提取，即识别待分割图像中的人脸区域并计算人脸像素值，进而基于计算的人脸像素值以及图像中每一个像素的像素值，而得到待分割图像中每个像素对应的特征向量。

在步骤S220中，将像素对应的特征向量分别输入前景概率查找表和背景概率查找表，得到像素对应的前景概率和像素对应的背景概率。

其中，前景概率查找表包括特征空间中每一个像素点的样本特征向量以及该像素点为肤色的概率值，而背景概率查找表包括特征空间中每一个像素点的样本特征向量以及该像素点不为肤色的概率值。具体地，特征空间是所有可能取值的样本特征向量的集合，即所有像素点的像素值与人脸先验像素值所构成的组合的集合。假如像素值是一个三维向量，人脸先验像素值也是一个三维向量，若每个元素由8bit表示，则特征空间的大小为256⁶。人脸先验像素值则是人脸区域的色彩信息的先验值。

在本实施例中，通过预先定义前景概率查找表和背景概率查找表，即对于特征空间中的每一个像素点，在前景概率查找表中定义该点的样本特征向量以及该点为肤色的概率值之间的对应关系，在背景概率查找表中定义该点的样本特征向量以及该点不为肤色的概率值之间的对应关系。因此，对于上述获取的待分割图像中每个像素的特征向量，可以通过查询预先定义的前景概率查找表，从而得到该像素对应的前景概率，其中，前景概率是指该像素为肤色的概率，并查询预先定义的背景概率查找表，从而得到该像素对应的背景概率，其中，背景概率是指该像素不为肤色的概率。

在步骤S230中，获取像素对应的前景概率和像素对应的背景概率之间的差值，当差值大于或等于设定阈值时，标记像素为皮肤。

由于前景概率是表示该像素为肤色的概率，背景概率是表示该像素不为肤色的概率，因此，通过获取该像素对应的前景概率与背景概率之间的差值，并比较该差值与设定阈值之间的大小，即可以确定该像素是否为皮肤。

其中，设定阈值可以是大于0且小于或等于0.7的任意数。具体地，设定阈值的大小可以基于实际应用中对精度要求的高低而设定不同的值，例如，在精度要求较高的场合，可以设置较大的设定阈值，在精度要求较低的场合，则可以设置较低的阈值，通常情况下，可以设置在0.5左右。例如，当某一像素对应的前景概率和该像素对应的背景概率之间的差值大于或等于设定阈值时，则表示该像素为肤色的概率较高，因此可以标记该像素为皮肤。

上述肤色分割方法中，通过对待分割图像进行特征提取，得到待分割图像中每个像素对应的特征向量，并将像素对应的特征向量分别输入前景概率查找表和背景概率查找表进行查找，得到像素对应的前景概率和像素对应的背景概率，获取像素对应的前景概率和背景概率之间的差值，当差值大于或等于设定阈值时，标记像素为皮肤。由于不同的曝光时间，环境光和皮肤的不同，相同的像素值在不同的情形下可能分别属于皮肤和非皮肤，因此，本实施例通过利用人脸区域的色彩信息作为先验，并与像素本身的色彩信息相结合，以对待分割图像中的每一个像素进行肤色识别分割，从而实现更准确的肤色分割。

在一示例性实施例中，如图3所示，上述肤色分割方法还可以包括如下步骤：

在步骤S240中，当差值小于设定阈值时，标记像素为非皮肤。

具体地，如上述实施例所述，由于前景概率是表示该像素为肤色的概率，背景概率是表示该像素不为肤色的概率，因此，当某一像素对应的前景概率和该像素对应的背景概率之间的差值小于设定阈值时，则表示该像素为肤色的概率不是很高，因此，可以标记该像素为非皮肤。

在本实施例中，通过预先设定阈值，并在像素对应的前景概率和像素对应的背景概率之间的差值小于设定阈值时，而标记该像素为非皮肤，从而实现对每一个像素进行肤色识别分割，以提高肤色分割的准确性。

在一示例性实施例中，基于上述方法对待分割图像中每一个像素进行肤色识别分割，以得到每一个像素是否为皮肤的标记后，则还可以根据该待分割图像中每个像素的标记，生成该待分割图像的肤色掩膜图，即得到该待分割图像的皮肤区域。在本实施例中，基于上述方法得到的待分割图像中每一个像素是否为皮肤的标记，进而可以根据每个像素的标记生成对应的肤色掩膜图，以准确确定待分割图像的皮肤区域，从而方便后续的图像处理。

在一示例性实施例中，如图4所示，在步骤S210中，对待分割图像进行特征提取，得到待分割图像中每个像素对应的特征向量，具体可以通过以下步骤实现：

在步骤S211中，获取待分割图像，从待分割图像中获取人脸像素值。

其中，人脸像素值是指图像中人脸区域各通道的像素均值。具体地，人脸像素值可以是每一个人脸区域分别对应的各通道的像素均值，也可以是图像中所有人脸区域所对应的各通道的像素均值，本实施例中并不对此进行限定。在本实施例中，通过获取待分割图像，并检测待分割图像中的人脸区域，进而计算人脸区域的人脸像素值。

在步骤S212中，将待分割图像中每个像素的像素值与人脸像素值进行拼接，分别得到每个像素对应的特征向量。

具体地，基于上述得到的人脸像素值，将待分割图像中每个像素的像素值与该人脸像素值进行拼接，从而分别得到每个像素对应的特征向量。

上述实施例中，通过获取待分割图像，从待分割图像中获取人脸像素值，并将待分割图像中每个像素的像素值与人脸像素值进行拼接，从而分别得到每个像素对应的特征向量，进而可以基于每个像素的特征向量识别该像素是否为肤色的概率，从而提高肤色分割的准确性。

在一示例性实施例中，如图5所示，在步骤S210中，对待分割图像进行特征提取，得到待分割图像中每个像素对应的特征向量，具体可以通过以下步骤实现：

在步骤S510中，获取待分割图像，检测待分割图像中的所有人脸区域。

具体地，可以基于人脸检测技术检测待分割图像中的所有人脸区域，例如，具体可以采用bounding box(边框)识别待分割图像中的一个或多个人脸区域。

在步骤S520中，获取所有人脸区域在各色彩通道的像素均值，将像素均值作为人脸像素值。

其中，像素均值是指待分割图像中所有人脸区域的像素对应各色彩通道的像素平均值。例如，对于RGB色彩模式下的图像，像素均值是指图像中人脸区域的像素分别在红色通道、绿色通道、蓝色通道的值之和除以该区域对应的像素计数后得到的数据。举例来说，若待分割图像中存在两个人脸区域A和B，则像素均值是指人脸区域A和人脸区域B中的像素在红色通道的值之和除以人脸区域A和人脸区域B中对应的像素计数所得到的值、在绿色通道的值之和除以对应的像素计数所得到的值，以及在蓝色通道的值之和除以对应的像素计数所得到的值。在本实施例中，将所有人脸区域在各色彩通道的像素均值作为人脸像素值。

在步骤S530中，将待分割图像中每个像素的像素值与人脸像素值进行拼接，分别得到每个像素对应的特征向量。

具体地，基于上述得到的人脸像素值，将待分割图像中每个像素的像素值与该人脸像素值进行拼接，从而分别得到每个像素对应的特征向量。

上述实施例中，基于上述检测的待分割图像中的所有人脸区域，从而获取所有人脸区域在各色彩通道的像素均值，并将其作为人脸像素值与待分割图像中的每个像素的像素值进行拼接，从而得到每个像素的特征向量，进而基于像素的特征向量进行肤色分割，有利于提高肤色分割的准确性。

在一示例性实施例中，如图6所示，在步骤S210中，对待分割图像进行特征提取，得到待分割图像中每个像素对应的特征向量，具体可以通过以下步骤实现：

在步骤S610中，获取待分割图像，检测待分割图像中的所有人脸区域。

具体地，可以基于人脸检测技术检测待分割图像中的所有人脸区域，例如，具体可以采用bounding box(边框)识别待分割图像中的一个或多个人脸区域。

在步骤S620中，获取各人脸区域分别在各色彩通道的第一人脸像素均值。

其中，第一人脸像素均值是指待分割图像中各人脸区域一一对应的像素平均值。例如，若待分割图像中存在两个人脸区域A和B，则分别获取人脸区域A中各色彩通道的第一人脸像素均值以及人脸区域B中各色彩通道的第一人脸像素均值。即将人脸区域A的像素在各色彩通道之和除以该区域对应的像素计数，从而得到人脸区域A在各色彩通道的第一人脸像素均值；将人脸区域B的像素在各彩色通道之和除以该区域对应的像素计数，从而得到人脸区域B在各色彩通道的第一人脸像素均值。可以理解的是，待分割图像中存在几个人脸区域，则具有对应的几个第一人脸像素均值。在本实施例中，基于上述检测的待分割图像中的所有人脸区域，分别获取每一个人脸区域在各色彩通道的第一人脸像素均值。

在步骤S630中，获取所有人脸区域在各色彩通道的第二人脸像素均值。

其中，第二人脸像素均值是指待分割图像中所有人脸区域的像素对应各色彩通道的像素平均值。例如，若待分割图像中存在两个人脸区域A和B，则第二人脸像素均值是指人脸区域A和人脸区域B中的像素在各色彩通道之和除以人脸区域A和B中对应的像素计数所得到的值，在本实施例中，基于上述检测的待分割图像中的所有人脸区域，从而获取所有人脸区域在各色彩通道的第二人脸像素均值。

在步骤S640中，当像素位于待分割图像中的任意一个人脸区域时，确定该任意一个人脸区域对应的第一人脸像素均值，将像素的像素值与对应的第一人脸像素均值进行拼接，得到像素对应的特征向量。

具体地，在得到待分割图像中每一个人脸区域一一对应的第一人脸像素均值以及待分割图像中所有人脸区域的第二人脸像素均值后，则可以基于图像中像素所在的区域而确定该像素对应的人脸像素值。例如，对于待分割图像中的任意一个像素，确定该像素是否位于待分割图像中的任一人脸区域，当该像素位于任一人脸区域时，则确定该像素所位于的人脸区域对应的第一人脸像素均值，则将该第一人脸像素均值作为该像素的人脸像素值，并将该像素的像素值与对应的人脸像素值(即该第一人脸像素均值)进行拼接，从而得到该像素对应的特征向量。

在步骤S650中，当像素不位于任意一个人脸区域时，将像素的像素值与第二人脸像素均值进行拼接，得到像素对应的特征向量。

对于待分割图像中的任意一个像素，当该像素不位于任何一个人脸区域时，即该像素位于人脸区域之外，则将第二人脸像素均值作为该像素的人脸像素值，并将该像素的像素值与对应的人脸像素值(即第二人脸像素均值)进行拼接，从而得到该像素对应的特征向量。

上述实施例中，基于待分割图像中人脸区域的色彩信息，以及像素位于图像中的区域而确定像素对应的人脸像素值，并将像素的像素值与对应的人脸像素值相结合而得到对应像素的特征向量，进而根据像素的特征向量识别其是否为皮肤，从而提高了肤色分割的精确度。

在一个实施例中，如图7所示，前景概率查找表的生成方法具体可以包括如下步骤：

在步骤S710中，获取第一样本数据集。

其中，第一样本数据集是用于进行模型训练的训练数据集。第一样本数据集中包括若干个肤色样本特征向量，每个肤色样本特征向量包括肤色样本像素对应的像素值与人脸样本像素值的组合，其中，肤色样本像素是指为肤色的样本像素。在本实施例中，第一样本数据集可以从大量的样本图像中获取，样本图像中的每个像素具有对应是否为肤色的二值标签，且样本图像中标注了人脸区域，若某一像素的二值标签为肤色，则将该像素确定为肤色样本像素，并将该像素对应的像素值与人脸样本像素值进行拼接，从而得到该像素对应的肤色样本特征向量，将其放入第一样本数据集。通过遍历样本图像中的每一个像素，从而丰富第一样本数据集中的数据。其中，人脸样本像素值是基于样本图像中的人脸区域得到，例如，人脸样本像素值可以是样本图像中各人脸区域一一对应的人脸像素值，也可以是样本图像中所有人脸区域对应的人脸像素值，具体可以参考图5及图6的实施例进行计算，本实施例中不再对此进行赘述。

在步骤S720中，根据第一样本数据集训练高斯混合模型，直到高斯混合模型收敛，得到目标前景高斯模型。

其中，高斯混合模型(Gaussian Mixed Model，简移交GMM)是利用高斯概率密度函数(正态分布曲线)精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。目标前景高斯模型是用于预测图像中每一个像素为皮肤的概率的模型。在本实施例中，由于第一样本数据集中包括若干个肤色样本特征向量，因此，通过第一样本数据集训练高斯混合模型，直到高斯混合模型收敛，即可得到用于预测图像中每一个像素为皮肤的概率的目标前景高斯模型。

在步骤S730中，将特征空间中每一个像素点的样本特征向量输入目标前景高斯模型，得到特征空间中每一个像素点为肤色的概率值。

其中，特征空间是所有可能取值的样本特征向量的集合，即所有像素点的像素值与人脸先验像素值所构成的组合的集合。在本实施例中，对于特征空间中每一个像素点的样本特征向量，将其作为输入数据输入上述得到的目标前景高斯模型，从而得到特征空间中每一个像素点为肤色的概率值。

在步骤S740中，基于特征空间中每一个像素点的样本特征向量以及该像素点为肤色的概率值，生成对应的前景概率查找表。

在本实施例中，基于特征空间中每一个像素点对应的样本特征向量以及以上述步骤得到的每一个像素点为肤色的概率值，从而生成对应的前景概率查找表。

上述实施例中，通过第一样本数据集训练高斯混合模型，直到高斯混合模型收敛，得到目标前景高斯模型，进而利用目标前景高斯模型识别特征空间中每一个像素点为肤色的概率值，将特征空间中每一个像素点的样本特征向量以及该像素点为肤色的概率值保存为前景概率查找表，从而得到用于识别图像中像素为肤色概率的前景概率查找表，进而可以实现对像素是否皮肤的精确分割。

在一个实施例中，如图8所示，背景概率查找表的生成方法具体可以包括如下步骤：

在步骤S810中，获取第二样本数据集。

其中，第二样本数据集是用于进行模型训练的训练数据集。具体地，第二样本数据集中包括若干个非肤色样本特征向量，每个非肤色样本特征向量包括非肤色样本像素对应的像素值与人脸样本像素值的组合，其中，非肤色样本像素是指不为肤色的样本像素。

在本实施例中，第二样本数据集可以从大量的样本图像中获取，样本图像中的每个像素具有对应是否为肤色的二值标签，且样本图像中标注了人脸区域，若某一像素的二值标签不为肤色，则将该像素确定为非肤色样本像素，并将该像素对应的像素值与人脸样本像素值进行拼接，从而得到该像素对应的非肤色样本特征向量，将其放入第二样本数据集。通过遍历样本图像中的每一个像素，从而丰富第二样本数据集中的数据。其中，人脸样本像素值是基于样本图像中的人脸区域得到，例如，人脸样本像素值可以是样本图像中所有人脸区域对应的人脸像素值，具体可以参考图5及图6的实施例进行计算，本实施例中不再对此进行赘述。

在步骤S820中，根据第二样本数据集训练高斯混合模型，直到高斯混合模型收敛，得到目标背景高斯模型。

其中，目标背景高斯模型是用于预测图像中每一个像素不为皮肤的概率的模型。在本实施例中，由于第二样本数据集中包括若干个非肤色样本特征向量，因此，通过第二样本数据集训练高斯混合模型，直到高斯混合模型收敛，即可得到用于预测图像中每一个像素不为皮肤的概率的目标背景高斯模型。

在步骤S830中，将特征空间中每一个像素点的样本特征向量输入目标背景高斯模型，得到特征空间中每一个像素点不为肤色的概率值。

具体地，对于特征空间每一个像素点的样本特征向量，将其作为输入数据输入上述得到的目标背景高斯模型，从而得到特征空间每一个像素点不为肤色的概率值。

在步骤S840中，基于特征空间中每一个像素点的样本特征向量以及该像素点不为肤色的概率值，生成对应的背景概率查找表。

具体地，基于特征空间中每一个像素点的样本特征向量以及以上述步骤得到的每一个像素点不为肤色的概率值，从而生成对应的背景概率查找表。

上述实施例中，通过第二样本数据集训练高斯混合模型，直到高斯混合模型收敛，得到目标背景高斯模型，进而利用目标背景高斯模型识别特征空间中每一个像素点不为肤色的概率值，将特征空间中每一个像素点的样本特征向量以及该像素不为肤色的概率值保存为背景概率查找表，从而得到用于识别图像中像素不为肤色概率的背景概率查找表，进而可以实现对像素是否为皮肤的精确分割。

在一示例性实施例中，进一步说明上述肤色分割方法，具体包括：

1)训练阶段。假定已获得足够的训练样本，这些训练样本包括图像及其图像中每个像素点对应是否为肤色的二值标签，以及每张图像中的人脸区域。图像的色彩模式可以是RGB，YCbCr，或者其他的色彩模式。在本实施例中，首先计算根据bounding box获得的人脸区域的各通道人脸样本像素值(具体可以采用如图5或图6所示的方法进行计算)，将该图像中的每个像素与该人脸样本像素值进行拼接作为单个样本。如果该像素对应的标签为1(1表示是肤色，0表示不是肤色)，则将该样本放入肤色数据集DataFG(即第一样本数据集)，如果该像素对应的标签为0，则将该样本放入非肤色数据集DataBG(即第二样本数据集)。进而利用肤色数据集DataFG训练高斯混合模型，直至收敛，从而得到对应的目标前景高斯模型，利用非肤色数据集DataBG训练高斯混合模型，直至收敛，从而得到对应的目标背景高斯模型。

2)部署阶段。遍历输入特征空间中的每一个像素点，将其作为输入数据，分别使用前景高斯模型识别每一个像素点的前景概率，使用背景高斯模型识别每一个像素点的背景概率，将遍历依次得到的所有前景概率保存为前景概率查找表LutFG，将遍历依次得到的所有背景概率保存为背景概率查找表LutBG。其中，特征空间是指像素点的像素值与人脸先验像素值所构成的向量的所有可能取值的集合，假如像素值是一个三维向量，人脸先验像素值也是一个三维向量，每个数值由8bit表示，则该特征空间的大小为256⁶。需要指出的是此处的像素值和人脸先验像素值也可以是其他维度的向量，每个元素也可以用其他比特数表示。

3)应用阶段。输入为一张或多张待分割张图像，图像中含有一个或多个boundingbox(即人脸区域)，对于每一个bounding box，首先独立地计算该区域的人脸像素值PriorA，即该bounding box区域的像素在各色彩通道之和除以该区域像素的计数所得到的数据；然后计算所有bounding box的人脸像素值PriorB，即所有bounding box区域在各色彩通道的像素值之和除以所有bounding box区域的像素计数所得到的数据。对于图像中每个像素对应的特征向量的提取有两种方案，方案一，对于图像中的每一个像素，使用上述所有bounding box的人脸像素值PriorB与其拼接构成对应像素的特征向量。方案二，对于各bounding box区域内的像素，使用相应bounding box计算得到的人脸像素值PriorA与其拼接构成对应像素的特征向量，如果某一像素不被图像中的任何bounding box包含(即该像素位于bounding box区域外)，则使用上述所有bounding box的人脸像素值PriorB与其拼接构成对应像素的特征向量。将该图像构造的所有特征向量依次输入前景概率查找表查找得到前景概率，输入到背景概率查找表查找得到背景概率，如果前景概率减去背景概率的差大于或等于某个阈值，则将该像素标记为皮肤，如果前景概率减去背景概率的差小于某个阈值，则将该像素标记为非皮肤。遍历图像中的每一个像素，从而得到完整的肤色掩膜图，并进行后处理微调(如形态学上的腐蚀、膨胀等处理)，作为图像的肤色分割结果输出。

上述肤色分割方法，由于利用人脸区域的色彩信息作为先验，并与像素本身的色彩信息相结合，以对待分割图像中的每一个像素进行肤色识别分割，从而具有较高的准确率，能够实现精度更高的肤色分割。

应该理解的是，虽然图1-图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

可以理解的是，本说明书中上述方法的各个实施例之间相同/相似的部分可互相参见，每个实施例重点说明的是与其他实施例的不同之处，相关之处参见其他方法实施例的说明即可。

图9是根据一示例性实施例示出的一种肤色分割装置框图。参照图9，该装置包括特征提取模块902，查询模块904和肤色标记模块906。

特征提取模块902，被配置为执行对待分割图像进行特征提取，得到所述待分割图像中每个像素对应的特征向量，所述像素对应的特征向量包括所述像素对应的像素值与人脸像素值的组合，所述人脸像素值用于表征所述待分割图像中人脸区域的色彩信息；

查询模块904，被配置为执行将所述像素对应的特征向量分别输入前景概率查找表和背景概率查找表进行查找，得到所述像素对应的前景概率和所述像素对应的背景概率，所述前景概率查找表包括特征空间中每一个像素点的样本特征向量以及所述像素点为肤色的概率值，所述背景概率查找表包括所述特征空间中每一个像素点的样本特征向量以及所述像素点不为肤色的概率值，所述特征空间是所有像素点的像素值与对应的人脸先验像素值所构成的样本特征向量的集合，所述人脸先验像素值是人脸区域色彩信息的先验值；

肤色标记模块906，被配置为执行获取所述像素对应的前景概率和所述像素对应的背景概率之间的差值，当所述差值大于或等于设定阈值时，标记所述像素为皮肤。

在一示例性实施例中，所述肤色标记模块还被配置为执行：当所述差值小于设定阈值时，标记所述像素为非皮肤。

在一示例性实施例中，所述特征提取模块被配置为执行：获取待分割图像，检测所述待分割图像中的所有人脸区域；获取所述所有人脸区域在各色彩通道的像素均值，将所述像素均值作为所述人脸像素值；将所述待分割图像中每个像素的像素值与所述人脸像素值进行拼接，分别得到每个像素对应的特征向量。

在一示例性实施例中，所述特征提取模块还被配置为执行：获取待分割图像，检测所述待分割图像中的所有人脸区域；获取各人脸区域分别在各色彩通道的第一人脸像素均值；获取所述所有人脸区域在各色彩通道的第二人脸像素均值；当所述像素位于所述待分割图像中的任意一个人脸区域时，确定所述任意一个人脸区域对应的第一人脸像素均值，将所述像素的像素值与对应的第一人脸像素均值进行拼接，得到所述像素对应的特征向量；当所述像素不位于所述任意一个人脸区域时，将所述像素的像素值与所述第二人脸像素均值进行拼接，得到所述像素对应的特征向量。

在一示例性实施例中，所述装置还包括前景概率查找表生成模块，被配置为执行：获取第一样本数据集，所述第一样本数据集中包括若干个肤色样本特征向量，每个所述肤色样本特征向量包括肤色样本像素对应的像素值与人脸样本像素值的组合；根据所述第一样本数据集训练高斯混合模型，直到所述高斯混合模型收敛，得到目标前景高斯模型；将所述特征空间中每一个像素点的样本特征向量输入所述目标前景高斯模型，得到所述特征空间中每一个像素点为肤色的概率值；基于所述特征空间中每一个像素点的样本特征向量以及所述样本特征向量为肤色的概率值，生成对应的前景概率查找表。

在一示例性实施例中，所述装置还包括背景概率查找表生成模块，被配置为执行：获取第二样本数据集，所述第二样本数据集中包括若干个非肤色样本特征向量，每个所述非肤色样本特征向量包括非肤色样本像素对应的像素值与人脸样本像素值的组合；根据所述第二样本数据集训练高斯混合模型，直到所述高斯混合模型收敛，得到目标背景高斯模型；将所述特征空间中每一个像素点的样本特征向量输入所述目标背景高斯模型，得到所述特征空间中每一个像素点不为肤色的概率值；基于所述特征空间中每一个像素点的样本特征向量以及所述像素不为肤色的概率值，生成对应的背景概率查找表。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图10是根据一示例性实施例示出的一种用于肤色分割的电子设备Z00的框图。例如，电子设备Z00可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。

参照图10，电子设备Z00可以包括以下一个或多个组件：处理组件Z02、存储器Z04、电源组件Z06、多媒体组件Z08、音频组件Z10、输入/输出(I/O)的接口Z12、传感器组件Z14以及通信组件Z16。

处理组件Z02通常控制电子设备Z00的整体操作，诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件Z02可以包括一个或多个处理器Z20来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件Z02可以包括一个或多个模块，便于处理组件Z02和其他组件之间的交互。例如，处理组件Z02可以包括多媒体模块，以方便多媒体组件Z08和处理组件Z02之间的交互。

存储器Z04被配置为存储各种类型的数据以支持在电子设备Z00的操作。这些数据的示例包括用于在电子设备Z00上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器Z04可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘、光盘或石墨烯存储器。

电源组件Z06为电子设备Z00的各种组件提供电力。电源组件Z06可以包括电源管理***，一个或多个电源，及其他与为电子设备Z00生成、管理和分配电力相关联的组件。

多媒体组件Z08包括在所述电子设备Z00和用户之间的提供输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件Z08包括前置摄像头和/或后置摄像头。当电子设备Z00处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是固定的光学透镜***或具有焦距和光学变焦能力。

音频组件Z10被配置为输出和/或输入音频信号。例如，音频组件Z10包括麦克风(MIC)，当电子设备Z00处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器Z04或经由通信组件Z16发送。在一些实施例中，音频组件Z10还包括扬声器，用于输出音频信号。

I/O接口Z12为处理组件Z02和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件Z14包括一个或多个传感器，用于为电子设备Z00提供各个方面的状态评估。例如，传感器组件Z14可以检测到电子设备Z00的打开/关闭状态，组件的相对定位，例如所述组件为电子设备Z00的显示器和小键盘，传感器组件Z14还可以检测电子设备Z00或电子设备Z00组件的位置改变，用户与电子设备Z00接触的存在或不存在，设备Z00方位或加速/减速和电子设备Z00的温度变化。传感器组件Z14可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件Z14还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件Z14还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。

通信组件Z16被配置为便于电子设备Z00和其他设备之间有线或无线方式的通信。电子设备Z00可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件Z16经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件Z16还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备Z00可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器Z04，上述指令可由电子设备Z00的处理器Z20执行以完成上述方法。例如，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供一种计算机程序产品，所述计算机程序产品中包括指令，上述指令可由电子设备Z00的处理器Z20执行以完成上述方法。

图11是根据一示例性实施例示出的一种用于肤色分割的电子设备S00的框图。例如，电子设备S00可以为服务器。参照图11，电子设备S00包括处理组件S20，其进一步包括一个或多个处理器，以及由存储器S22所代表的存储器资源，用于存储可由处理组件S20的执行的指令，例如应用程序。存储器S22中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件S20被配置为执行指令，以执行上述方法。

电子设备S00还可以包括：电源组件S24被配置为执行电子设备S00的电源管理，有线或无线网络接口S26被配置为将电子设备S00连接到网络，和输入输出(I/O)接口S28。电子设备S00可以操作基于存储在存储器S22的操作***，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD或类似。

在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器S22，上述指令可由电子设备S00的处理器执行以完成上述方法。存储介质可以是计算机可读存储介质，例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供一种计算机程序产品，所述计算机程序产品中包括指令，上述指令可由电子设备S00的处理器执行以完成上述方法。

需要说明的，上述的装置、电子设备、计算机可读存储介质、计算机程序产品等根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (13)

1.一种肤色分割方法，其特征在于，所述方法包括：

对待分割图像进行特征提取，得到所述待分割图像中每个像素对应的特征向量，所述像素对应的特征向量包括所述像素对应的像素值与人脸像素值的组合，所述人脸像素值用于表征所述待分割图像中人脸区域的色彩信息；

将所述像素对应的特征向量分别输入前景概率查找表和背景概率查找表进行查找，得到所述像素对应的前景概率和所述像素对应的背景概率，所述前景概率查找表包括特征空间中每一个像素点的样本特征向量以及所述像素点为肤色的概率值，所述背景概率查找表包括所述特征空间中每一个像素点的样本特征向量以及所述像素点不为肤色的概率值，所述特征空间是所有像素点的像素值与对应的人脸先验像素值所构成的样本特征向量的集合，所述人脸先验像素值是人脸区域色彩信息的先验值；

获取所述像素对应的前景概率和所述像素对应的背景概率之间的差值；

当所述差值大于或等于设定阈值时，标记所述像素为皮肤；

所述对待分割图像进行特征提取，得到所述待分割图像中每个像素对应的特征向量，包括：获取待分割图像，检测所述待分割图像中的所有人脸区域；获取所述所有人脸区域在各色彩通道的像素均值，将所述像素均值作为所述人脸像素值；将所述待分割图像中每个像素的像素值与所述人脸像素值进行拼接，分别得到每个像素对应的特征向量。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

当所述差值小于设定阈值时，标记所述像素为非皮肤。

3.根据权利要求1所述的方法，其特征在于，所述对待分割图像进行特征提取，得到所述待分割图像中每个像素对应的特征向量，还包括：

获取待分割图像，检测所述待分割图像中的所有人脸区域；

获取各人脸区域分别在各色彩通道的第一人脸像素均值；

获取所述所有人脸区域在各色彩通道的第二人脸像素均值；

当所述像素位于所述待分割图像中的任意一个人脸区域时，确定所述任意一个人脸区域对应的第一人脸像素均值，将所述像素的像素值与对应的第一人脸像素均值进行拼接，得到所述像素对应的特征向量；

当所述像素不位于所述任意一个人脸区域时，将所述像素的像素值与所述第二人脸像素均值进行拼接，得到所述像素对应的特征向量。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述前景概率查找表的生成方法包括：

获取第一样本数据集，所述第一样本数据集中包括若干个肤色样本特征向量，每个所述肤色样本特征向量包括肤色样本像素对应的像素值与人脸样本像素值的组合；

根据所述第一样本数据集训练高斯混合模型，直到所述高斯混合模型收敛，得到目标前景高斯模型；

将所述特征空间中每一个像素点的样本特征向量输入所述目标前景高斯模型，得到所述特征空间中每一个像素点为肤色的概率值；

基于所述特征空间中每一个像素点的样本特征向量以及所述像素点为肤色的概率值，生成对应的前景概率查找表。

5.根据权利要求1至3任一项所述的方法，其特征在于，所述背景概率查找表的生成方法包括：

获取第二样本数据集，所述第二样本数据集中包括若干个非肤色样本特征向量，每个所述非肤色样本特征向量包括非肤色样本像素对应的像素值与人脸样本像素值的组合；

根据所述第二样本数据集训练高斯混合模型，直到所述高斯混合模型收敛，得到目标背景高斯模型；

将所述特征空间中每一个像素点的样本特征向量输入所述目标背景高斯模型，得到所述特征空间中每一个像素点不为肤色的概率值；

基于所述特征空间中每一个像素点的样本特征向量以及所述像素点不为肤色的概率值，生成对应的背景概率查找表。

6.一种肤色分割装置，其特征在于，所述装置包括：

特征提取模块，被配置为执行对待分割图像进行特征提取，得到所述待分割图像中每个像素对应的特征向量，所述像素对应的特征向量包括所述像素对应的像素值与人脸像素值的组合，所述人脸像素值用于表征所述待分割图像中人脸区域的色彩信息；

查询模块，被配置为执行将所述像素对应的特征向量分别输入前景概率查找表和背景概率查找表进行查找，得到所述像素对应的前景概率和所述像素对应的背景概率，所述前景概率查找表包括特征空间中每一个像素点的样本特征向量以及所述像素点为肤色的概率值，所述背景概率查找表包括所述特征空间中每一个像素点的样本特征向量以及所述像素点不为肤色的概率值，所述特征空间是所有像素点的像素值与对应的人脸先验像素值所构成的样本特征向量的集合，所述人脸先验像素值是人脸区域色彩信息的先验值；

肤色标记模块，被配置为执行获取所述像素对应的前景概率和所述像素对应的背景概率之间的差值，当所述差值大于或等于设定阈值时，标记所述像素为皮肤；

所述特征提取模块被配置为执行：获取待分割图像，检测所述待分割图像中的所有人脸区域；获取所述所有人脸区域在各色彩通道的像素均值，将所述像素均值作为所述人脸像素值；将所述待分割图像中每个像素的像素值与所述人脸像素值进行拼接，分别得到每个像素对应的特征向量。

7.根据权利要求6所述的装置，其特征在于，所述肤色标记模块还被配置为执行：

当所述差值小于设定阈值时，标记所述像素为非皮肤。

8.根据权利要求6所述的装置，其特征在于，所述特征提取模块还被配置为执行：

获取待分割图像，检测所述待分割图像中的所有人脸区域；

获取各人脸区域分别在各色彩通道的第一人脸像素均值；

获取所述所有人脸区域在各色彩通道的第二人脸像素均值；

当所述像素位于所述待分割图像中的任意一个人脸区域时，确定所述任意一个人脸区域对应的第一人脸像素均值，将所述像素的像素值与对应的第一人脸像素均值进行拼接，得到所述像素对应的特征向量；

当所述像素不位于所述任意一个人脸区域时，将所述像素的像素值与所述第二人脸像素均值进行拼接，得到所述像素对应的特征向量。

9.根据权利要求6至8任一项所述的装置，其特征在于，所述装置还包括前景概率查找表生成模块，被配置为执行：

获取第一样本数据集，所述第一样本数据集中包括若干个肤色样本特征向量，每个所述肤色样本特征向量包括肤色样本像素对应的像素值与人脸样本像素值的组合；

根据所述第一样本数据集训练高斯混合模型，直到所述高斯混合模型收敛，得到目标前景高斯模型；

将所述特征空间中每一个像素点的样本特征向量输入所述目标前景高斯模型，得到所述特征空间中每一个像素点为肤色的概率值；

基于所述特征空间中每一个像素点的样本特征向量以及所述样本特征向量为肤色的概率值，生成对应的前景概率查找表。

10.根据权利要求6至8任一项所述的装置，其特征在于，所述装置还包括背景概率查找表生成模块，被配置为执行：

获取第二样本数据集，所述第二样本数据集中包括若干个非肤色样本特征向量，每个所述非肤色样本特征向量包括非肤色样本像素对应的像素值与人脸样本像素值的组合；

根据所述第二样本数据集训练高斯混合模型，直到所述高斯混合模型收敛，得到目标背景高斯模型；

将所述特征空间中每一个像素点的样本特征向量输入所述目标背景高斯模型，得到所述特征空间中每一个像素点不为肤色的概率值；

基于所述特征空间中每一个像素点的样本特征向量以及所述像素不为肤色的概率值，生成对应的背景概率查找表。

11.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5中任一项所述的肤色分割方法。

12.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至5中任一项所述的肤色分割方法。

13.一种计算机程序产品，所述计算机程序产品中包括指令，其特征在于，所述指令被电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至5任一项所述的肤色分割方法。