·14 智能系统学报 第2卷 一族特殊的小波函数进行分解，用分解系数表示手 RGB真实三原色系统和CIE·XYZ虚拟三原色系 指的相位，也取得了不错的效果.如果能够将正常与 统等25]，另外还有一些常用于肤色检测的颜色空间 异常状态下手指的相位变化规律进行对比分析可能 如YUV261和LUX2]等，关于颜色空间更为详尽的 会得出更好的结果 分析可以参考文献[28].目前常用的静态肤色建模 上述方法都是基于普通摄像机的视频数据， 基本方法有3种：阈值化、参数化和非参数化方法 Buddharaju2]等人则利用红外摄像机的数据进行 阈值化方法即用数学表达式明确规定肤色范 了研究.目前文献中提到的只是利用伪彩色技术对 围，是一种简单的肤色建模方法，例如在YUV空间 红外视频进行增强，可以直观显示局部皮肤的温度 中根据Y范围和UV平面中的色度范围划定肤色 变化，以及利用椭圆匹配查找头部及手部，为进一步 范围，如果输入像素的颜色落入限定的区域，就认为 的分析打下基础 是属于肤色像素.这种简单明确的判断运行起来快 视频输入 速高效，特别是在实时系统中更具有吸引力.规定肤 色范围虽然快捷，但要取得好的效果需要解决2个 检测头、手等部位，获得位置等基本信息 问题：一是如何选择合适的颜色空间，二是如何确定 规则中的参数. 跟踪头、手等区域，获得位置、速度、频率变化的信息 参数化方法是用函数衡量输入像素与肤色的相 似度.常用的模型函数有高斯密度函数，可以用单峰 高斯模型SGM或高斯混合模型GMMs2).单峰高 单帧特征 多帧特征 斯模型是用椭圆高斯联合概率密度函数来衡量某一 像素属于肤色的可能性，也可以通过高斯分布参数 特征选择及综合 计算输入像素颜色与像素均值的马氏距离，来表示 该像素与肤色模型的接近程度.高斯混合模型通常 人物的状态（欺骗的可能性等） 对肤色和非肤色分别用一个高斯混合模型表示，用 标准的期望最大化EM算法训练这2个高斯混合模 图1主要处理流程 型.高斯肤色模型通常选用二维色度平面，在色度平 Fig.I Main process flow 面上的肤色分布是否符合高斯分布，决定了本建模 方法的好坏 2主要技术方案比较分析 非参数化方法最常用的模型是直方图模型.利 利用计算机视觉技术进行局部异常行为检测的 用肤色样本的直方图统计训练出肤色概率图SPM, 欺骗识别的研究，目前主要集中在国外的一些大学 在离散化的颜色空间中查找输入像素对应的概率 和研究机构，国内这方面目前几乎没有可供查阅的 值，判断其为肤色的可能性.利用SPM检测肤色像 文献.基于视觉技术的欺骗检测通常遵循如下处理 素主要有2种方法：规则化查找表和贝叶斯分类 流程：首先利用肤色检测技术从视频中分离出皮肤 器01.贝叶斯分类器学习正反样本，很可能得出较 区域，再用特征匹配等方法检测出感兴趣的身体部 好的分类器.规则化查找表只学习肤色样本，但需足 位（如头部、手部等），并对其进行跟踪，记录这些身 够数量的有代表性的样本以及适当的量化级数.关 体区域的运动特征（如速度、频率、相互间的距离 于像素级肤色分割的更详细的讨论可以参考文献 等)，最后再从中抽取出能够代表与欺骗相关的异常 [311 的特征并进行形式化表达，建立异常特征与欺骗状 区域级的人体肤色分割以像素级肤色区域分割 态间的联系.下面将就以上所述处理流程的各步骤， 为基础，再加上区域、边缘或者纹理信息进行进一步 对计算机视觉所常用的一些技术进行归纳和比较. 准确的分割.Son Lam Phung!在他的工作中首先 2.1人体肤色区域分割 利用简单的阈值化方法得到候选的肤色区域，再用 人体肤色区域分割主要分为2种类型：一种是 So bel或者Canny算子进行边缘提取(Sobel算子对 像素级的分割，另一种是区域级的分割 于不同质的颜色区域之间的边缘有很好的提取效 像素级的人体肤色区域的分割主要涉及到颜色 果，而Canny算子则对同质颜色区域的内部的细小 空间变换和肤色建模.颜色空间有色度学的CIE- 边缘比较敏感)，最后利用边缘信息在各候选区域内 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net一族特殊的小波函数进行分解 ,用分解系数表示手 指的相位 ,也取得了不错的效果. 如果能够将正常与 异常状态下手指的相位变化规律进行对比分析可能 会得出更好的结果. 上述方法都是基于普通摄像机的视频数据. Buddharaju [24 ]等人则利用红外摄像机的数据进行 了研究. 目前文献中提到的只是利用伪彩色技术对 红外视频进行增强 ,可以直观显示局部皮肤的温度 变化 ,以及利用椭圆匹配查找头部及手部 ,为进一步 的分析打下基础. 图 1 主要处理流程 Fig. 1 Main process flow 2 主要技术方案比较分析 利用计算机视觉技术进行局部异常行为检测的 欺骗识别的研究 ,目前主要集中在国外的一些大学 和研究机构 ,国内这方面目前几乎没有可供查阅的 文献. 基于视觉技术的欺骗检测通常遵循如下处理 流程 :首先利用肤色检测技术从视频中分离出皮肤 区域 ,再用特征匹配等方法检测出感兴趣的身体部 位(如头部、手部等) ,并对其进行跟踪 ,记录这些身 体区域的运动特征 (如速度、频率、相互间的距离 等) ,最后再从中抽取出能够代表与欺骗相关的异常 的特征并进行形式化表达 ,建立异常特征与欺骗状 态间的联系. 下面将就以上所述处理流程的各步骤 , 对计算机视觉所常用的一些技术进行归纳和比较. 2. 1 人体肤色区域分割 人体肤色区域分割主要分为 2 种类型 :一种是 像素级的分割 ,另一种是区域级的分割. 像素级的人体肤色区域的分割主要涉及到颜色 空间变换和肤色建模. 颜色空间有色度学的 CIE - RGB 真实三原色系统和 CIE - XYZ 虚拟三原色系 统等[25 ] ,另外还有一些常用于肤色检测的颜色空间 如 YUV [26 ]和 LU X [27 ]等 ,关于颜色空间更为详尽的 分析可以参考文献[ 28 ]. 目前常用的静态肤色建模 基本方法有 3 种 :阈值化、参数化和非参数化方法. 阈值化方法即用数学表达式明确规定肤色范 围 ,是一种简单的肤色建模方法 ,例如在 YUV 空间 中根据 Y范围和 UV 平面中的色度范围划定肤色 范围 ,如果输入像素的颜色落入限定的区域 ,就认为 是属于肤色像素. 这种简单明确的判断运行起来快 速高效 ,特别是在实时系统中更具有吸引力. 规定肤 色范围虽然快捷 ,但要取得好的效果需要解决 2 个 问题 :一是如何选择合适的颜色空间 ,二是如何确定 规则中的参数. 参数化方法是用函数衡量输入像素与肤色的相 似度. 常用的模型函数有高斯密度函数 ,可以用单峰 高斯模型 SGM 或高斯混合模型 GMMs [29 ] . 单峰高 斯模型是用椭圆高斯联合概率密度函数来衡量某一 像素属于肤色的可能性 ,也可以通过高斯分布参数 计算输入像素颜色与像素均值的马氏距离 ,来表示 该像素与肤色模型的接近程度. 高斯混合模型通常 对肤色和非肤色分别用一个高斯混合模型表示 ,用 标准的期望最大化 EM 算法训练这 2 个高斯混合模 型. 高斯肤色模型通常选用二维色度平面 ,在色度平 面上的肤色分布是否符合高斯分布 ,决定了本建模 方法的好坏. 非参数化方法最常用的模型是直方图模型. 利 用肤色样本的直方图统计训练出肤色概率图 SPM , 在离散化的颜色空间中查找输入像素对应的概率 值 ,判断其为肤色的可能性. 利用 SPM 检测肤色像 素主要有 2 种方法 :规则化查找表和贝叶斯分类 器[30 ] . 贝叶斯分类器学习正反样本 ,很可能得出较 好的分类器. 规则化查找表只学习肤色样本 ,但需足 够数量的有代表性的样本以及适当的量化级数. 关 于像素级肤色分割的更详细的讨论可以参考文献 [31 ]. 区域级的人体肤色分割以像素级肤色区域分割 为基础 ,再加上区域、边缘或者纹理信息进行进一步 准确的分割. Son Lam Phung [32 ] 在他的工作中首先 利用简单的阈值化方法得到候选的肤色区域 ,再用 Sobel 或者 Canny 算子进行边缘提取(Sobel 算子对 于不同质的颜色区域之间的边缘有很好的提取效 果 ,而 Canny 算子则对同质颜色区域的内部的细小 边缘比较敏感) ,最后利用边缘信息在各候选区域内 ·14 · 智 能 系 统 学 报 第 2 卷 © 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net