颜色分割（共5篇）
颜色分割 篇1
摘要：图像分割是实现田间番茄机器识别的关键部分。根据采摘番茄目标与背景在颜色特征上的差异性,对田间采摘番茄的图像分割算法进行了研究。通过分析比较各种方法的分割效果和所耗费的时间可知,大律分割法具有较好的分割效果,但其在实际应用过程中却存在着一定的问题。针对出现的问题,对该方法进行了相应的改进。研究表明,改进后的大律分割法能较好地处理田间采摘番茄的图像,为进一步采摘识别提供了条件。
关键词：番茄识别,图像分割,算法
0 引言
将田间成熟的番茄果实从图像背景中分离出来是实现番茄自动化收获的关键一步。因此,如何对采集的番茄图像进行有效分割,对自动化收获具有重要的意义。要准确采集田间番茄的图像信息,并对其进行合理分割,需要在现有的基础上进行深入研究。现有的大多数图像分割方法主要针对灰度图像,这些方法对有复杂物体组成的复杂场景的分割或者对自然景物的分割等这些先验知识不足的图像分割,具有较理想的分割效果。本文进行图像分割的番茄图像,在较好地保留了采摘番茄与背景间的颜色差异的信息基础上,按照颜色特征量的分布将彩色图像转化为了灰度图像。因此,下面仅对灰度图像的分割方法进行研究,确定一种能够较好满足田间番茄图像分割的方法,为采摘番茄的机器识别提供条件。
1 分割方法的初步选取及程序实现
由采摘番茄灰度化图像的直方图可知,目标与背景通常对应不同的峰值,这有利于选取阈值将目标与背景分开。从分割效果、实时性以及分割图像的特点考虑,初步选取阈值分割算法。
阈值分割算法的关键在于阈值的确定,通过相关研究并结合本研究分割图像的实际情况,初步选取直方图双峰法、迭代阈值法、Otsu法、Kirsh算子、最大熵和法这几种阈值分割法进行研究,通过选取不同颜色指标与分割算法的组合进行图像分割,比较其分割效果,最终确定最佳的分割算法。采用VC++6.0编辑软件对选取的分割方法进行程序设计,完成不同分割算法的程序实现,算法的基本思想分别如下。
1.1 直方图双峰法
该方法的基本思想是,当图像中目标与背景的灰度值有明显差别时,其灰度直方图的分布呈双峰状,波峰分别与图像中的目标和背景相对应,波谷与图像边缘相对应,选取双峰之间的谷底对应的灰度值作为阈值T进行分割。
1.2 迭代法
迭代法是基于逼近的一种思想方法,选择一个T的初始估计值;用T将图像分割生成两组像素,G1由所有灰度值大于T的像素点组成,而G2由所有灰度值小于或等于T的像素点组成;分别计算出区域G1和G2中所有像素点的平均灰度值u1和u2;通过计算新的阈值;重复上述过程,直到逐次迭代所得到的T值之差小于事先设定的值,然后结束运算。
1.3 Otsu法
Otsu法是基于分割出的目标与背景之间的差距应最大的思想确定阈值。该算法是,令σW2,σB2,σT2分别为类内方差、类间方差、总体方差,阈值T把图像分割为目标类A0与背景类A1,最佳的阈值T由最大的σB2确定。由于方差是灰度分布均匀性的一种度量,方差值越大,说明构成图像的两部分差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小,因此使类间方差最大的分割意味着错分概率最小。
1.4 Kirsh算子
其是一种基于熵的方法,该算法是对数字图像的每个像素i,考虑它的8个邻点的灰度值,以其中3个相邻点的加权和减去剩下5个邻点的加权和得到差值,令3个邻点绕该像素点不断移位,取此8个差值的最大值作为Kirsh算子。设Si为3邻点之和,Ti为5邻点之和,则Kirsh算子定义为
如果取阈值T,则当K(i)>T时,像素i为阶跃边缘点。
1.5 最大熵和法
该方法把信息论中“熵”的概念用于图像分割,设图像的灰度范围为{0,1,…,L-1},在图像中灰度值为i的概率为Pi,取阈值T将图像分割为目标类O={0,1,…,T}及背景类B={T+1,T+2,…,L-1},则目标O与背景B的概率分布相关的熵可定义为
定义准则函数为ψ(t),使ψ(t)最大的灰度级T为所求出的最优阈值,即
2 颜色指标初始阈值的确定
在初步选用的分割方法中,有些算法(如直方图双峰法、迭代法)需要人为地确定初始阈值。在园艺技术员的指导下随机选取不同环境条件下的超级金鹏1号成熟果100枚,分别采集图像。将采集的图像拼凑成不同成熟果组成的合成图,并将合成图灰度化。对获取的灰度化图像分别进行颜色指标OUT_H,OUT_I2的直方图统计,可获得田间成熟果的颜色指标的分布范围,如图1所示。
统计结果表明:成熟果的颜色指标OUT_H基本分布在0~30之间,颜色指标OUT_I2基本分布在0~115之间;由此可初步确定成熟果的颜色指标OUT_H的初始阈值T=30,颜色指标OUT_I2的初始阈值T=115。
3 分割效果的对比试验
3.1 试验条件
为了最终获取分割效果及环境适应能力最佳的分割算法,在不同颜色指标下对选取的不同分割方法进行图像分割的对比试验。试验对象为不同光照条件下获取的包含成熟果的静态采集图像,试验采集的图像尺寸为640×480像素,选用颜色指标OUT_H,OUT_I2。将不同光照条件下采集的图像分为:自然光线条件下、顺光条件下(包括果实反射较强的条件下、背景反射较强的条件下)、逆光条件下,每种条件下采集静态图像各50幅。
3.2 结果分析
通过上述对比试验结果分析可知:采用直方图双峰法基本上能够较好地进行图像分割,且处理速度最快;但初始阈值是根据统计分析人为确定的,该值受人为及统计样本的影响较大,对于有些图像容易造成过度分割或引入较多的噪声。迭代法也是利用人为确定初始阈值进行分割的,阈值结果与初始阈值的选择有关,从分割效果来看,通常情况下其对成熟果的图像能较好的分割,分割效果优于直方图双峰法。但是该方法仅仅考虑到像素本身的灰度,而忽略了其领域的空间信息,当目标灰度值分布离散,或有较多的噪声时,效果不好。与迭代法相比,Otsu法一定程度上消除了环境光线变化的影响,分割较为稳定,在试验中发现,当图像中目标与背景差异显著时,一般均能较好地将目标分割出来,当目标与背景较为复杂或目标物与背景差异不明显时,会出现较为严重的过度分割或大块黑色区域。Kirsh算子、最大熵和法在进行图像分割时,其计算获取的阈值一般偏大,使分割结果中目标比较完整,但却引入了较多的干扰信息且计算时间较长。
4 Otsu法的改进
Otsu法在一定程度上有较强的适应力,随着外界光线、景物大小的变化其可自动进行阈值的调整,具有较好的抗干扰能力,分割较为稳定,与其它分割方法相比能较好的满足工作的需要,但其却存在一定的问题。通过对该方法的研究分析,提出采用门限Otsu法对其进行了相应的改进。
改进Otsu法的算法过程如下:
1)根据采摘对象的不同确定其初始阈值T;
2)利用阈值T将图像分割为2组,A和B;
3)计算区域A,B的均值uA,uB;
4)选择新的阈值T=(uA+uB)/2;
5)重复2)~4)步,直到逐次迭代所得T值之差小于设定值,则将获取的T值作为门限值;
6)利用Otsu法自动获取阈值T1;
7)判断当T≥T1时,图像分割阈值为T1,当T
图2为Otsu法改进前后采摘番茄为成熟果的分割效果。由图中可知,改进后的Otsu法对不同情况下的图像均能较好地分割。
5 结束语
通过对现有的图像分割方法分析研究,利用颜色指标与分割方法的不同组合对图像分割效果的比较,确定适宜于本研究最佳的图像分割方法,并对选定的Otsu法进行了相应的改进。改进后的Otsu法不受自然光线的影响,抗干扰能力强,分割较为稳定,能够较好地将采摘番茄从图像背景中分离出来,并能较完整地保留番茄的轮廓信息,为进一步的采摘番茄的识别提供了必要的条件。
参考文献
[1]冈萨雷斯.数字图像处理[M].北京:电子工业出版社,2003.
[2]章毓晋.图像工程(上):图像理解和计算机视觉[M].北京:清华大学出版社,2006.
[3]章毓晋.图像工程(中):图像理解和计算机视觉[M].北京:清华大学出版社,2005.
[4]章毓晋.图像工程(下):图像理解和计算机视觉[M].北京:清华大学出版社,2004.
[5]何斌.Visual C++数字图像处理[M].北京:人民邮电出版社,2004.
颜色分割 篇2
(1)课题背景和研究意义
在城市交通压力日益增加的今天,驾驶辅助系统已然成为消费者们新的关注点。作为当今汽车制造商们都将其列为汽车驾驶辅助系统中的一大功能,实现道路交通标志的检测和识别,以辅助驾驶员在行驶过程中随时意识到当前的路况和法规。
作为全球各大智能汽车驾驶辅助系统开发商的不约而同的开发重点,交通标志识别是其中一大功能,这关乎新一代智能汽车的行车舒适性和安全性。本课题研究的问题的提出本身具有实现的价值,同时也是基于已有的可用的硬件系统,具有可产品化的潜质。据2012年的一份关于智能驾驶辅助系统中基于视觉的交通标志检测和分析的调查研究[1],Mobil Eye公司专注于协助驾驶员在驾驶过程中保障乘客安全和减少交通事故的视觉系统。作为公认的开发高级驾驶辅助系统的先行者,Mobil Eye提供芯片搭载系统和计算机视觉算法,也提供Eye Q和Eye Q2视觉处理器,允许其他的Tier1合作汽车零部件供应商可以在一个视觉处理器平台上集成多个基于计算机视觉的应用,还可包括车道偏离警告、前方碰撞预警和前方交通标志提示功能等。从而使集成产品更具商业优势。
交通标志检测和识别利用车载摄像机实时摄取道路前景图像,通过数字图像预处理和图像分割,提取出有用交通标志区域;再在感兴趣区域内进行特征提取,然后在已知的图像库中搜索来实现“识别”具体标志。
(2)本文的研究方向和主要工作
本论文的目标为寻找一个图像处理算法,实现实时的中国大陆地区的交通道路标志识别。方案应具有一定的灵活性以适应后期产品化过程中硬件的选择和不同客户需求的实现。算法主要关注快速图像分割和形状特征提取的方法、以及简而有效的基于内容的交通标志库图像检索的实现,以此来验证前述方法的有效性。最终以提供一个快速有效的综合方案。为今后以此为方向的驾驶辅助系统的研究开发工作探索继续前进的方向。
1 图像分割和形状识别
彩色图像分割是按照彩色图像的色彩规则将一幅图像分成若干个部分,将图像中有意义的特征区域提取出来。道路两旁复杂的环境(如树木、霓虹灯、特殊建筑墙体有近似颜色的、楼顶上的立体广告文字等)等众多因素使交通标志影像的背景表现及其复杂,使交通标志区域与周围环境极易混淆,从而从复杂路况背景下高效分离出有效交通标志信息是本文后续研究的基础和关键。
1.1 基于底层视觉特征的图像分割方法研究
图像分割的方法有很多,参见文献[2-7]。但又要快速又要准确地应用到交通标志检测中,仍很不理想。譬如使用边缘检测的方法,由于实际环境背景的复杂性,即使是经过了平滑处理,也不能直观地观察到太多完整的线条。因而本文针对色度和饱和度的处理提出了基于颜色直方图统计特征的快速区域分割。HSI颜色模型将图像的彩色信息和亮度信息分离开,它由三个分量组成,Hue色度(H)、Saturation饱和度(S)和Intensity亮度(I)。在HSI颜色模型中,彩色特征阈值分割针对H一个分量来处理,就能达到不错的效果。色度(H)空间是一个以红色轴为0°轴的圆盘平面,其他彩色表示为以此轴按逆时针方向旋转一定的角度到达该彩色点的位置,这个角度定义为色度值,范围为0°~360°。
1.2 新型的基于颜色直方图的区域快速分割法
根据颜色特征和处理速度问题,将原图像960×1 280按简单规横纵切割,分成N×N=10×10或20×20的小块图像,在每个小块区域内,通过颜色的区域统计特征来决定该区域是否含有有用信息。小块的具体尺寸应视实际摄像机聚焦的远近距离和希望检测的最小交通标志的大小(远近景)和原始图像的精度来确定。N不宜取太大,否则也会产生过度分割使感兴趣区域形状不规则;而N太小的话,起不到去除足够多的背景的作用。
1)区域色度特征直方图统计特征
将色度平面(0°~360°)均为划分为12个区间,并依次标号为第1~12个色度级(例:色度范围0°~30°属于色度级1)。根据实验数据库图标的全统计,可以发现各类标志的主要色度值范围和统计频数特征统计如表1所示。表中最后一行标记为图库统计的色度级,基于H分量的直方图色度级频数特征。12个色度分级足以较好地区分各不同色调,且分级相对较宽的优点还在于对因风吹雨淋导致标志牌的褪色程度的容忍性。
按照方法,本研究中将原始图像按横纵方向切割成20×20小块,计算对应每个块区域的H直方图进行统计。统计颜色特征为上表中绿色和蓝色作为标志牌上的主要背景色,其色度直方图中相应色度级(6,8)也脱颖而出;而禁令标志中只有边缘红圈部分,红色面积较小。根据以下条件可较高快速地找到标志所在的块区域,如图1所示。
根据以上统计,可以设定以下满足任一条件以判断该小块区域中是否可能含有交通标志:
(1)统计该块区域中黄色、绿色和蓝色对应的色度级像素点(1.a)频数为最大或(1.b)频数≥各级频数平均值+2倍标准差;(概率统计分布参数评估)
(2)统计该块区域中红色对应的色度级(色度级11与12的频数和)(2.a)频数为最大或(2.b)频数≥各级频数平均值。
以上图例中几乎所有标志牌区域都在第四列的初步分割后效果图中完整地被保留下来,除了白色标志区域被漏检,还部分包含了下方前车轮廓和周围树木背景,及高速路远景中景物和标志牌周围的部分树木等,但只有局部小块区域。
2)区域饱和度特征直方图统计
根据交通标志饱和度高的特点,特别可以用于区别实际环境中背景中低饱和度的景物排除。根据实际采样图像统计,区域中如果没有交通标志,各像素点的饱和度总和平均较低。根据统计,可以设定满足以下条件1)以判断该小块区域中是否可能含有交通标志,否则为背景:
统计该块区域中饱和度级为1,2,3(同Hue分量一样,将饱和度分量的度量分为12个等级,而不是256以节省计算开销)的频数和≥Tb;Tb=0.9~0.98。
所有N×N区域被标记为0为背景,1表示可能有交通标志。Tb的值越大直接滤出的背景越少;但Tb越小可以使背景更大程度地被剔除。但同上节1色度直方图特征,标志内部白色的部分仍易被错误检测为背景而产生空洞。如图2所示。
3)区域综合评价分割
综合以上两个Hue分量和Saturation分量的块区域直方图统计特征可以分别被记录下来,分别为颜色特征矩阵A_Feat_Hue_block,A_Feat_Sat_block,尺寸为N×N=20×20。
综合两个区域特征矩阵可以改善以下几种误检测:
(1)针对禁令标志的红圈在饱和度S分量中不突出的问题(有可能被误判为背景),通过判断相应色度特征值≥30,则同时设置饱和度特征为1。
(2)针对背景中树木或广告牌或立体广告文字等饱和度较高、但使用不同于本课题中关注的四种色调的物体,通过判断该块区域色度特征值等于零,则同时饱和度特征清零。
(3)针对背景中树叶颜色近似交通标志所用绿色、但因生长于道路边常有积灰等原因而饱和度值较低(<0.25)的背景物体,通过判断该块饱和度特征等于零,则同时清块色度特征值为零。
1.3 使用分层技术的感兴趣区域的细分割和使用形态学的形状识别
由于基于感兴趣区域的图像检索考虑得较多的是感兴趣目标的整体特征,而不仅仅是轮廓。因此采用的是区域技术而非边界技术。而在上节基于Hue和Saturation分量区域统计分割后,实行以下算法步骤:(1)进一步对Hue采用颜色分层技术。对标志颜色分别归纳到一个色度值;(2)这样在对重新标色后的H分量图上用阈值方法再次分割,得到更接近交通标志本身形状的感兴趣区域,而不是前步中生硬的方块;(3)结合数学形态学的膨胀运算可以针对4个颜色层图像充盈成具有平滑边界的感兴趣区域,此方法可保证最终得到的感兴趣区域包含标志边界,输出如图3所示;(4)基于此区域边界可一一地计算区域分散度(又称紧凑度即周长平方比面积P2/A,具体定义参见文献[8])特征来识别区域形状或直接丢弃过小的背景不规则形状区域。此分散度属性除了可以用来识别形状还可以排除部分前阶段中检测到的非交通标志的物体,如前车尾部上方的灯条等带状物等。
以上算法完成对当前图像的交通标志检测问题:(1)有无交通标志;(2)几个交通标志;(3)相应的标志形状。
本文使用的形态学的方法进行形状识别,可识别的目标形状对象如图4所示。
对应形状边界标记后输出给下一步检索用。输出的边界描述为{Bk,Lk,Ck,Sk},其中k=1,2,3,…用来标记检测到的交通标志区域数;Bk是对应的标志边界链码描述;Lk为经过填充后的标志区域,尺寸同原始图像960×1 280;Ck为对应标志区域的主要色调特征;Sk为形状描述。
以上结合应用数学形态学的方法,采用自下而上(bottomup)的方法,去除了位置和大小的不确定性,消除噪声造成的标志边界断裂,也使最终区域包含边界,可去除无用的形状物体,大大地节省了计算开销。结合实现边数的提取,可以成功解决检测矩形长宽比值及长条箭头形的五边形,将指路标志中这一类相关标志再细分出来。
2 图像交通标志库检索
基于内容的图像检索(Content-Based Image Retrieval)的基本思路[9]是:先通过对图像内容的分析,自动或半自动的从中抽取形状、颜色、纹理等特征,并利用基于这些特征定义的相似性度量函数计算或评价特征之间的相似性,将最相似的一些图像作为检索结果返回给用户。由于本文的研究对象很明确,为标准定义的中国大陆交通标志,而数据图库也为标准标志图,检索本身的工作并不复杂。这里对相似性量度的精度要求不是很高。
2.1 基于颜色与形状先分类
根据输出的边界描述特征对{Ck,Sk},可将检测到的交通标志先分类到红色禁令、红色指示(矩形标志),黄色警告、黄色警示(需补充数据图库),蓝色限速、蓝色指示(矩形标志),还是绿色指路标志类中。本文中所用交通标志图库目前有251个标志,按颜色分四类,每一类中按形状可再分子类。这样可以按线性倍数比例减少检索的计算开销。
2.2 基于边缘方向特征的标志库检索
使用{Bk,Lk}位置信息,将内部填充后的Lk生成区域掩码,用以在平滑滤波后的Intensity分量图像中定位交通标志,对Lk对应的标志图像提取边缘方向特征Hdir。轮廓的方向性计算参见文献[10]。
根据交通标志轮廓特征分析,可以将θ平面角度范围[-90°,90°]离散化为9个均匀的方向区间。将各像素处方向梯度对应到这9个区间构造方向直方图Hdir并且归一化,此特征具有尺度不变性和一定的旋转不变性。下一步基于内容的图像检索是要根据边缘方向特征作为图像索引计算特征相似度欧氏距离来检索所需的图像。对前章中输出的交通标志区域按分类结果与标志库中同类标志图(若此类图库个数为M251)计算M个边缘方向特征的欧氏距离。将此M个欧氏距离值按升序排列。将前三个最小欧式距离值对应的库中标志图按顺序显示给用户。
3 结束语
初步实验结果,以上基于颜色区域分割的方法对感兴趣区域的检测准确率在90%以上,形状的边界通过形态学处理后也易于通过形状属性识别。此可以扩展到大部分目前标志数据图库中涉及的绝大部分标志使用形状。
本文的算法的缺陷还在于,对白色标志检测的缺失,这将是未来工作的首要解决问题。
本文算法可期对于具有交通标志检测和识别功能的驾驶辅助系统的产品化提供一个理论基础,基于目前已做的工作,还需根据市场完善使用的标志库,并将其按颜色、形状进行细分类,对提高检测率也是至关重要的。
摘要：现在的高端汽车市场上汽车驾驶辅助摄像系统是一大亮点,研究工作致力于提供一个软件算法来实现驾驶辅助系统中实时交通标志检测和识别的功能。算法的每一步设计都尽量不影响其实时性,基于HSI颜色空间,使用了新型的基于区域的快速颜色分割,结合分层技术和简单阈值处理,可以快速地按颜色分层得到采样图像中可能含有标志的感兴趣区域;再在此区域结合数学形态学的膨胀运算以便识别区域形状。最终基于最后输出的感兴趣区域掩模原图像的亮度分量,用边缘方法提取边缘方向的统计特征,进行基于内容的图像检索(CBIR)。初步实验结果,对感兴趣区域的检测准确率在90%以上。并且算法可以扩展到大部分目前标志数据图库中涉及的绝大部分标志使用形状。
关键词：交通标志检测和识别,基于区域的图像分割,颜色直方图,HSI颜色空间,数学形态学,形状识别,基于内容的图像检索(CBIR)
参考文献
[1]A MOELMOSE M M,TRIVEDI.Vision based traffic sign detection and analysis for intelligent driver assistance systems:perspectives and survey[J].IEEE Trans.on Intelligent Transportation Systems,2012,13(4):1484-1497.
[2]徐迪红.复杂背景下的交通标志检测和分类算法研究[D].武汉:武汉大学,2011.
[3]李红林.基于HSV颜色空间的山区道路中的车牌定位[J].计算机时代,2012,30(3):22-24.
[4]FU KEREN.Automatic traffic sign recognition based on saliencyenhanced features and SVMs from incrementally built dataset[C].Vienna:IEEE ICCVE2014,2015.
[5]杨杰,黄朝兵.数字图像处理及MATLAB实现[M].北京:电子工业出版社,2011.
[6]NICOLAE DUTA.Learning-based detection,segmentation and matching of objects[D].USA:Michigan State University,2000.
[7]LIU H,LIU D,XIN J.Real-time recognition of road traffic sign in motion image based on genetic algorithm[C].Beijing:Proceedings of the First International Conference on Machine Learning and Cybernetics,2002,11:83–86.
[8]JESMIN F KHAN,SHARIF M A,BHUIYAN REZA R.Adhami.image segmentation and shape analysis for road-sign detection[J].IEEE Trans.on Intelligent Transportation Systems,2011,12(1):1-14.
[9]张华伟,孙劲光.基于颜色与形状图像检索的研究[J].计算机仿真,2009,26(11):207-210.
颜色分割 篇3
在社会经济的飞速发展,社会步入工业发展阶段的背景下,计算机发展和农牧业应用需求亦飞速增长,各种采摘机器人的研究具有重大的现实意义。而采摘机器人的最基本的一个需求就是需要识别采摘对象的位置。本文以果树中的南丰蜜桔为例,提出了在自然环境下基于颜色特征的果树中蜜桔的识别方法。
在果树中果实识别中,有许多研究者针对不的果实提出了不同的方法。俞晓磊等[1]将光谱技术与导航技术有机结合, 将果实、树叶、树枝的反射光谱作为一个重要的导航参数,利用其差异进行导航, 可以快速区分果实、树叶和树枝,还可以有效消除外界环境的干扰,但成本高。司永胜等[2]提出了利用归一化的红绿色差分割苹果的方法。通过建立基于面积特征与极线几何相结合的匹配策略实现双目视觉下的果实定位,采用随机圆环法,可以较准确地提取果实的圆心、半径。黄敏等[3]采用模板匹配方法,实现对果园苹果的果实识别。李印清等[4]以番茄作为研究对象,提出基于区域特征的果实识别技术,识别过程包括灰度变换、区域边缘锐化、区域分割、细化处理等步骤,冯娟等[5]研究了融合多源图像信息的果实识别方法。优选了H分量图与幅度图像作为待融合的源图像;采用加权平均策略实现图像的像素级融合;设计了一种基于直方图的首阈检测法和逐层分割图像的方法以解决重叠果实的分离问题。
以上方法没有对蜜桔果实的处理,我们根据树叶与蜜桔的颜色特征,将蜜桔从果树中分割出来。
2 处理果树中的树叶
根据蜜桔树图像的特征,图像中的背景大部分是蜜桔树叶,为了更突出成熟的橙子,可先去除去绿色。去绿色的方法一般是当像素的绿色分量大于红色分量,就将该像素置为白色。即:
图1中四幅图像去绿后得图2。从图2中可以看出,这种方法还不能去掉偏黄的叶子(图2bc)、暗色偏红的叶子(图2acd)以及一些亮色区域(图2c)。必须进一步再处理。
3 突出果树中的蜜桔
通过大量实验得出,当红色分量与绿色分量之差小于20时,基本上不是蜜桔的颜色,同样可以去除,变为白色。另外将蜜桔区域变为黑色,进行二值化处理,即:
如图3所示。从图中可以看出,这种方法基本上只保留红色与橘黄色之间的颜色,并且不受蜜桔表面的阴影(图3bcd)与(图3d)的影响,对蜜桔表面的水珠有一定的抗干扰性(图3d)。但不能消除一些蜜桔表面的高光区(图3acd),为了填充这些高光区并且消除一些背景中的噪声,可通过二值图像的形态学方法进行滤波处理。
4 滤波处理
二值图像形态学噪声滤波器可将开、闭运算结合来构成[6]:
(X○S)●S或(X●S)○S
其中:为S对图像X作开运算
为S对图像X作开运算
而表示用S来腐蚀图像中物体X得到的集合是S完全包括在X中时S的原点位置的集合,腐蚀的作用是消除物体边界点,把小于结构元素S的毛刺、小凸起去除。X⊕S ={x| Sx∪X≠ф }表示用S来膨胀图像中物体X得到的集合是只要S在X中时S的原点位置的集合,膨胀使物体放大,可以填充物体中的空洞。
使用(X○S)●S对图像中的蜜桔进行滤波时,根据蜜桔形状的特征,选用一个5×5 近似圆形结构元素如下:
先用s腐蚀二值化的蜜桔图像,消弱背景中的黑色噪声,再用s膨胀蜜桔图像还原蜜桔的大小,然后用s膨胀蜜桔图像,填充蜜桔中高光区,最后用s腐蚀二蜜桔图像还原蜜桔的大小。图4显示了图3滤波处理后的结果。从图4bc中可以看到,蜜桔中的小高光区已填充,但对于较大区域的高光区(图4d),由于范围大于结构元素s, 还需进行特殊处理。
5 形状特征提取
从图4分析知,蜜桔(黑色)区域中的白色区域(简称白洞)主要对应两种图像内容:一种是蜜桔树叶,其形状是多边形;另一种就是高光区,近似圆形区域。提取白洞的具体方法采用计算机图形学中的扫描线种子填充算法[7]:
(1) 选择白色区域中的一个坐标种子像素入栈。
(2)当栈非空时,栈顶像素出栈,否则结束。
(3) 沿扫描线对出栈像素及左边和右边像素填充,直到遇到左(记为XL)、右(记为XR)边界为止。
(4) 在(XL, XR)区间内检查与当前扫描线相临的上、下两条扫描线是否为边界或已填充,如果不是,则将每一区间的最右边的像素取作种子入栈。
(5)重复(2)-(5),直到栈空为止。
为了区别树叶白洞与高光区白洞,对上述填充算法进行改进,在填充的过程计算白洞的面积、最小外接矩形、边界长度(周长):
(1) 选择白色区域中的一个坐标种子像素入栈。
(2)当栈非空时,栈顶像素出栈,否则结束。
(3) 沿扫描线对出栈像素及左边和右边像素填充,并确定像素坐标是否是目前x、y的最大xmax、ymax或最小值xmin、ymin,如果是,记录下来;然后计数区域面积,直到遇到左(记为XL,计数边界个数)、右(记为XR,计数边界个数)边界为止。
(4) 在(XL, XR)区间内检查与当前扫描线相邻的上、下两条扫描线:
如果是边界或已填充,计数边界个数;
如果不是,将每一区间的最右边的像素取作种子入栈;
(5)重复(2)-(5),直到栈空为止。
经过分析与实验,得出高光区的矩形度[6]:
且圆形度[6]:
C-4×区域面积/(区域周长×区域周长)>0.6
对于满足上述两个条件的白洞,可认为是蜜桔高光区,需用黑色填充,如图5所示,图5d中的两个高光区进行了填充。
6 结束语
本文提出对蜜桔割的方法过程是:去除果树中的绿色突出蜜桔进行二值化处理,进行滤波处理消除图像中的一些噪声,对判断的结果进行修正。该方法计算效率高,分割比较准确,经过大量的实验,效果较好,有一定的实用价值。
参考文献
[1]俞晓磊,赵志敏.光谱导航技术在果树果实定位中的应用[J].光谱学与光谱分析,2010,30(3):770-773.
[2]司永胜,乔军,刘刚,高瑞,何蓓.苹果采摘机器人果实识别与定位方法[J].农业机械学报,2010,41(9):148-153.
[3]黄敏.基于模板匹配的苹果果实识别,计算机应用与软件[J].2010,27(10):240-242.
[4]李印清,郑小东,王晓洁.基于区域特征的果实识别技术[J].河南科学,2010,26(3):339-342
[5]冯娟,曾立华,刘刚,司永胜.融合多源图像信息的果实识别方法[J].农业机械学报,2014,45(2):73-80.
[6]陆玲,李金萍.Visual C++数字图像处理[M].中国电力出版社,2014.
颜色分割 篇4
图像分割的目的是获取目标或目标的不同部分在图像中对应的像素集合描述,它们是对图像中目标进行描述的基础。显然,为了提高所提取区域和景物线索的相似性,可以采用多种图像特征,扩大对各种区域图像特性的描述范围和准确性,这样可以提高区域分割结果和景物之间的对应程度。
大多数彩色图像分割算法仅仅采用颜色特征用于分割[1,2,3],很容易对高纹理区域产生过分割,而一些彩色纹理分割的算法又没有充分利用颜色所携带的丰富信息。因此有效的融合颜色和纹理特性是获得稳健彩色图像分割的重要途径[4,5,6,7,8]。本文提出一种新的基于MRF模型的彩色图像融合分割算法,在Bayes分析框架中加入了图像特征的置信因子进行融合,通过引入置信因子有效融合了颜色和纹理两方面信息。最后的彩色图像实验结果证明了本文提出算法的有效性。
1 特征提取
在自然场景彩色图像分割中,最常用的特征是颜色和纹理。本文采用的颜色特征是HSV彩色空间。一般说来,彩色图像RGB三个颜色分量和人类的视觉没有很好的线性对应关系。同一种颜色,由于深浅、亮度略有不同,RGB分量都会发生剧烈的变化。通常人们对颜色的认识基于颜色的三个特征:色调H,饱和度S和亮度V。HSV模型通常用于选取颜色,它是面向用户的一种复合主观感觉的色彩模型,比RGB模型更接近人们对颜色的感知[6]。
自然图像中,各个区域间的差别不仅表现在颜色上,还往往表现在纹理上,为了有效地区分它们,必须加入纹理特征。高斯马尔可夫随机场(GMRF)模型是常用描述纹理数据分布的模型,在GMRF模型中,每个像素值是其邻域像素值的线性组合加上一个噪声项[7],即
式中,Ds为像元s指定的领域,εs为零均值Gauss噪声,且满足
既然是高斯分布,假设只考虑同构且各向同性的二阶邻域系统,
于是式(3)可以写成
两边乘vs并取期望:
用数值平均代替期望值,得到关于γ的估计公式:
式中,Dw为计算模型参数的所用窗口的有效部分。均值和方差的估计式为
由此,该区域的纹理特征矢量定义为{r1,r2,r3,r4,σ2}。
2 彩色图像融合分割模型
2.1 融合模型
图像分割问题可以看为是一个标记问题,即在分割图像中的每个像点处作一个类别标记以表明该像点所属的区域。假设图像的像点集为S={s=(i,j):1≤i≤M,1≤j≤N},要估计分割标记场x中像点xs取自一个有限集合Ω={1,…,K},实际观测图像所对应的特征矢量y={ys1,…,ysL:s∈S},L为特征数目。
根据基于意见一致理论[8]的融合模型为
式中,0≤αl≤1,,αl表示不同特征的融合系数。由Bayes理论可进一步得到
特征l的观测模型为
为了引入分割图像上下文约束信息,对于先验概率p(x),假设它服从离散马尔可夫随机场[5](MRF)分布,并根据MRF和Gibbs分布的一致性,通过势函数确定的p(x)为
式中,为能量函数,VC(x)为基团C的势函数,Z为归一化常数。考虑到计算效率,采用了同构且各向同性的二阶MLL(Multilevel logic)分布,并且其对应的基团只考虑双点基团[4]
依据MAP的原则
假设特征l的分布模型服从高斯分布(均值、协方差),以此得到目标函数J
2.2 融合系数
由于自然图像多种多样,有的颜色特征突出,有的纹理特征突出,仅用彩色或纹理都很难取得较好的效果,只有根据不同类特征在分类中所起的作用自适应地改变权值,才有可能使算法适应图像成像内容和成像条件的变化。
确定颜色、纹理特征所起的不同作用,就是确定αcolor和αtexture。若图像颜色起伏变换面积较大,适宜于用颜色特征分割,当起伏面积小,且比较剧烈时,就需要加入纹理特征。经过测量多幅纹理、灰度像以及纹理灰度混合图像的付立叶功率谱的能量分布发现,如果图像中存在较强的纹理,那么能量分布的中高谱段能量所占有百分比较大,通过统计能量分布的百分比,可以反映纹理特征和颜色特征的不同作用。为克服整幅图像的付立叶功率谱计算费时的缺点,采用扫描线频谱分析法[7]。注意到,若扫描线穿过图像的纹理区,那么该扫描线上的灰度变化起伏就会比较剧烈,表现为中高频分量聚集了较多的能量,占总能量的百分比高。通过分析不同频段能量所占的比例,就可以确定是否有强的纹理特征存在。统计多根水平、垂直扫描线的能量分布比例,就可大致估计整幅图像中纹理特征所占的权重。
3 分割算法
一旦选择了目标函数,图像分割问题成为离散优化问题中有明确定义的一个问题:找到一种标记,使目标函数J(x,k)取极小值。我们采用了模拟退火算法(Simulated Annealing Algorithm)给定过分割图像的类别标记,模拟退火本质上是对求解空间的部分随机搜索[2,3,4],计算Metropolics准则,以一定概率来确定接受选解的可能性的大小,除了接受优化解以外,还在一定范围内接受恶化解,这就使得模拟退火算法可以从局部最优的“陷阱”中跳出,有可能得到全局最优解。
综上所述,本文提出的彩色图像分割算法可以总结为如下4个步骤:
步骤1:提取图像的颜色和纹理特征。
步骤2:依据扫描线分析法,确定颜色、纹理特征的融合系数αcolor和αtexture。
步骤3:依据SA算法对式(8)迭代求解,得到初始过分割图像。
(1)设置初始温度为T(1);
(2)随机选择初始分割标记场x(1),并计算目标函数J(1);
(3)随机产生一个新的分割标记x(i+1),计算目标函数J(i+1),并计算ΔJ=J(i+1)-J(i),若ΔJ>0,则接受新的分割标记x(i+1),否则以概率eΔJ/T(p)接受新的分割标记x(i+1);
(4)重复(3)直到i>Imax;
(5)使用退火方案为:
(6)重复(3)-(5)直到p>Pmax。
步骤4:连通分析标号图像,输出赋予特征的图像区域描述。
4 实验结果
实验中参数取值为γ=0.2,β=1.0,Pmax=300,Imax=20,C=4.0,纹理分析窗口取Dw取为7×7。关于图像分割实验评价的问题,一般来说仍然是一个困难的问题。在彩色图像分割领域,由于自然图像的多样性,至今没有一个公认的客观评价标准,因此这里暂时只能采用人工判断的主观评价方法。图1和图2是采用本文提出算法得到的分割结果。实验表明,对于自然图像,本文分割算法能得到主观感觉上比较好的分割结果。
5 结束语
本文提出了一种新的基于MRF模型的彩色图像融合分割算法,在Bayes分析框架中加入了图像特征的置信因子进行融合,通过引入置信因子有效融合了颜色和纹理两方面信息。最后的彩色图像实验结果证明了本文提出算法的有效性。
摘要：提出了一种新的基于马尔可夫随机场(Markov random field,MRF)模型的彩色图像融合分割算法,在Bayes分析框架中加入了图像特征的置信因子进行融合。该算法有效融合了颜色和纹理两方面信息。最后的彩色图像实验结果证明了提出算法的有效性。
关键词：彩色图像分割,MRF模型,图像融合
参考文献
[1]Tremeau A,Borel N.A region growing and merging algo-rithm to color segmentation[J].Pattern recognition,1997,30(7):1191-1203.
[2]Mehmet C.A color clustering technique for image segmen-tation[J].Graphics and image proc,1990(52):145-170.
[3]Besag J.On the statistical analysis of dirty pictures[J].Journal of the royal statistical society,series B,1986(48):259-302.
[4]Geman S,Geman D.Stochastic relaxation,gibbs distribu-tions,and the Bayesian restoration of images[J].IEEEtrans patt,1984,(6):721-741.
[5]Dubes R C,Jain A K,Chen C C.MRF model-based algo-rithms for image segmentation[C]//Proceedings of inter-national conference pattern recognition.1990(6):808-814.
[6]Zhang Y J,Yao Y R,He Y.Color image segmentationbased on HIS model[J].High technology letters,1998,4(1):28-31.
[7]Speis A,Healey G.An analytical and experimental studyof performance of Markov random fields applied to texturesimages using small samples[J].IEEE trans on imageproc,1996,5(3):447-458.
[8]樊昀,王润生.面向内容检索的彩色图像分割[J].计算机研究与发展,2002,39(3):376-381.
颜色分割 篇5
人脸检测是人脸信息处理中的一项关键技术, 它的研究内容涉及计算机视觉、模式识别、计算机图形学、图像处理和认知科学等。人脸是人最重要的外貌特征, 人脸信息可以通过非接触的方式 ( 如摄像头) 获得, 因此非常适合于作为身份鉴别的依据或者鉴别的前期处理方式。人脸图像检测与定位就是在输入图像中找到人脸确切的位置、大小等信息。人脸检测的基本思想是用知识或统计的方法对人脸建模, 通过比较待测对象与人脸模型的匹配程度, 得到可能存在人脸的区域。
至今, 国内外主要的人脸检测方法有: 基于几何特征的方法、基于肤色模型的方法和基于统计理论的人脸检测方法。其中, 基于几何特征的方法[1]和基于肤色模型的方法[2]虽然算法简单速度快, 但是在户外复杂的场景中精度不高, 误检率和漏检率很高。对于基于统计理论的检测算法[3 - 5], 虽然比基于几何特征的方法和肤色模型的算法精度要高, 但是实时性与基于几何特征和基于肤色模型算法相比较差。并且在复杂环境下该类算法的错检率很高。
在研究过程中发现, 单一的检测算法在精度和实时性两方面不可能同时具有很高的性能, 因而无法达到检测算法的理想效果。因此, 将单一的检测算法相结合成为对算法改进的方法[6，7]之一。为了实现人脸检测算法性能的提升, 达到理想的检测效果, 本文提出了以模糊级联分类器为核心, 辅以HSV空间图像选择性光线补偿、HSV空间肤色检测、形态学处理及特征比例筛选等技术的检测算法来实现在较差光线和有阴影干扰等复杂背景下的人脸检测。HSV模型与RGB模型变换之间的变换并非近似变换, 因此HSV空间比通过近似转换得到的YCb Cr空间更加精准。另外, YCb Cr模型是经过一种YUV压缩和偏移的色彩空间, 而HSV彩色模型更加符合人对色彩的习惯, 因此本文采用在HSV模型中进行图像光线预处理和肤色检测算法。期望在复杂背景下能进一步提高检测性能, 使该算法具有更广泛的实用价值。
1 基于HSV颜色分割和模糊级联分类器算法
人脸检测算法的目的是通过检测算法对图像中人脸进行准确定位和标注。但是在实际情况中, 人脸检测会受到外界环境的干扰 ( 比如光线、阴影等) 导致人脸检测精度大幅度降低。为了提高人脸检测算法在有外界环境干扰下的性能, 本文设计了一种将图像选择性光线补偿、基于HSV肤色检测、形态学处理及特征比例筛选与模糊级联分类器相结合的人脸检测算法。该算法主要由四个部分组成, 其主要结构如图1 所示。
1. 1 选择性图像光线补偿
为了削弱图像中人脸肤色受到外界环境造成的光照、阴影等影响, 对图像中发生偏差的肤色进行光线补偿预处理, 为后续处理做准备。首先对图像所有像素的灰度进行直方图统计 ( 如图2 所示) , 取亮度的5% 和95% 处的亮度值作为阈值, 如果在前后5% 的亮度区域内所包含的像素超过总像素的40% , 就对图像进行光线补偿预处理。
光线补偿预处理的算法, 是将彩色RGB图像转换为HSV图像。设f ( x, y) 是图像像素点所对应的v通道的值, 总的像素数为N, 灰度级为L ( 一般为256) , lk为第k级灰度值, 第k级灰度级对应的像素的个数为nk, p ( lk) 为出现的频率, 即对应的概率, 则p ( lk) = nk/ N, 令Sk表示第k级之前所有灰度级概率的累加, 即:
当Sk< 0. 05, 且Sk + 1> 0. 05 时, 将第k + 1 级的灰度值赋给B; 同理, 当Sk< 0. 95, 且Sk + 1> 0. 95 时, 将第k + 1 级灰度值赋给E。而对于处于[0. 05, 0. 95]之间的灰度, 则:
g ( x, y) = ( G - S) ×[lnf ( x, y) - lnm]/ ( lnn - lnm) + S ( 2) 其中g ( x, y) 为预处理后的灰度值, G、S分别为变换之后的最大灰度和最小灰度 ( 即G = 255, S = 0) , m、n分别为变换前的最大灰度和最小灰度。综上所述, 变换之后的灰度公式如下:
B、E分别表示图像直方图中像素总数5% 和95% 处的灰度值。
经过光线补偿预处理之后, 将HSV图像转化为RGB图像进行还原, 光线补偿预处理的效果如图3 所示。
图 3 三组选择性光线补偿前后图像的比较
1. 2 人脸肤色分割
人脸肤色分割是利用肤色将人脸在图像中进行分割处理, 可以为算法的后续处理缩小检测范围, 为整个算法降低了误检率以及提高算法的检测速度[8 - 10]。
在HSV空间中, 属于肤色的区域为 ( 如图4 ( a) 中的灰色区域) : 色调的值在0°到18°的范围之内, 饱和度在大于0. 196 的范围内 ( 饱和度范围为0 ~ 1) , 亮度在大于0. 314 的范围内 ( 亮度范围为0 ~ 1) 。在该阈值内的像素点很可能是肤色像素点。
1. 3 形态学处理与人脸特征比例筛选
形态学处理主要是为了消除肤色检测后残留的肤色像素点, 为后续处理做准备。
图5、图6 为腐蚀膨胀示意图及效果图。
图 6 形态学处理前后图像中的对比
形态学处理之后, 将连通的肤色区域设定为肤色团块。然后, 按照人脸特征比例筛选排除不符合比例的肤色团块, 为后续处理进一步缩小范围, 有利于提高系统的检测速度。筛选条件如下:
( 1) 将人脸团块宽度较小的排除。如果宽度小于15 个像素, 则排除该团块。
( 2) 排除长宽比不符的人脸团块。人脸的长宽比一般在1. 0 左右, 而本算法中为了保险起见, 扩大长宽比的范围, 将筛选人脸长宽的比例设定为0. 5 ~ 2. 0 的范围内。不相符的团块则排除。
( 3) 排除占空比不符的人脸团块 ( 占空比为人脸团块的面积占完整图像的比值。经过调试和实验, 将占空比设定为0. 1%~ 70% 。
设定的参数是通过实验测试得到的结果。将符合特征比例条件的团块的长和宽分别增加40 个和30 个像素, 准备后续处理。
1. 4 基于模糊级联分类器的人脸检测
对于原始的级联分类器, 分类器的级联结构使检测算法在保证一定精度的前提下, 提高了算法的实时性, 但是存在很多通过了级联分类器中大量弱分类器检测的图像, 因为其中某个弱分类器检测判定为非人脸而被级联分类器系统最终判定为非人脸, 它忽略了所通过的弱分类器提供的检测信息, 使得检测的漏检率难以降低。只有小部分非人脸图像通过判定之后成功被级联分类器拒绝, 并最终判定为非人脸。因此, 本文采用模糊级联分类器来对人脸进行精确检测。它在原始级联分类器的基础上进行重新构造和算法改进, 把最后若干弱分类器合并为最终判定分类器, 并级联在其他弱分类器之后。在最终判定分类器中, 如果图像被当前某个弱分类器所拒绝, 则弱分类器并不把它判定为非人脸而将其排除, 而是判定为潜在人脸。最后, 根据图像之前通过的弱分类器的结果和最终判定分类器的判定来最终确定检测结果。模糊级联分类器的结构框图如图7 所示[11]。
1. 4. 1 特征提取与处理
特征矩形框的特征值等于特征提取矩形框中黑白区域积分值的差。图8 为几种常见的特征提取矩形框[4]。
1. 4. 2 训练分类器
训练的目的是为了弱分类器可以判定人脸特征。已经分类的人脸样本和非人脸样本将用于训练弱分类器[12]。对于一个弱分类器 ( hj ( x) ) , 包括一个特征值 ( fj) , 一个阈值 ( θj) 和一个不等式方向决定符 ( pj) , 它等于1 或者- 1。则弱分类器判别等式如式 ( 4) :
这里的x表示图像中一个24 × 24 的子窗口, fj为图8 中特征矩形框中黑白区域的灰度积分图的差值, 不同人脸部位所用的特征矩形框有所不同。θj为对应不同部位的人脸特征所选取的不同阈值 ( 根据多次试验测试而得) 。
对于最后几个分类器, 将其看成组合而成的最终判定分类器。在最终判定分类器中, 将每个弱分类器都会输出的判定值进行求和, 当和值超过一个阈值K时, 表示超过一定数量的弱分类器认为这是人脸, 则输出判定为1, 否则判定为0。最终判定分类器hn - m + 1 ( x) 等式如下:
根据测试, K值取0. 72m效果最佳 ( m为最终判定分类器中弱分类器的个数) 。它将与前n - m个弱分类器一同分担分类器权重。下面是训练的步骤:
( 1) 给出训练所需样本图像 ( x1, y1) , …, ( xn, yn) , 在这里yi= 0, 1 分别表示非人脸样本和人脸样本。
( 2) 初始化每个样本的权值, 若为非人脸样本, 权值 ω1，0=1 / ( 2 × M) ( 第一个下标1 表示训练次数为1 ) ; 若为人脸样本, 其权值 ω1，1= 1 / ( 2 × L) , 其中, M, L分别为非人脸样本和人脸样本的数量。
(3) 针对每一轮训练t=1, …, T:
a) 归一化权重:
b) 训练分类器hj辨别单一的特征, 它的错误率为:
其中, ωi为对应的样本的权值。
c) 在T轮的训练中选择一个最小错误率的弱分类器ht, 作为针对该特征用于最后级联时的分类器。
d) 更新样本权值如下式:
在这里, 如果样本分类正确, ei= 0; 否则, ei= 1, 并且 βt= et/ ( 1 -et) 。更新的样本权值将用于计算弱分类器再次训练的错误率。
最后将得到的错误分辨率最小的弱分类器进行级联, 并且将最后若干弱分类器构建成最终判定分类器, 最终合并成一个模糊级联分类器h ( x) 如下:
其中, αT，j =log ( 1 / βT，j) 。
综上所述, 为了提高算法性能, 模糊级联分类器在继承了原始级联分类器优良性能的前提下, 对分类器的构架进行了改进。最后用强分类器判定图中团块是否为人脸。
2 实验结果与分析
本文将原始的肤色级联分类器算法与本文提出的算法进行对比检测实验。测试图像来自实际拍摄的照片和互联网, 一共选取100 张图像, 共计1 376 张人脸, 包含了不同环境的人脸图像。测试环境为: P4, 1. 87GHz CPU, 2GB内存; 操作系统为Windows XP; 测试平台为: Microsoft Visual C + + 6. 0。用相同样本集对两种算法进行对比测试, 测试结果如表1 所示。实验效果如图9 ~ 图14 所示。
从上述实验结果可以看出, 本文算法和肤色级联分类器相比, 检测率比后者高出6. 3% , 误检率降低了0. 1% ( 肤色级联分类器相对于原始级联分类器来说误检率已有显著降低[13]) , 漏检率降低了6. 3% , 平均检测速度提高了590. 06 ms。通过上述对比, 本文算法在检测率和检测速度两方面比肤色级联分类器效果更好, 对算法的性能做出了很大的改善, 用图12 和图13 进行对比可以很直观地体现算法改进的效果。
3 结语
( 1) 将图像在HSV彩色模型下进行选择性图像光线补偿预处理, 使图像中的皮肤保持原色; 并采用HSV模型肤色检测对肤色进行检测, 并且辅以图形学方法处理, 为后续处理缩小检测范围。
( 2) 在人脸比例特征中增加人脸占空比条件的筛选, 能够很直观地排除比例异常的人脸, 弥补基于统计算法的实时性差的缺陷, 提高整体系统的检测速度。
( 3) 结果表明, 改进算法的误检率和漏检率分别为0. 1%和5. 9% , 检测的正确率可以达到94. 1% , 检测性能和肤色级联分类器相比有明显提升。