基于肤色检测的色彩恒常性算法
回顾色彩恒常性特点:人类视觉系统对物体色彩的感知不受光源的影响。其主要任务:通过该反射模型,基于不同假设估计光源,并将光源去除掉,保留物体本身的色彩。
本文的主要贡献:
(1)克服了传统算法中光源不均匀的问题,并且第一次提出将全局调整转变为局部调整;
(2)关注于人脸肤色信息,因此不需要统计全局信息;
(3)在多张RAW图上证明了算法的有效性。
算法流程图:首先进行人脸检测,如果图像中不存在人脸,则选择合适的算法进行矫正;如果图像中存在人脸,则对人脸进行分析,选取合适的像素点进行统计,最后根据统计结果进行全局或者局部校正的判定。
本算法基于的三个假设:
(1)肤色在颜色空间中能够形成一个足够紧凑的簇,以代表光源估计的有效线索;
(2)每个人脸上的光照都是均匀的;
(3)人脸上估计的光照作为场景中光照的适当采样。
自适应肤色检测:首先将图像从RGB区域转换到HSV区域,通过对H通道进行高斯卷积提取图像直方图信息,判断人脸所在区域范围,最后通过参数舍弃掉部分像素点以实现适应性调整。
基于肤色的色域映射:类似于Gamut
Mapping,需要对人脸照片进行预训练,找到合适的映射关系,将图片映射到皮肤标准色域Sc上。
基于肤色块的光源估计:使用所提取肤色的平均值来估计场景光源If,表示为第一个公式,即平均肤色和参考平均肤色之间的比率,其中skinf是计算出人脸f上的平均肤色,pskin是参考平均肤色。考虑到与White Patch算法的相似性,因此将此方法称为Skin Patch。下面两个公式则表示了中性色块反射的相机值在实际光源和标准光源的比值,以及皮肤反射的相机值在实际光源和标准光源的比值,如右图所示。
训练算法的伪代码,通过训练获得算法中需要的参数以及色域映射关系。
对文章算法的总结:首先分为有无face,如果没有face则选择合适的传统算法进行校正,如果有face则需要判断存在一个face还是多个face,一个face则直接计算图像光源值,如果存在多个face则需要计算多个光源值并计算它们的角距离,通过角距离来判断该图像需要global还是local校正。
实验结果对比,采用角度误差作为评价指标,与其他算法在不同数据集上进行比较,得出该算法的有效性。
Global校正的实验结果,右下角为角度误差。
Local校正的实验结果,c图为预测的局部光源。
关 注 我 们
关键词
人脸
信息
区域
图像中
光源
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。