基于Real AdaBoost算法的肤色分割方法.doc

基于Real AdaBoost算法的肤色分割方法.doc基于RealAdaBoost算法的肤色分割方法?フ?要:提出了一种基于RealAdaBoost算法构造的肤色置信度分类器及动态阈值相结合的肤色分割方法。根据肤色在YCrCb色度空间的聚类性,通过大量肤色和非肤色样本用RealAdaBoost训练一族查找表(LUT)型圆形弱分类器,组成一个能输出连续置信度的强分类器,利用肤色强分类器计算图像中像素的肤色相似度,最后用大津法确定阈值对肤色相似图进行二值分割。实验表明,该方法能较好地描述肤色分布,误检率低,鲁棒性好。?ス丶?词:肤色分割;RealAdaBoost算法;LUT型;圆形弱分类器;YCrCb色度空间;肤色分布?ブ型挤掷嗪?::A Abstract:Thispaperproposedamethodforskinsegmentationbasedonthesimilarityofskin????tonedistributioninYCrCbchrominancespace,asetofweakclassifiersinLook??Up??Table(LUT)typeusingcircle??,grayscaleimagesindicatedtheskin??????,andefficient. ??Keywords:skinsegmentation;RealAdaBoostalgorithm;Look??Up??Table(LUT)type;circle??likeweakclassifier;YCrCbchrominancespace;skin??tonecolordistribution ?? 0引言?? 肤色作为人体表面显著的特征之一,具有区别于其他物体颜色的一致性,而且不受人体姿态、拍摄角度的影响,广泛应用在人脸检测与跟踪、手势识别等领域????[1-3]??。肤色分割是人脸检测的一个重要步骤,肤色分割的结果为人脸检测提供处理的对象,所以肤色分割的性能直接决定后期人脸检测效率的高低。?? 基于肤色聚类建模的肤色分割方法所构造的模型比较简单,可以获得很高的计算速度,但肤色分割的质量取决于选择的颜色空间和模型参数的精确性。文献[4]用矩形对YCrCb空间中的肤色聚类范围进行了描述,文献[5]用椭圆对YCrCb空间中肤色聚类范围进行了描述。但因为肤色在色度空间内分布不是规则的矩形或椭圆,以上两种方法均不能完整地描述肤色聚类范围。文献[6]用Adaboost算法训练一簇圆形弱分类器,组成肤色强分类器,能够较好地描述YCrCb色度空间中的肤色聚类范围,但不能给出肤色信息的连续置信度,导致分割效率较低。?? 本文在YCrCb色度空间采用RealAdaBoost算法学习一簇查找表型(Look??Up??Table,LUT)圆形弱分类器,组成输出连续置信度的肤色强分类器,能够描述复杂的概率分布。实验表明该方法肤色分割效率较高。?? 1RealAdaBoost算法?? Adaboost算法是Freund等人????[7]??提出的一种boost算法,??它的目标是自动地从弱分类器空间H中挑选出若干个弱分类器h整合成一个强分类器。??Adaboost不能描述复杂的概率分布,Schapire等人????[8]??对Adaboost算法加以改进,将其从处理离散二值判定规则推广到处理具有连续置信度输出的弱分类器。?Ь哂辛?续置信度输出的弱分类器可以看作是样本空间X到R的映射,即H={h:X→R}。??为了与Freund等人????[7]??的Adaboost相区别,称Schapire等人????[