概述

本文中的人體膚色檢測功能采用 OpenCV 庫實(shí)現(xiàn)。OpenCV是一個(gè)基于BSD許可（開源）發(fā)行的跨平臺計(jì)算機(jī)視覺庫，可以運(yùn)行在Linux、Windows、Android和Mac OS操作系統(tǒng)上. 它輕量級而且高效——由一系列 C 函數(shù)和少量 C++ 類構(gòu)成，同時(shí)提供了Python、Ruby、MATLAB等語言的接口，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法。

本文主要使用了OpenCV的圖像色域轉(zhuǎn)換, 顏色通道分割, 高斯濾波, OSTU自動(dòng)閾值等功能.

參考資料

OpenCV探索之路:皮膚檢測技術(shù)

學(xué)習(xí)OpenCV—膚色檢測

準(zhǔn)備工作

安裝 Python-OpenCV 庫 

pip install opencv-python -i https://mirrors.ustc.edu.cn/pypi/web/simple 

利用 -i 為pip指令鏡像源, 這里使用電子科技大學(xué)的源, 速度比官方源更快.

安裝 Numpy 科學(xué)計(jì)算庫 

pip install numpy -i https://mirrors.ustc.edu.cn/pypi/web/simple 

圖像的基本操作 

import numpy as np  
import cv2  
imname =  "6358772.jpg"  
# 讀入圖像  
'''  
使用函數(shù) cv2.imread() 讀入圖像。這幅圖像應(yīng)該在此程序的工作路徑，或者給函數(shù)提供完整路徑.  
警告：就算圖像的路徑是錯(cuò)的，OpenCV 也不會提醒你的，但是當(dāng)你使用命令print(img)時(shí)得到的結(jié)果是None。  
'''  
img = cv2.imread(imname, cv2.IMREAD_COLOR)  
'''  
imread函數(shù)的第一個(gè)參數(shù)是要打開的圖像的名稱(帶路徑)  
第二個(gè)參數(shù)是告訴函數(shù)應(yīng)該如何讀取這幅圖片. 其中  
    cv2.IMREAD_COLOR 表示讀入一副彩色圖像, alpha 通道被忽略, 默認(rèn)值  
    cv2.IMREAD_ANYCOLOR 表示讀入一副彩色圖像  
    cv2.IMREAD_GRAYSCALE 表示讀入一副灰度圖像  
    cv2.IMREAD_UNCHANGED 表示讀入一幅圖像，并且包括圖像的 alpha 通道  
'''  
# 顯示圖像  
'''  
使用函數(shù) cv2.imshow() 顯示圖像。窗口會自動(dòng)調(diào)整為圖像大小。第一個(gè)參數(shù)是窗口的名字，  
其次才是我們的圖像。你可以創(chuàng)建多個(gè)窗口，只要你喜歡，但是必須給他們不同的名字.  
'''  
cv2.imshow("image", img) # "image" 參數(shù)為圖像顯示窗口的標(biāo)題, img是待顯示的圖像數(shù)據(jù)  
cv2.waitKey(0) #等待鍵盤輸入,參數(shù)表示等待時(shí)間,單位毫秒.0表示無限期等待  
cv2.destroyAllWindows() # 銷毀所有cv創(chuàng)建的窗口  
# 也可以銷毀指定窗口:  
#cv2.destroyWindow("image") # 刪除窗口標(biāo)題為"image"的窗口  
# 保存圖像  
'''  
使用函數(shù) cv2.imwrite() 來保存一個(gè)圖像。首先需要一個(gè)文件名，之后才是你要保存的圖像。  
保存的圖片的格式由后綴名決定.  
'''  
#cv2.imwrite(imname + "01.png", img)   
cv2.imwrite(imname + "01.jpg", img) 

運(yùn)行截圖

皮膚檢測算法

基于YCrCb顏色空間的Cr分量+Otsu法閾值分割算法

YCrCb 即 YUV ，其中 Y 表示明亮度 Luminance 或 Luma , 也就是灰階值. 而 U 和 V 表示的則是色度 Chrominance 或 Chroma ,作用是描述影像色彩及飽和度, 用于指定像素的顏色. 亮度 是透過RGB輸入信號來建立的, 方法是將RGB信號的特定部分疊加到一起. 色度 則定義了顏色的兩個(gè)方面─色調(diào)與飽和度,分別用 Cr 和 Cb 來表示. 其中, Cr 反映了RGB輸入信號紅色部分與RGB信號亮度值之間的差異. 而 Cb 反映的是RGB輸入信號藍(lán)色部分與RGB信號亮度值之間的差異.

該方法的原理也很簡單:

•  將RGB圖像轉(zhuǎn)換到 YCrCb 顏色空間，提取 Cr 分量圖像
•  對 Cr 分量進(jìn)行高斯濾波
•  對Cr做自二值化閾值分割處理 OSTU 法

關(guān)于高斯濾波

使用低通濾波器可以達(dá)到圖像模糊的目的。這對與去除噪音很有幫助。其實(shí)就是去除圖像中的高頻成分（比如：噪音，邊界）。所以邊界也會被模糊一點(diǎn)。（當(dāng)然，也有一些模糊技術(shù)不會模糊掉邊界）。OpenCV 提供了四種模糊技術(shù)。高斯濾波就是其中一種。實(shí)現(xiàn)的函數(shù)是 cv2.GaussianBlur()。我們需要指定高斯濾波器的寬和高（必須是奇數(shù)）。以及高斯函數(shù)沿 X，Y 方向的標(biāo)準(zhǔn)差。如果我們只指定了 X 方向的的標(biāo)準(zhǔn)差，Y 方向也會取相同值。如果兩個(gè)標(biāo)準(zhǔn)差都是 0，那么函數(shù)會根據(jù)核函數(shù)的大小自己計(jì)算。高斯濾波可以有效的從圖像中去除高斯噪音。如果你愿意的話，你也可以使用函數(shù) cv2.getGaussianKernel() 自己構(gòu)建一個(gè)高斯濾波器。 

# 膚色檢測之一: YCrCb之Cr分量 + OTSU二值化  
img = cv2.imread(imname, cv2.IMREAD_COLOR)  
ycrcb = cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb) # 把圖像轉(zhuǎn)換到Y(jié)UV色域  
(y, cr, cb) = cv2.split(ycrcb) # 圖像分割, 分別獲取y, cr, br通道圖像  
# 高斯濾波, cr 是待濾波的源圖像數(shù)據(jù), (5,5)是值窗口大小, 0 是指根據(jù)窗口大小來計(jì)算高斯函數(shù)標(biāo)準(zhǔn)差  
cr1 = cv2.GaussianBlur(cr, (5, 5), 0) # 對cr通道分量進(jìn)行高斯濾波  
# 根據(jù)OTSU算法求圖像閾值, 對圖像進(jìn)行二值化  
_, skin1 = cv2.threshold(cr1, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)   
cv2.imshow("image CR", cr1)  
cv2.imshow("Skin Cr+OSTU", skin1 ) 

檢測效果

基于YCrCb顏色空間Cr, Cb范圍篩選法

這個(gè)方法跟法一其實(shí)大同小異，只是顏色空間不同而已。據(jù)資料顯示，正常黃種人的Cr分量大約在140至175之間，Cb分量大約在100至120之間。大家可以根據(jù)自己項(xiàng)目需求放大或縮小這兩個(gè)分量的范圍，會有不同的效果。 

# 膚色檢測之二: YCrCb中 140<=Cr<=175 100<=Cb<=120  
img = cv2.imread(imname, cv2.IMREAD_COLOR) 
ycrcb = cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb) # 把圖像轉(zhuǎn)換到Y(jié)UV色域  
(y, cr, cb) = cv2.split(ycrcb) # 圖像分割, 分別獲取y, cr, br通道分量圖像  
skin2 = np.zeros(cr.shape, dtype=np.uint8) # 根據(jù)源圖像的大小創(chuàng)建一個(gè)全0的矩陣,用于保存圖像數(shù)據(jù)  
(x, y) = cr.shape # 獲取源圖像數(shù)據(jù)的長和寬  
# 遍歷圖像, 判斷Cr和Br通道的數(shù)值, 如果在指定范圍中, 則置把新圖像的點(diǎn)設(shè)為255,否則設(shè)為0  
for i in  range(0, x):   
for j in  range(0, y):  
if (cr[i][j] >  140) and (cr[i][j] <  175) and (cb[i][j] >  100) and (cb[i][j] <  120):  
            skin2[i][j] =  255  
else:  
            skin2[i][j] =  0  
cv2.imshow(imname, img)  
cv2.imshow(imname +  " Skin2 Cr+Cb", skin2) 

檢測效果

基于HSV顏色空間H,S,V范圍篩選法

這個(gè)方法跟上一方法類似，只是顏色空間不同而已。據(jù)資料顯示，正常黃種人的H分量大約在7至20之間，S分量大約在28至256之間，V分量大約在50至256之間。大家可以根據(jù)自己項(xiàng)目需求放大或縮小這兩個(gè)分量的范圍，會有不同的效果。 

# 膚色檢測之三: HSV中 7<H<20 28<S<256 50<V<256  
img = cv2.imread(imname, cv2.IMREAD_COLOR)   
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 把圖像轉(zhuǎn)換到HSV色域  
(_h, _s, _v) = cv2.split(hsv) # 圖像分割, 分別獲取h, s, v 通道分量圖像  
skin3 = np.zeros(_h.shape, dtype=np.uint8)  # 根據(jù)源圖像的大小創(chuàng)建一個(gè)全0的矩陣,用于保存圖像數(shù)據(jù)  
(x, y) = _h.shape # 獲取源圖像數(shù)據(jù)的長和寬  
# 遍歷圖像, 判斷HSV通道的數(shù)值, 如果在指定范圍中, 則置把新圖像的點(diǎn)設(shè)為255,否則設(shè)為0  
for i in  range(0, x):  
for j in  range(0, y):  
if (_h[i][j] >  7) and (_h[i][j] <  20) and (_s[i][j] >  28) and (_s[i][j] <  255) and (_v[i][j] >  50) and (_v[i][j] <  255):  
            skin3[i][j] =  255  
else:  
            skin3[i][j] =  0  
cv2.imshow(imname, img)  
cv2.imshow(imname +  " Skin3 HSV", skin3) 

檢測效果

三種檢測算法效果對比

項(xiàng)目內(nèi)文件截圖

Python人體膚色檢測