人像美颜算法-皮肤检测

为什么要进行皮肤检测

美颜的核心处理是磨皮，仅进行模糊平滑处理，对整张图像的处理会显得比较假，如果能针对性的只处理皮肤，效果会更真实。

真实的工程应用中，一张图像的磨皮处理，会分两步走

1. 检测出皮肤，生成一个MaskA
2. 保边滤波得到图像T
3. 根据MaskA，仅对皮肤部位进行滤波处理，非皮肤采用原图像素

皮肤检测(or 人像分割)有三大类

· 基于颜⾊空间的⽪肤检测算法 · 基于⾼斯模型的肤⾊（⽪肤）概率计算⽅法

基于颜色空间的皮肤检测

对于基于颜⾊空间的肤⾊检测算法，常⽤的颜⾊空间有 RGB、HSⅤ、YCbCr、YCgCr、YUⅤ 和 Lab 等。这类⽅法的主要思想是，在不同的颜⾊空间对⽪肤像素的颜⾊数据进⾏统计，分析得出肤⾊像素的范围取值，以此作为肤⾊像素的判断依据，这⾥我们以 RGB、HSⅤ 和YCgCr三个颜⾊空间为例进⾏简单说明

基于RGB颜⾊空间的肤⾊检测算法[19]如下：

（1）在RGB颜⾊空间中，对⼤量肤⾊样本RGB数据进⾏统计，得到如下肤⾊判断条件A：

假设像素P=（R，G， B），那么，如果满⾜条件A，即为肤⾊像素。

我们使⽤上述肤⾊判断条件来检测⽪肤区域，效果举例如图3.34所

⽰

基于HSⅤ颜⾊空间的肤⾊检测算法

（1）统计肤⾊像素样本分布，得到 HSⅤ颜⾊空间中 Hue分量的统计分布

（2）由图3.35得到肤⾊判断条件A：

假设像素P=（R，G， B），那么，在HSⅤ颜⾊空间中如果满⾜条 件A，即为肤⾊像素。

基于YCgCr颜⾊空间的肤⾊检测算法[20-21]，以参考资料[21]为

例，算法如下 （1） YCgCr颜⾊空间与RGB颜⾊空间的转换如下：

（2）采样统计约1010个肤⾊像素后获得肤⾊模型在不同颜⾊空间 的分布（CgCr空间），如图3.37所⽰。

（3）由肤⾊像素分布图得到的肤⾊分布范围判断条件A：

假设像素P=（R，G， B），那么，在YCgCr颜⾊空间如果满⾜条件A，即为肤⾊像素。

我们使⽤上述 YCgCr颜⾊空间的肤⾊判断条件来检测⽪肤区域，效果举例如图 3.38 所⽰。

基于高斯模型的肤色概率计算方法

算法流程如下所述。 （1）准备各类肤⾊的样本集，在YCbCr颜⾊空间内，统计样本集 Cb和Cr分量对应的均值μ和⽅差σ。 （2）在YCbCr颜⾊空间内，对Cb和Cr分量分别构建简单⾼斯模 型，每⼀种⾼斯模型构建如下所⽰：

（3）未知像素P属于肤⾊的概率PDF计算如下：

根据上述算法，测试效果如图 3.39 所⽰。由于周围与肤⾊相同的环境颜⾊的影响，在⼀些图中会存在类肤⾊区域的⾼概率问题。

皮肤检测在磨皮中的应用

在图3.41所⽰的通⽤磨⽪框架中，具体的算法流程分解如下。 （1）输⼊⼈像照⽚S。 （2）对S进⾏肤⾊检测（或者肤⾊概率计算），得到肤⾊区域 Ma sk（或者肤⾊概率Mask）。 （3）对Mask进⾏⾼斯滤波（半径为radius），得到平滑的Mask图A。 （4）对原图S进⾏保边滤波（可⽤前⽂中所讲解的任意⼀种保边 滤波器，可以按需选择），得到滤波图像T，T是丢失了部分细节的平 滑图像。 （5）计算效果图D，公式如下：