人体肤色检测：100 行 Python 实现

女爷i 2022-09-14 06:23 213阅读 0赞

> 点击上方“**机器学习与生成对抗网络**”，关注星标  
> 
> 
> 获取有趣、好玩的前沿干货！
> 
> 作者：WHJWNAVY
> 
> http://www.demodashi.com/demo/12967.html

**概述**

本文中的人体肤色检测功能采用 OpenCV 库实现。OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上. 它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

本文主要使用了OpenCV的图像色域转换, 颜色通道分割, 高斯滤波, OSTU自动阈值等功能.

#### **参考资料** ####

OpenCV探索之路:皮肤检测技术

学习OpenCV—肤色检测

#### **准备工作** ####

##### 安装 Python-OpenCV 库 #####

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

利用 -i 为pip指令镜像源, 这里使用电子科技大学的源, 速度比官方源更快.

##### 安装 Numpy 科学计算库 #####

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

#### 图像的基本操作 ####

import numpy as np
    import cv2
    imname =  "6358772.jpg"
    # 读入图像
    '''
    使用函数 cv2.imread() 读入图像。这幅图像应该在此程序的工作路径，或者给函数提供完整路径.
    警告：就算图像的路径是错的，OpenCV 也不会提醒你的，但是当你使用命令print(img)时得到的结果是None。
    '''
    img = cv2.imread(imname, cv2.IMREAD_COLOR)
    '''
    imread函数的第一个参数是要打开的图像的名称(带路径)
    第二个参数是告诉函数应该如何读取这幅图片. 其中
        cv2.IMREAD_COLOR 表示读入一副彩色图像, alpha 通道被忽略, 默认值
        cv2.IMREAD_ANYCOLOR 表示读入一副彩色图像
        cv2.IMREAD_GRAYSCALE 表示读入一副灰度图像
        cv2.IMREAD_UNCHANGED 表示读入一幅图像，并且包括图像的 alpha 通道
    '''
    # 显示图像
    '''
    使用函数 cv2.imshow() 显示图像。窗口会自动调整为图像大小。第一个参数是窗口的名字，
    其次才是我们的图像。你可以创建多个窗口，只要你喜欢，但是必须给他们不同的名字.
    '''
    cv2.imshow("image", img) # "image" 参数为图像显示窗口的标题, img是待显示的图像数据
    cv2.waitKey(0) #等待键盘输入,参数表示等待时间,单位毫秒.0表示无限期等待
    cv2.destroyAllWindows() # 销毁所有cv创建的窗口
    # 也可以销毁指定窗口:
    #cv2.destroyWindow("image") # 删除窗口标题为"image"的窗口
    # 保存图像
    '''
    使用函数 cv2.imwrite() 来保存一个图像。首先需要一个文件名，之后才是你要保存的图像。
    保存的图片的格式由后缀名决定.
    '''
    #cv2.imwrite(imname + "01.png", img) 
    cv2.imwrite(imname + "01.jpg", img)

##### 运行截图 #####

![6e2b188e5c1ea0feff006d9c3035d6b4.png][]

#### **皮肤检测算法**    ####

##### 基于YCrCb颜色空间的Cr分量+Otsu法阈值分割算法 #####

YCrCb 即 YUV ，其中 Y 表示明亮度 Luminance 或 Luma , 也就是灰阶值. 而 U 和 V 表示的则是色度 Chrominance 或 Chroma ,作用是描述影像色彩及饱和度, 用于指定像素的颜色. 亮度 是透过RGB输入信号来建立的, 方法是将RGB信号的特定部分叠加到一起. 色度 则定义了颜色的两个方面─色调与饱和度,分别用 Cr 和 Cb 来表示. 其中, Cr 反映了RGB输入信号红色部分与RGB信号亮度值之间的差异. 而 Cb 反映的是RGB输入信号蓝色部分与RGB信号亮度值之间的差异.

该方法的原理也很简单:

*  将RGB图像转换到 YCrCb 颜色空间，提取 Cr 分量图像
 *  对 Cr 分量进行高斯滤波
 *  对Cr做自二值化阈值分割处理 OSTU 法

##### 关于高斯滤波 #####

使用低通滤波器可以达到图像模糊的目的。这对与去除噪音很有帮助。其实就是去除图像中的高频成分（比如：噪音，边界）。所以边界也会被模糊一点。（当然，也有一些模糊技术不会模糊掉边界）。OpenCV 提供了四种模糊技术。高斯滤波就是其中一种。实现的函数是 cv2.GaussianBlur()。我们需要指定高斯滤波器的宽和高（必须是奇数）。以及高斯函数沿 X，Y 方向的标准差。如果我们只指定了 X 方向的的标准差，Y 方向也会取相同值。如果两个标准差都是 0，那么函数会根据核函数的大小自己计算。高斯滤波可以有效的从图像中去除高斯噪音。如果你愿意的话，你也可以使用函数 cv2.getGaussianKernel() 自己构建一个高斯滤波器。

# 肤色检测之一: YCrCb之Cr分量 + OTSU二值化
    img = cv2.imread(imname, cv2.IMREAD_COLOR)
    ycrcb = cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb) # 把图像转换到YUV色域
    (y, cr, cb) = cv2.split(ycrcb) # 图像分割, 分别获取y, cr, br通道图像
    # 高斯滤波, cr 是待滤波的源图像数据, (5,5)是值窗口大小, 0 是指根据窗口大小来计算高斯函数标准差
    cr1 = cv2.GaussianBlur(cr, (5, 5), 0) # 对cr通道分量进行高斯滤波
    # 根据OTSU算法求图像阈值, 对图像进行二值化
    _, skin1 = cv2.threshold(cr1, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) 
    cv2.imshow("image CR", cr1)
    cv2.imshow("Skin Cr+OSTU", skin1 )

##### 检测效果 #####

![5235550ea03c50a3fc9b4f584e70dbdb.png][]

##### 基于YCrCb颜色空间Cr, Cb范围筛选法    #####

这个方法跟法一其实大同小异，只是颜色空间不同而已。据资料显示，正常黄种人的Cr分量大约在140至175之间，Cb分量大约在100至120之间。大家可以根据自己项目需求放大或缩小这两个分量的范围，会有不同的效果。

# 肤色检测之二: YCrCb中 140<=Cr<=175 100<=Cb<=120
    img = cv2.imread(imname, cv2.IMREAD_COLOR)
    ycrcb = cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb) # 把图像转换到YUV色域
    (y, cr, cb) = cv2.split(ycrcb) # 图像分割, 分别获取y, cr, br通道分量图像
    
    
    skin2 = np.zeros(cr.shape, dtype=np.uint8) # 根据源图像的大小创建一个全0的矩阵,用于保存图像数据
    (x, y) = cr.shape # 获取源图像数据的长和宽
    
    
    # 遍历图像, 判断Cr和Br通道的数值, 如果在指定范围中, 则置把新图像的点设为255,否则设为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)

检测效果

![b9b1c3173adeaaeef58dd3843b453556.png][]

##### 基于HSV颜色空间H,S,V范围筛选法    #####

这个方法跟上一方法类似，只是颜色空间不同而已。据资料显示，正常黄种人的H分量大约在7至20之间，S分量大约在28至256之间，V分量大约在50至256之间。大家可以根据自己项目需求放大或缩小这两个分量的范围，会有不同的效果。

# 肤色检测之三: 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) # 把图像转换到HSV色域
    (_h, _s, _v) = cv2.split(hsv) # 图像分割, 分别获取h, s, v 通道分量图像
    skin3 = np.zeros(_h.shape, dtype=np.uint8)  # 根据源图像的大小创建一个全0的矩阵,用于保存图像数据
    (x, y) = _h.shape # 获取源图像数据的长和宽
    
    
    # 遍历图像, 判断HSV通道的数值, 如果在指定范围中, 则置把新图像的点设为255,否则设为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)

检测效果

![2a4f71439fa68dbb03d35ea2595a9698.png][]

#### 三种检测算法效果对比 ####

![4c33c0b401a66ab51a3101c754317e70.png][]

#### 项目内文件截图 ####

![e814da019751129bd74e6f2ebe3189d6.png][]  
*Python人体肤色检测*

**猜您喜欢：**

[**等你着陆！【GAN生成对抗网络】知识星球！**][GAN]

[**CVPR 2021专题1：GAN的改进**][CVPR 2021_1_GAN]

**[CVPR 2021 | GAN的说话人驱动、3D人脸论文汇总][CVPR 2021 _ GAN_3D]**

**[CVPR 2021 | 图像转换 今如何？几篇GAN论文][CVPR 2021 _ _ _GAN]**

[**【CVPR 2021】通过GAN提升人脸识别的遗留难题**][CVPR 2021_GAN]

[**CVPR 2021生成对抗网络GAN部分论文汇总**][CVPR 2021_GAN 1]

[**经典GAN不得不读：StyleGAN**][GAN_StyleGAN]

[**最新最全20篇！基于 StyleGAN 改进或应用相关论文**][20_ StyleGAN]

**[超100篇！CVPR 2020最全GAN论文梳理汇总！][100_CVPR 2020_GAN]**

[**附下载 | 《Python进阶》中文版**][_ _Python]

[**附下载 | 经典《Think Python》中文版**][_ _Think Python]

[**附下载 | 《Pytorch模型训练实用教程》**][_ _Pytorch]

[**附下载 | 最新2020李沐《动手学深度学习》**][_ _2020]

**[附下载 | 《可解释的机器学习》中文版][Link 1]**

[**附下载 |《TensorFlow 2.0 深度学习算法实战》**][_TensorFlow 2.0]

**[附下载 | 超100篇！CVPR 2020最全GAN论文梳理汇总！][_ _100_CVPR 2020_GAN]**

**[附下载 |《计算机视觉中的数学方法》分享][Link 2]**

![8e656c77aefadb4563c559e65eb53b2b.png][]

[6e2b188e5c1ea0feff006d9c3035d6b4.png]: /images/20220828/3bdeabaa63654ef58bbb73364454df35.png
[5235550ea03c50a3fc9b4f584e70dbdb.png]: /images/20220828/0afca0bb3b7946d48829ba6f4f40bc5f.png
[b9b1c3173adeaaeef58dd3843b453556.png]: /images/20220828/ff5645198bcc4cb6832e4d74f35a7c49.png
[2a4f71439fa68dbb03d35ea2595a9698.png]: /images/20220828/fcec0376435c45e891e3ec1f8be5109c.png
[4c33c0b401a66ab51a3101c754317e70.png]: /images/20220828/64e063551da84eee84ca18c715934454.png
[e814da019751129bd74e6f2ebe3189d6.png]: /images/20220828/115cfce8d7e74861b6071f0c09de007b.png
[GAN]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247493528&idx=1&sn=a6ad486ec02f36c97bc9a7c86f986765&chksm=fe2a4523c95dcc3526ebf62751f7a8f319082ed358f3a8c37e98188206f7d71daf2885028bf9&scene=21#wechat_redirect
[CVPR 2021_1_GAN]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247493902&idx=1&sn=14c01f114bd69bd6a94adf79296009c8&chksm=fe2a4bb5c95dc2a3c7ea2f02e430cd72ee4a200552cc74e323c0a3b6eac891c923e9b10d14ba&scene=21#wechat_redirect
[CVPR 2021 _ GAN_3D]: https://blog.csdn.net/moxibingdao/article/details/116773486
[CVPR 2021 _ _ _GAN]: https://blog.csdn.net/moxibingdao/article/details/115410691
[CVPR 2021_GAN]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247491634&idx=1&sn=427cb6bfd6868662f2b5ae1ac37f6072&chksm=fe2a4289c95dcb9f047c18e63b3be9d78e5e75f1d94dc80be34686ce6b4f22cdee2d7cc7f2ae&scene=21#wechat_redirect
[CVPR 2021_GAN 1]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247490911&idx=1&sn=671926492c3b36e3350db4963f7fcb16&chksm=fe29bfe4c95e36f275332b31b993532b98d52acc76d26c15e2321de4cf52141510bee3ff96af&scene=21#wechat_redirect
[GAN_StyleGAN]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247490656&idx=2&sn=bbe156fef077f23263b57e506ad43314&chksm=fe29bedbc95e37cd709f583372918478ad8d3cff5309a85f3a940e7c0356050278f89d7e1c79&scene=21#wechat_redirect
[20_ StyleGAN]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247490498&idx=1&sn=324cfbbde362a728aa5336f4b200f7a3&chksm=fe29b979c95e306f03b134809b16009d06aa0694b03da3368f84625de3700e6a56221d49d1bf&scene=21#wechat_redirect
[100_CVPR 2020_GAN]: https://blog.csdn.net/lgzlgz3102/article/details/107075585
[_ _Python]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247485709&idx=2&sn=55a51c98ab48f393ba305c082ba0e4fe&chksm=fe29abb6c95e22a04d1eb019f964c8ae97b2f3af98c22f730f5d5ed2aea9fdb320b00c688967&scene=21#wechat_redirect
[_ _Think Python]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247485091&idx=2&sn=f569d5d70c2e6c9cc567fbc5147787a4&chksm=fe29a418c95e2d0e9a3de46e0e4d1b8d4947154d8639418a511a3091300aa31699932046556e&scene=21#wechat_redirect
[_ _Pytorch]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247485635&idx=2&sn=90608bce32fe353cf3c64b39e3406bc3&chksm=fe29aa78c95e236e380c9fd2ae79917d7451ccdd4803c5e6047a16f921d1b61d18efc79ada7c&scene=21#wechat_redirect
[_ _2020]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247484959&idx=2&sn=563999cc8d48498beed00270844ceec4&chksm=fe29a4a4c95e2db2aab16bdcefa78795bbb7efbc70b533bb197d73f617558f2f8a523120c6e3&scene=21#wechat_redirect
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247484929&idx=1&sn=523220858287ed3e6105919703c8e833&chksm=fe29a4bac95e2dac758c4aac10a3aac49eb062bc0829d4ef2ebc8e6d5069d246385c5084a2b4&scene=21#wechat_redirect
[_TensorFlow 2.0]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA==&mid=2247485195&idx=2&sn=e3387067db29d1759755c6c2ea96c870&chksm=fe29a5b0c95e2ca6599d4a91d5d40900566b7525de3dd85259e7a6c173aa26aa7ea3641d1aaf&scene=21#wechat_redirect
[_ _100_CVPR 2020_GAN]: https://blog.csdn.net/lgzlgz3102/article/details/114860515
[Link 2]: https://blog.csdn.net/Sophia_11/article/details/119193147
[8e656c77aefadb4563c559e65eb53b2b.png]: /images/20220828/b5599fdb96154c8c9897798cd63a789f.png