python opencv 肤色检测_cv2.adaptiveskindetector

1 椭圆肤色检测模型

原理： 将RGB图像转换到YCRCB空间，肤色像素点会聚集到一个椭圆区域。先定义一个椭圆模型，然后将每个RGB像素点转换到YCRCB空间比对是否再椭圆区域，是的话判断为皮肤。

YCRCB颜色空间

def ellipse_detect(image):
    :param image: 图片路径
    :return: None
    img = cv2.imread(image,cv2.IMREAD_COLOR)
    skinCrCbHist = np.zeros((256,256), dtype= np.uint8 )
    cv2.ellipse(skinCrCbHist ,(113,155),(23,15),43,0, 360, (255,255,255),-1)
    YCRCB = cv2.cvtColor(img,cv2.COLOR_BGR2YCR_CB)
    (y,cr,cb)= cv2.split(YCRCB)
    skin = np.zeros(cr.shape, dtype=np.uint8)
    (x,y)= cr.shape
    for i in range(0,x):
        for j in range(0,y):
            CR= YCRCB[i,j,1]
            CB= YCRCB[i,j,2]
            if skinCrCbHist [CR,CB]>0:
                skin[i,j]= 255
    cv2.namedWindow(image, cv2.WINDOW_NORMAL)
    cv2.imshow(image, img)
    dst = cv2.bitwise_and(img,img,mask= skin)
    cv2.namedWindow("cutout", cv2.WINDOW_NORMAL)
    cv2.imshow("cutout",dst)
    cv2.waitKey()

2 YCrCb颜色空间的Cr分量+Otsu法阈值分割算法

针对YCRCB中CR分量的处理，将RGB转换为YCRCB，对CR通道单独进行otsu处理，otsu方法opencv里用threshold

def cr_otsu(image):
    """YCrCb颜色空间的Cr分量+Otsu阈值分割
    :param image: 图片路径
    :return: None
    img = cv2.imread(image, cv2.IMREAD_COLOR)
    ycrcb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB)
    (y, cr, cb) = cv2.split(ycrcb)
    cr1 = cv2.GaussianBlur(cr, (5, 5), 0)
    _, skin = cv2.threshold(cr1,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
    cv2.namedWindow("image raw", cv2.WINDOW_NORMAL)
    cv2.imshow("image raw", img)
    cv2.namedWindow("image CR", cv2.WINDOW_NORMAL)
    cv2.imshow("image CR", cr1)
    cv2.namedWindow("Skin Cr+OTSU", cv2.WINDOW_NORMAL)
    cv2.imshow("Skin Cr+OTSU", skin)
    dst = cv2.bitwise_and(img, img, mask=skin)
    cv2.namedWindow("seperate", cv2.WINDOW_NORMAL)
    cv2.imshow("seperate", dst)
    cv2.waitKey()

3 基于YCrCb颜色空间Cr, Cb范围筛选法

类似于第二种方法，只不过是对CR和CB两个通道综合考虑

def crcb_range_sceening(image):
    :param image: 图片路径
    :return: None
    img = cv2.imread(image,cv2.IMREAD_COLOR)
    ycrcb=cv2.cvtColor(img,cv2.COLOR_BGR2YCR_CB)
    (y,cr,cb)= cv2.split(ycrcb)
    skin = np.zeros(cr.shape,dtype= np.uint8)
    (x,y)= cr.shape
    for i in range(0,x):
        for j in range(0,y):
            if (cr[i][j]>140)and(cr[i][j])<175 and (cr[i][j]>100) and (cb[i][j])<120:
                skin[i][j]= 255
            else:
                skin[i][j] = 0
    cv2.namedWindow(image,cv2.WINDOW_NORMAL)
    cv2.imshow(image,img)
    cv2.namedWindow(image+"skin2 cr+cb",cv2.WINDOW_NORMAL)
    cv2.imshow(image+"skin2 cr+cb",skin)
    dst = cv2.bitwise_and(img,img,mask=skin)
    cv2.namedWindow("cutout",cv2.WINDOW_NORMAL)
    cv2.imshow("cutout",dst)
    cv2.waitKey()

4 HSV颜色空间H,S,V范围筛选法

还是转换空间然后每个通道设置一个阈值综合考虑，进行二值化操作。

def hsv_detect(image):
    :param image: 图片路径
    :return: None
    img = cv2.imread(image,cv2.IMREAD_COLOR)
    hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
    (_h,_s,_v)= cv2.split(hsv)
    skin= np.zeros(_h.shape,dtype=np.uint8)
    (x,y)= _h.shape
    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):
                skin[i][j] = 255
            else:
                skin[i][j] = 0
    cv2.namedWindow(image, cv2.WINDOW_NORMAL)
    cv2.imshow(image, img)
    cv2.namedWindow(image + "hsv", cv2.WINDOW_NORMAL)
    cv2.imshow(image + "hsv", skin)
    dst = cv2.bitwise_and(img, img, mask=skin)
    cv2.namedWindow("cutout", cv2.WINDOW_NORMAL)
    cv2.imshow("cutout", dst)
    cv2.waitKey()

import cv2
import numpy as np
def ellipse_detect(image):
    :param image: img path
    :return: None
    img = cv2.imread(image, cv2.IMREAD_COLOR)
    skinCrCbHist = np.zeros((256, 256), dtype=np.uint8)
    cv2.ellipse(skinCrCbHist, (113, 155), (23, 15), 43, 0, 360, (255, 255, 255), -1)
    YCRCB = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB)
    (y, cr, cb) = cv2.split(YCRCB)
    skin = np.zeros(cr.shape, dtype=np.uint8)
    (x, y) = cr.shape
    for i in range(0, x):
        for j in range(0, y):
            CR = YCRCB[i, j, 1]
            CB = YCRCB[i, j, 2]
            if skinCrCbHist[CR, CB] > 0:
                skin[i, j] = 255
    cv2.namedWindow(image, cv2.WINDOW_NORMAL)
    cv2.imshow(image, img)
    dst = cv2.bitwise_and(img, img, mask=skin)
    cv2.namedWindow("cutout", cv2.WINDOW_NORMAL)
    cv2.imshow("cutout", dst)
    cv2.waitKey()
if __name__ == '__main__':
    ellipse_detect('./test.png')
                    1 椭圆肤色检测模型原理：将RGB图像转换到YCRCB空间，肤色像素点会聚集到一个椭圆区域。先定义一个椭圆模型，然后将每个RGB像素点转换到YCRCB空间比对是否再椭圆区域，是的话判断为皮肤。YCRCB颜色空间：椭圆模型：代码：def ellipse_detect(image):    img = cv2.imread(image,cv2.IMREAD_COLOR)...
				OpenCV原来自带的皮肤检测类CvAdaptiveSkinDetector，可以通过颜色阈值分割肤色部分，皮肤检测算法是在HSV空间进行，没什么技术含量。
OpenCV自带是算法的参考文献有网友说是An adaptive real-time skin detector based on Hue thresholding: A comparison on two motion tracki
				Python OpenCv 车牌检测识别
车牌识别在交通、停车等方面有着广泛应用，在网上也有很多种基于OpenCV方案进行识别，本文是综合了两种比较流行的方案，首先是提取出疑似车牌区域的轮廓，然后再基于色彩空间进行二次判断，比之前的方案有精度更高，泛化能力更强。
将正常图像等比例压缩并且转化为灰度图像，便于处理以后处理
	img = cv2.imread('car2...
				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OpenC...
				这是我的本科毕设题目，刚开始接触机器学习这方面，感谢CSDN和GitHub上的大佬，网上类似项目很多，方法也有很多，自己顺带进行了整理，边做毕设边分享一下自己学习心得吧，也算是梳理一下所学知识，各大佬有什么好的建议还请指出，不吝赐教。
项目简介：基于Win10 + Python3.7的环境，利用Python的OpenCV、Sklearn和PyQt5等库搭建了一个较为完整的手势识别系统，用于识别日...
				基于OpenCv的（YCrCb)颜色空间的肤色检测
    摘要：颜色空间分为RGB，HSV，YUV等，此次主要是以YCrCb颜色空间的肤色检测。利用YUV主要用于优化彩色视频信号的传输，使其向后相容老式黑白电视的特点，将摄像头捕捉到的图像转换成黑白图像（即皮肤颜色为白色以外，其他颜色为黑色）。
   YUV空间：               
 一、 YUV即
				1.   cvLoadImage：将图像文件加载至内存；
2.   cvNamedWindow：在屏幕上创建一个窗口；
3.   cvDestroyWindow：销毁显示图像文件的窗口；
4.   cvDestroyAllWindows：销毁显示图像文件的所有窗口；
5.   cvShowImage：在一个已创建好的窗口中显示图像；
6.   cvWaitKey：使程序暂停，等待用户触发
def skin_detection(image):
    # 将图像从BGR颜色空间转换为HSV颜色空间
    hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
    # 定义肤色范围（在HSV颜色空间中）
    lower_skin = np.array([0, 48, 80], dtype=np.uint8)
    upper_skin = np.array([20, 255, 255], dtype=np.uint8)
    # 根据肤色范围创建掩膜
    skin_mask = cv2.inRange(hsv_image, lower_skin, upper_skin)
    # 对原始图像应用掩膜
    skin = cv2.bitwise_and(image, image, mask=skin_mask)
    return skin
# 读取图像
image = cv2.imread('image.jpg')
# 进行肤色检测
result = skin_detection(image)
# 显示结果
cv2.imshow('Original Image', image)
cv2.imshow('Skin Detection Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()
在这个示例代码中，我们首先将图像从BGR颜色空间转换为HSV颜色空间，然后定义了一个肤色范围。通过在HSV图像上应用这个范围，我们可以创建一个掩膜，然后使用掩膜来提取肤色区域。最后，我们将原始图像与掩膜应用进行位运算，得到肤色检测的结果。