·348· 智能系统学报 第14卷 2手势分割原理及步骤 行进一步的算法处理，其中首要的任务就是要分 离肤色和类肤色区域，从而实现手势区域的准确 2.1肤色分割 提取。首先，图3所示的结果依然包含了很多粗 肤色信息通常被用于人脸识别和手势识别等 糙点、空洞点和毛边等，所以在准确分割、提取 研究中。对于手势识别应用，只要在合适的色 前，利用形态学中的开运算（先进行腐蚀操作后 彩空间中（例如：HSV、HSI、RGB、YUV和YCrCb) 进行膨胀操作)和闭运算（先进行膨胀操作后进 对肤色图像数据进行采样并计算合适的阈值就可 行腐蚀操作)对原始静态手势图片进行预处理以 以实现肤色区域和非肤色区域的分割。由于肤色 去除图像数据噪声。腐蚀与膨胀操作的公式为 检测对亮度十分敏感，因而将RGB空间下的图片 AOB={B),≤A) (2) 转化到YCrCb空间以减少亮度对肤色检测的影 响。经过理论分析与实践可知，YCrCb空间是最 A⊕B={z(B).nA≠O} (3) 适合肤色图像区域分割的颜色空间。RGB空间 腐蚀之后图像会向内收缩，而膨胀之后图像 与YCCb空间的转换公式为 会向外扩展。如图4所示，手势图片经形态学的 Y=0.257R+0.564G+0.098B+16 开和闭运算之后消除了毛边和空洞点，图片中的 Cr=-0.148R-0.291G+0.439B+128 (1) 手势边界和类肤色区域边界均较为圆滑，适合进 Cb=0.439R-0.368G-0.071B+128 行下一步的肤色与类肤色区域的精确分割与提取。 为了进一步降低光线对目标分割的影响，需 要将亮度分量单独保存到一个颜色空间21)，经 过大量实验证明，YCrCb空间最适合肤色分割且 黄种人的肤色区域阈值为：Y>80,133<Cr<173, 77<Cb<12741。因此，将图像从RGB空间转换 到YCCb空间后，根据此阈值即可以将肤色和非 肤色区域分割开。其结果如图2和图3所示。 图4经开闭运算后的手势分割图 Fig.4 The gesture segmentation image processed by open and close operations 2.3基于ICWA算法的肤色与类肤色区域分割 分水岭算法(watershed algorithm,WA)是一种 基于计算机形态学的图像分割算法，它能够高 效、准确地连通目标区域的边界，因而被广泛地 图2原始图像 Fig.2 The original image 应用于数字图像处理领域。传统的WA是一种 基于拓扑理论的数学形态学分割方法，它将一张 图像看成一幅地形图，每个像素点坐标(x,y)即成 为地形图中的平面坐标，而该像素点的灰度值即 是地形图中的海拔高度值。每一个局部极小值都 被称为积水盆地且会对其附近的区域产生影响。 由于传统的WA是一种基于图像梯度的图像分割 方法，所以当图像中拥有的局部极小值太多时就 会形成过多的初始化点，导致图像的过度分割问 图3肤色分割后的图像 题，从而得不到理想的分割结果。因此，需要在 Fig.3 The segmented image 传统的WA上进行改进，以求解决过度分割问 2.2手势区域提取 题，所以改进的算法必须能够减少原图像像素的 简单的基于YCrCb空间的肤色分割方法并 梯度差，同时减少初始分割点。本文提出的ICWA 不能达到准确地分割出手势的目的，因此需要进 的总体算法流程如图5所示。2 手势分割原理及步骤 2.1 肤色分割 肤色信息通常被用于人脸识别和手势识别等 研究中[2, 4]。对于手势识别应用，只要在合适的色 彩空间中 (例如：HSV、HSI、RGB、YUV 和 YCrCb) 对肤色图像数据进行采样并计算合适的阈值就可 以实现肤色区域和非肤色区域的分割。由于肤色 检测对亮度十分敏感，因而将 RGB 空间下的图片 转化到 YCrCb 空间以减少亮度对肤色检测的影 响。经过理论分析与实践可知，YCrCb空间是最 适合肤色图像区域分割的颜色空间。RGB 空间 与 YCrCb 空间的转换公式为    Y = 0.257R+0.564G +0.098B+16 Cr = −0.148R−0.291G +0.439B+128 Cb = 0.439R−0.368G −0.071B+128 (1) 为了进一步降低光线对目标分割的影响，需 要将亮度分量单独保存到一个颜色空间[12-13] ，经 过大量实验证明，YCrCb 空间最适合肤色分割且 黄种人的肤色区域阈值为：Y>80，133<Cr<173， 77<Cb<127[14-15]。因此，将图像从 RGB 空间转换 到 YCrCb 空间后，根据此阈值即可以将肤色和非 肤色区域分割开。其结果如图 2 和图 3 所示。 2.2 手势区域提取 简单的基于 YCrCb 空间的肤色分割方法并 不能达到准确地分割出手势的目的，因此需要进 行进一步的算法处理，其中首要的任务就是要分 离肤色和类肤色区域，从而实现手势区域的准确 提取。首先，图 3 所示的结果依然包含了很多粗 糙点、空洞点和毛边等，所以在准确分割、提取 前，利用形态学中的开运算 (先进行腐蚀操作后 进行膨胀操作) 和闭运算 (先进行膨胀操作后进 行腐蚀操作) 对原始静态手势图片进行预处理以 去除图像数据噪声。 腐蚀与膨胀操作的公式为 A⊙ B = {z|(B)z ⊆ A} (2) A⊕ B = {z|(Bˆ)z ∩ A , Ø} (3) 腐蚀之后图像会向内收缩，而膨胀之后图像 会向外扩展。如图 4 所示，手势图片经形态学的 开和闭运算之后消除了毛边和空洞点，图片中的 手势边界和类肤色区域边界均较为圆滑，适合进 行下一步的肤色与类肤色区域的精确分割与提取。 2.3 基于 ICWA 算法的肤色与类肤色区域分割 分水岭算法 (watershed algorithm, WA) 是一种 基于计算机形态学的图像分割算法，它能够高 效、准确地连通目标区域的边界，因而被广泛地 应用于数字图像处理领域[16]。传统的 WA 是一种 基于拓扑理论的数学形态学分割方法，它将一张 图像看成一幅地形图，每个像素点坐标 (x，y) 即成 为地形图中的平面坐标，而该像素点的灰度值即 是地形图中的海拔高度值。每一个局部极小值都 被称为积水盆地且会对其附近的区域产生影响。 由于传统的 WA 是一种基于图像梯度的图像分割 方法，所以当图像中拥有的局部极小值太多时就 会形成过多的初始化点，导致图像的过度分割问 题，从而得不到理想的分割结果。因此，需要在 传统的 WA 上进行改进，以求解决过度分割问 题，所以改进的算法必须能够减少原图像像素的 梯度差，同时减少初始分割点。本文提出的 ICWA 的总体算法流程如图 5 所示。 图 2 原始图像 Fig. 2 The original image 图 3 肤色分割后的图像 Fig. 3 The segmented image 图 4 经开闭运算后的手势分割图 Fig. 4 The gesture segmentation image processed by open and close operations ·348· 智 能 系 统 学 报 第 14 卷