基于积分图和粒子群优化的肤色分割

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (21): 171-174.

基于积分图和粒子群优化的肤色分割

朱志亮1，刘富国1，陶向阳1，2，刘晓山1，2

1.江西师范大学物理与通信电子学院，南昌 330022
2.江西省光电子与通信重点实验室，南昌 330022

出版日期:2014-11-01 发布日期:2014-10-28

Skin segmentation based on integral image and particle swarm optimization

ZHU Zhiliang1, LIU Fuguo1, TAO Xiangyang1，2, LIU Xiaoshan1，2

1.College of Physics, Communications and Electronics, Jiangxi Normal University, Nanchang 330022, China
2.Key Laboratory of Photoelectronic & Telecommunication of Jiangxi Province, Nanchang 330022, China

Online:2014-11-01 Published:2014-10-28

摘要/Abstract

摘要： 为了更快地将肤色区域从图像中分割出来，在二维Ostu方法的基础上，提出了一种将积分图和粒子群优化相结合用于寻找最优分割阈值点的新方法。该方法通过对经过颜色补偿后的图片在YCbCr颜色空间中用二维高斯肤色模型计算肤色概率图，根据二维Ostu算法确定粒子群优化的目标函数，将积分图的方法用于粒子群优化中目标函数的计算，在有效地获取最佳阈值点的同时减少了计算量。实验表明，该方法能有效并且快速地分割出肤色区域。

关键词: 肤色分割, 高斯肤色模型, Ostu算法, 积分图, 粒子群优化

Abstract: To segment the skin color area faster, this paper puts forward a method to look for the best segmentation threshold point with integral image and particle swarm optimization based on the basic 2D Ostu method. The method uses two-dimensional gaussian skin model in the YCbCr color space with a color compensation picture to gain the skin probability graph, and then confirms the particle swarm optimization’s objective function by the 2D Ostu algorithm, and calculates the function’s value with the integral image. The method can get the best threshold point effectively and can shorten the calculation at the same time. Experiments show that the method can segment the skin color area effectively and quickly.

Key words: skin segmentation, gaussian skin model, Ostu algorithm, integral image, particle swarm optimization

朱志亮1，刘富国1，陶向阳1，2，刘晓山1，2. 基于积分图和粒子群优化的肤色分割[J]. 计算机工程与应用, 2014, 50(21): 171-174.

ZHU Zhiliang1, LIU Fuguo1, TAO Xiangyang1，2, LIU Xiaoshan1，2. Skin segmentation based on integral image and particle swarm optimization[J]. Computer Engineering and Applications, 2014, 50(21): 171-174.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[5]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[6]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[7]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[8]	高树静，王程龙，董廷坤. 基于ZYNQ的优化Adaboost人脸检测[J]. 计算机工程与应用, 2020, 56(6): 201-206.
[9]	张水平，李殷俊，高栋，梁文. 带有动态爆炸半径的增强型烟花算法[J]. 计算机工程与应用, 2020, 56(18): 50-57.
[10]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[11]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[12]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[13]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[14]	汤深伟，贾瑞玉. 基于改进粒子群算法的[k]均值聚类算法[J]. 计算机工程与应用, 2019, 55(18): 140-145.
[15]	王燕燕1，王宏伟1，2. 基于粒子群的后件多项式RBF神经网络算法[J]. 计算机工程与应用, 2019, 55(12): 72-76.