图片过滤方法和装置 【技术领域】
本发明涉及领域图形图像处理技术领域， 特别涉及一种图片过滤方法和装置。背景技术 自从有了网络， 黄色图片也开始出现在了网络上， 随着网络的发达， 已经到了泛滥 的程度， 黄色图片对于青少年有巨大的毒害， 如何准确有效地把黄色图片过滤一直是艰巨 的任务。
早期的技术是分析图片中人物的行为通过判断图片上人物的相对位置和动作来 获取图像的语义信息， 但这种方法有很多缺陷， 比如将合照甚至是人形雕塑当作是色情图 片处理。
目前的黄色图片过滤主要依赖肤色来检测图片， 这种方法虽然和早期的方法相比 在过滤准确度有所提高， 然而仅依赖肤色进行过滤也很容易误判， 如对一些存在较大肤色 面积的正常图片， 如大头像照片、 人脸照片等， 极容易被误判为黄色图片而被过滤掉， 从而 导致图片识别的准确率较低， 图片过滤的效果较差。
发明内容
本发明提供了一种图片过滤方法和装置， 能够快速准确地对黄色图片进行过滤。
为达到上述目的， 本发明实施例采用了如下技术方案 ：
本发明实施例提供了一种图片过滤方法， 该方法包括 ：
通过图片区域分割， 提取出原始图片中的肤色区域 ；
计算所述肤色区域占原始图片的面积比率 ；
当所述面积比率小于第一阈值时， 允许所述原始图片 ；
当所述面积比率大于第一阈值且小于第二阈值时， 根据所述原始图片得到包含所 述肤色区域的剪裁图片， 利用所述肤色区域占剪裁图片的面积比率对原始图片进行过滤 ；
当所述面积比率大于第二阈值时， 检测出原始图片中的人脸肤色区域， 根据人脸 肤色区域占肤色区域的面积比率对原始图片进行过滤。
本发明实施例还提供了一种图片过滤装置， 该装置包括 ：
肤色区域提取单元， 用于通过图片区域分割， 提取出原始图片中的肤色区域 ；
比率计算单元， 用于计算所述肤色区域占原始图片的面积比率 ；
过滤单元， 用于当所述面积比率小于第一阈值时， 允许所述原始图片 ； 当所述面积 比率大于第一阈值且小于第二阈值时， 根据所述原始图片得到包含所述肤色区域的剪裁图 片， 利用所述肤色区域占剪裁图片的面积比率对原始图片进行过滤 ； 以及， 当所述面积比率 大于第二阈值时， 检测出原始图片中的人脸肤色区域， 根据人脸肤色区域占肤色区域的面 积比率对原始图片进行过滤。
本发明实施例的有益效果是 ：
本发明实施例对图片过滤的原理进行分析， 在大量实验的基础上， 通过过滤逻辑的设置以及过滤阈值的选取， 提供了一种新型的图片过滤解决方案， 能够极大降低过滤过 程中的误判率， 快速准确地对黄色图片进行过滤。 附图说明
图 1 为本发明实施例一提供的图片过滤方法流程示意图 ；
图 2 为本发明实施例一提供的 HSV 颜色空间的圆锥空间模型示意图
图 3 为本发明实施例一提供的金字塔算法流程处理示意图 ；
图 4 为本发明实施例一提供的统计得到的表示肤色的 H 向量的概率分布图 ；
图 5 为本发明实施例二提供的图片过滤方法流程示意图 ；
图 6(a) 和 (b) 为本发明实施例二提供的一种剪裁图片的方法和所得到的剪裁图 片的示意图 ；
图 7 为本发明实施例二提供的分类器的分类方法的流程示意图 ；
图 8 为本发明实施例三提供的一种图片过滤装置结构示意图 ；
图 9 本方案提供的实验一中原始图片 ；
图 10 为实验一中采用聚类分割后得到的聚类结果图像 ；
图 11 为实验一中对图 10 的聚类结果图像执行 H 阈值分割后得到的肤色区域图 图 12 中圆圈标示的区域显示了实验一中进行人脸识别后得到的人脸区域 ； 图 13 为实验一中采用本方案得到的人脸肤色区域结果示意图 ； 图 14 为实验二中聚类分割后得到的肤色区域图像 ； 图 15 为实验三中的原始图片 ； 图 16 为实验三中聚类分割后得到的肤色区域图像 ； 图 17 为实验四中原始图片 ； 图 18 为实验四中聚类分割后得到的肤色区域图像。像；
具体实施方式
为使本发明的目的、 技术方案和优点更加清楚， 下面将结合附图对本发明实施方 式作进一步地详细描述。
参见图 1， 为本发明实施例一提供的图片过滤方法， 参见图 1， 包括如下步骤 ：
11 ： 通过图片区域分割， 提取出原始图片中的肤色区域。
进一步的， 在本步骤中， 本方案采用了一种新型的肤色分割方案， 具体如下 ：
111 ： 获取原始图片中各像素点的 HSV 数据， 根据所述 HSV 数据对各像素点进行聚 类， 得到聚类结果图像。
根据不同应用的需要， 设计了多种颜色空间， 如 RGB 颜色空间、 HSV 颜色空间。然 而本技术方案中采用在 HSV 颜色空间中进行肤色区域的分割。主要原因在于 ：
人类的肤色在颜色空间分布比较集中， 但是受人种和光照的影响比较大。人种的 问题可以通过分类解决， 但光照问题则不太容易处理， 是普通存在的问题。 为了解决这个问 题， 本方案把颜色空间映射到亮度 ( 光照 ) 和色度 ( 颜色 ) 分离的颜色空间， 即采用 HSV 颜 色空间， 从而避免了光照对区域分割的影响。并且， RGB 模式虽然是一种常用的颜色空间， 但这个空间不区分亮度、 色度， 主要是 面向硬件设备， 如物理显示器、 摄影机等， 并不适合人眼系统， 不适于直接用于肤色分割。
HSV 颜色空间中 H 是色调， S 是饱和度， V 是亮度。 H 值是色彩的基本属性， 也就是通 常说的颜色， 取值 0-360。 S 是色彩的纯度， S 越高色彩越纯， S 越低则色彩越灰， 取值 0-100。 V 是亮度， 取值 0-100。HSV 颜色空间可以用一个圆锥空间模型来表示， 参见图 2。
HSV 颜色空间的模型对应于圆柱坐标系中的一个圆锥形子集， 圆锥的顶面对应于 V ＝ 1， 它对应 RGB 模型中的 R ＝ 1， G ＝ 1， B ＝ 1 三个面， 所代表的颜色较亮。色彩 H 由绕 V 轴的旋转角给定。红色对应于角度 0°， 绿色对应于角度 120°， 蓝色对应于角度 240°。 在 HSV 颜色模型中， 每一种颜色和它的补色相差 180°。饱和度 S 取值从 0 到 1， 所以圆锥 顶面的半径为 1。HSV 颜色模型所代表的颜色域是 CIE 色度图的一个子集。在圆锥的顶点 ( 即原点 ) 处， V ＝ 0， H 和 S 无定义， 代表黑色。圆锥的顶面中心处 S ＝ 0， V ＝ 1， H 无定义， 代表白色。从该点到原点代表亮度渐暗的灰色， 即具有不同灰度的灰色。对于这些点， S＝ 0， H 的值无定义。可以说， HSV 模型中的 V 轴对应于 RGB 颜色空间中的主对角线。在圆锥顶 面的圆周上的颜色， V ＝ 1， S ＝ 1， 这种颜色是纯色。
当利用硬件设备读取原始图片时， 硬件设备采用是 RGB 颜色空间， 则通过对原始 图片中各像素点的 RGB 值进行转换， 得到所述各像素点的 HSV 数据。RGB 数据向 HSV 数据的 转换方式可以具体表示如下 ：
RGB ＝＞ HSV， 转换公式如下 ：
令 MAX 为 R、 G、 B 三个分量的最大值 ； MIN 为三个分量的最小值
若 MAX ＝ MIN， 则
H＝0
S＝0
V ＝ MAX/255
若 MAX ≠ MIN
当G≥B时
H ＝ (Max-R’ +G’ -Min+B’ -Min)/(Max-Min)×60
S ＝ 1-MIN/MAX
V ＝ MAX/255
当G＜B时
H ＝ 360-(Max-R’ +G’ -Min+B’ -Min)/(Max-Min)×60
S ＝ 1-MIN/MAX
V ＝ MAX/255
在利用 H 的阈值范围进行区域分割之前， 先通过聚类分割将颜色属性相近的像素 点分割在同一区域， 从而提高了最终肤色区域分割的准确度。
本方案的聚类分割处理中， 将原始图片中各像素点的 HSV 数据作为聚类分割的输 入数据， 即对各像素点的 HSV 数据执行聚类分割操作。
聚类的主要操作就是在原始图片中各像素点的 HSV 数据中， 根据预定的特征阈值 范围进行搜索， 将满足所述特征阈值范围的像素点划分在同一个类中。 例如， 将位于特征阈 值范围内的像素点或者接近特征阈值范围的像素点集合在一起归为同一类。进一步的， 在聚类操作中， 本方案还可以采用金字塔聚类分割方式， 从而达到分割 速度更快， 分割效果更好的效果。
金字塔聚类分割方式具体包括 ：
通过多分辨分析， 将 HSV 数据构成的原始图片迭代分解为多级不同分辨率的金字 塔滤波图像 ； 按照分辨率从高到底的顺序， 根据预定的特征阈值范围在所述多个金字塔滤 波图像中进行搜索， 将满足所述特征阈值范围的像素点划分在同一个类中。
例如， 若原始的 HSV 图像表示为 g0， 对 g0 分解得到的一阶金字塔滤波图像表示为 g1， g0 的分辨率和采样率都比 g1 低， 然后再对 g1 分解得到的二阶金字塔滤波图像表示为 g2， 不断迭代处理得到 g3、 g4 等， 这一系列的图像 {g0， g1， ...， gn} 构成金子塔结构， 用公 式描述如下 ：
gk ＝ R(gk-1)
其中， k 表示序号， R(·) 表示关系函数。
每阶的滤波图像对应于一个节点， 则示例性的， 对每个节点可以有如下公式 ：
其中， 上式中的 i， j 表示节点的编号， (m， n) 表示 5*5 的像素块的位置， w(m， n) 表 示对应像素块 (m， n) 的权重， (2i+m， 2j+n) 表示该节点与高阶中节点的对应关系。
参见图 3， 对每一级的金字塔滤波图像对应一级的特征矢量， 则聚类处理包括在得 到多级特征矢量的基础上， 进行如下流程操作 ：
a) 确定聚类的 HSV 距离阀值 ；
b) 选择某级特征失量， 作为初始聚类中心， 按最小距离原则， 把距离近的对象分配 到各个聚类中心 ；
c) 取每一区域块中已经初步聚类的特征的平均值作为新的聚类中心 ；
d) 如果聚类中心有变化重复执行 b)、 c) 直到聚类中心稳定及达到 a) 设置的阀值 则结束。
进一步的， 金字塔级数的选择需要权衡运算速度和分割效果， 级数过小， 分割效果 较差， 级数过高建立金字塔耗费的时间过长， 运算速度较慢。在本方案中， 迭代分解为 4 级 不同分辨率的金字塔滤波图像， 实验证明， 4 级的金字塔在运算速度和分割效果上都能够达 到预期的要求。
112 ： 基于统计结果， 选取色调 H 的阈值范围。
本方案利用 H 的阈值范围， 在聚类的结果上继续进行区域分割。 该 H 的阈值范围为 一个基于样本数据统计出来的结果， 根据统计结果大量的真实肤色会落在该阈值范围内， 而其他的颜色则散布在该阈值范围之外。
相对于现有基于贝叶斯分类方案的样本量， 本方案的样本量较小， 简化了操作， 节 省了资源。具体处理如下 ：
T1 ： 建立肤色图片的样本库 ；
T2 ： 确定所述样本库中各肤色图片内的肤色区域。
例如， 可以通过人工分割出各肤色图片内的肤色区域。
T3 ： 对肤色区域中出现的每一个 H 向量， 通过如下公式， 计算该 H 向量的概率值 ：
P(Skin)(c) ＝ Skin(c)/PixCount
其中， Skin(c) 表示各肤色区域中 H 向量为 c 的像素点的个数， PixCount 表示样本 库中各肤色图片所包含的像素点的总数 ；
T4 ： 当 H 向量所对应的概率值大于概率阈值时， 该 H 向量属于所述 H 的阈值范围 内。
参见图 4， 显示了统计得到的表示肤色的 H 向量的概率分布图， 横坐标表示 H 向量 的取值， 纵坐标为该 H 向量表示肤色的概率值。将概率分布图中纵坐标上峰值部分所对应 的横坐标区域作为 H 的阈值范围， 即当 H 向量为 c 的概率值大于概率阈值时， 该 H 向量 c 的 数值才属于上述 H 的阈值范围。如图 4 所示， H 向量 7 至 12 对应于概率分布的峰值， 将7至 12 作为上述 H 的阈值范围。
113 ： 根据所述聚类结果图像中各像素点的 H 分量以及所述 H 的阈值范围， 进行区 域分割， 得到所述原始图片的肤色区域。
提取所述聚类结果图像中各像素点的 H 分量 ；
判断所述像素点的 H 分量是否满足 H 的阈值范围， 若满足， 如该 H 分量在 7 至 12 的范围内， 确认该像素点位于肤色区域中， 并保留该像素点， 这些保留的像素点构成所分割 得到的像素区域 ； 若不满足， 如该 H 分量在 7 至 12 的范围之外， 确认该像素点位于肤色区域 之外， 丢弃该像素点。
由上述步骤， 完成对原始图片的肤色分割， 得到肤色区域。 12 ： 计算所述肤色区域占原始图片的面积比率。 上述面积比率为肤色区域所占的像素点面积与原始图片所占的像素点面积的比率。 13 ： 当所述面积比率小于第一阈值时， 允许所述原始图片 ；
14 ： 当所述面积比率大于第一阈值且小于第二阈值时， 根据所述原始图片得到包 含所述肤色区域的剪裁图片， 利用所述肤色区域占剪裁图片的面积比率对原始图片进行过 滤；
13 ： 当所述面积比率大于第二阈值时， 检测出原始图片中的人脸肤色区域， 根据人 脸肤色区域占肤色区域的面积比率对原始图片进行过滤。
另， 由于面积比率与本方案所设置的阈值相等的情况出现的概率较小， 本发明实 施例对这种相等的情况不再详细讨论， 当出现这种情况时， 可以将其按照大于或者小于的 情况处理。
由上所述， 本发明实施例对图片过滤的原理进行分析， 在大量实验的基础上， 通过 过滤逻辑的设置以及过滤阈值的选取， 提供了一种新型的图片过滤解决方案， 能够极大降 低过滤过程中的误判率， 快速准确地对黄色图片进行过滤。
本发明实施例二提供的图片过滤方法， 参见图 5， 包括如下步骤 ：
1： 对原始图片在 HSV 空间进行聚类， 利用 H 阈值分割， 得到肤色区域。
2： 计算肤色区域占原始图片总区域的面积比率 Rate(skin)。
3： 判断面积比率 Rate(skin) 是否小于第一阈值， 若是， 执行步骤 4， 若否， 执行步 骤 5。
本方案在执行过滤操作时， 将原始图片分为如下的四大类 ：
1) 多肤色的色情图片 2) 少或无肤色的正常图片 3) 多肤色无人脸的正常图片 4) 多肤色有人脸的正常图片 上述分类中， 第一类属于禁止的色情图片， 后三类属于允许的正常图片。 4： 确认为正常图片。 在大量实验的基础上， 优选的， 本实施例中第一阈值的取值为 0.09。 当 Rate(skin) 小于 0.09 时， 判断原始图片属于后三类的正常图片， 允许原始图片。 5： 判断面积比率 Rate(Skin) 是否大于第一阈值小于第二阈值， 若是， 执行步骤 6 以及 7a-9a， 若否， 执行步骤 7b 至 10b。
Rate(Skin) ＝ Askin/AAllPhoto
AAllPhoto ＝ Width*Height
其中， Askin 是肤色区域的像素面积， AAllPhoto 是整个原始图片的像素面积， Width 是 原始图片的宽度， Height 是原始图片的高度。
优选的， 本实施例中第二阈值的取值为 0.20。
6： 根据所述原始图片得到包含所述肤色区域的剪裁图片。
对原始图片进行背景裁剪处理， 突出肤色区域， 从而对人物在原始图片中所占比 例较小的场景， 也能较好地检测出黄色图片， 避免因为人体占整个区域过小而造成漏检， 提 高过滤的准确率。
参见图 6， 剪裁方法可以具体如下 ：
检测肤色区域 ( 如图 6a 中部人形区域所示 ) 的像素点中相对于原始图片每一边 界距离最小的像素点， 如肤色区域中距离上边界最近 ( 距离最小 ) 的像素点为 P。
根据检测出的像素点所确定的位置， 分别以平行与每一边界的方向 ( 如 L1 方向或 L2 方向 ) 剪裁原始图片， 得到剪裁图片。具体包括 ： 在检测出的像素点所处的位置， 分别以 平行与每一边界的方向剪裁所述原始图片 ( 如 L1 方向 )， 得到剪裁图片 ； 或者， 在从检测出 的像素点起朝向边界方向的预定位置处 ( 如 L2 方向 )， 分别以平行与每一边界的方向剪裁 所述原始图片， 得到剪裁图片。
所得到的一种剪裁图片的示例如图 6(b) 中所示。
7a ： 计算肤色区域占剪裁图片的面积比率 NewRate(Skin)。
8a ： 判断面积比率 NewRate(Skin) 是否大于第三阈值， 若是执行步骤 7b-10b， 若 否， 执行步骤 9a。
优选的， 本方案中第三阈值取值为 0.20。
9a ： 确认原始图片为肤色面积较小的正常图片。
7b ： 检测出原始图片中的人脸肤色区域， 计算人脸肤色区域占肤色区域的面积比 率 Rate(face)。
Rate(face) ＝ Aface/Askin
其中， Aface 为人脸肤色区域。
本实施例采用如下方式计算人脸肤色区域 Aface ：
本方案中采用基于自适应增强 (Adaptive Boosting， Adaboosting) 的维尔拉 - 琼 斯 (Viola-Jones) 算法对原始图片中的人脸区域进行判定， 识别出所述人脸区域。
本方案中的人脸识别采用机器学习的方法。采用 AdaBoosting 分类器中的哈尔 (Haar) 分类器。Adaboosting 对于人脸检测是基于特征的方法， 而不再基于像素。在训练 和检测时需要从人脸中抽取大量的简单特征， 这里的特征是一种由矩形构成的特征向量， 可以称为 Haar 特征。
具 体 的， 本 方 案 使 用 了 Viola-Jones 分 类 算 法。 该 算 法 在 每 个 节 点 中 使 用 AdaBoosting 方式来学习一个高检测率低拒绝率的多层树分类器。其关键点主要如下 ：
1) 使用类 Haar 输入特征 ： 对矩形图像区域的和或者差进行阀值化。
2) 使用的积分图像技术加速了矩形图像区域或者矩形区域 45 度旋转的值的计 算， 从而加速类 Haar 输入特征的计算。
3) 基于统计 boosting 来创建两类分类器 ( 人脸与非人脸 ) 的分类器节点 ( 高通 过率、 低拒绝率 )。
4) 将弱分类器节点组成筛选式级联。第一组分类器是最优， 能通过包含物体 ( 人 脸 ) 的图像区域， 同时也可以允许一些不包含物体的图像通过 ； 第二组分类器次优分类器， 也是有较低的拒绝率。在这种方式下， 在测试模式下， 只要图像区域通过了整个级联， 则认 为里面有物体 ( 人脸 )。
进一步的， AdaBoosting 分类器能从弱分类器训练出强分类器，
为了更加清楚地说明本方案， 对弱分类器和强分类器进行介绍。
弱分类器是一个多数情况下只有一层的决策树。 一种示例性的决策算法可以表示 如下， 判断特征 fi 的值 vi 是否大于某个阀值 ti， 若是， 表示图像可能是人脸， 若否表示图像 不是人脸， 其中， i 表示标号 ：
训练中， Viola-Jones 分类器在每个弱分类器中使用的类 Haar 特征的个数可以设 置， 然后提升算法迭代地建立一个由多个弱分类器的加权和组成的强分类器。该强分类器 分类函数可以表示如下 ：
F ＝ sign(w1f1+w2f2+… +wifi)
上式中 wi 表示对弱分类器 fi 的权重， i 表示标号。
如果加权和小于 0， 则函数 F 返回 -1 ； 如果加权和等于 0， 则函数 F 返回 0 ； 如果加 权和大于 0， 则函数 F 返回 1。
参见图 7， 显示了一种利用本方案的分类器对原始图片分类的方法示意图。 能够通 过每一级分类器的图像为包含人脸 (face) 的图像， 包含非人脸 (Not face) 的图像不能通 过分类器。若原始图片能够依次通过由 F1、 F2、 ...FN 级联成的分类器， 则确认该原始图片 中包含人脸。
然后， 根据原始图片的人脸区域和肤色区域， 利用如下公式， 对所述人脸区域和肤 色区域做交集运算， 通过交集区域得到所述人脸肤色区域 ：
A∩B＝C
其中， A 表示所述原始图片的肤色区域， B 表示所述原始图片的人脸区域， C 表示所
述原始图片的人脸肤色区域。
8b ： 判断人脸肤色区域占肤色区域的面积比率是否大于第四阈值， 若是， 执行步骤 9b， 若否， 执行步骤 10b。
优选的， 本方案中第四阈值取值为 0.50。
9b ： 确认原始图片为包含人脸、 肤色区域较大的正常图片， 允许原始图片。
10b ： 确认原始图片为肤色区域较大的色情图片。
由上所述， 本发明实施例对图片过滤的原理进行分析， 在大量实验的基础上， 通过 过滤逻辑的设置以及过滤阈值的选取， 提供了一种新型的图片过滤解决方案， 能够极大降 低过滤过程中的误判率， 快速准确地对黄色图片进行过滤。
本发明实施例三提供了一种图片过滤装置， 参见图 8， 所述装置包括 ：
肤色区域提取单元 81， 用于通过图片区域分割， 提取出原始图片中的肤色区域 ；
比率计算单元 82， 用于计算所述肤色区域占原始图片的面积比率 ；
过滤单元 83， 用于当所述面积比率小于第一阈值时， 允许所述原始图片 ； 当所述 面积比率大于第一阈值且小于第二阈值时， 根据所述原始图片得到包含所述肤色区域的剪 裁图片， 利用所述肤色区域占剪裁图片的面积比率对原始图片进行过滤 ； 以及， 当所述面积 比率大于第二阈值时， 检测出原始图片中的人脸肤色区域， 根据人脸肤色区域占肤色区域 的面积比率对原始图片进行过滤。 进一步的， 上述过滤单元 83， 还具体用于通过如下方式利用所述肤色区域占剪裁 图片的面积比率对原始图片进行过滤 ：
当所述肤色区域占剪裁图片的面积比率小于第三阈值时， 允许所述原始图片 ； 当 所述肤色区域占剪裁图片的面积比率大于第三阈值时， 检测出原始图片中的人脸肤色区 域， 根据人脸肤色区域占肤色区域的面积比率对原始图片进行过滤。
所述过滤单元， 还具体用于通过如下方式根据人脸肤色区域占肤色区域的面积比 率对原始图片进行过滤 ：
当人脸肤色区域占肤色区域的面积比率大于第四阈值时， 允许所述原始图片， 当 人脸肤色区域占肤色区域的面积比率小于第四阈值时， 禁止所述原始图片。
优选的， 上述第一阈值为 0.09， 第二阈值为 0.20， 第三阈值为 0.20， 第四阈值为 0.50。
本发明装置实施例中各单元的具体工作方式可以参见本发明方法实施例。 本发明 实施例对图片过滤的原理进行分析， 在大量实验的基础上， 通过过滤逻辑的设置以及过滤 阈值的选取， 提供了一种新型的图片过滤解决方案， 能够极大降低过滤过程中的误判率， 快 速准确地对黄色图片进行过滤。
下面通过具体的实验数据， 进一步说明本发明实施例的有益效果 ：
实验一
图 9 为实验一中原始图片， 该图片中包含了肤色区域， 主要是人脸区域， 是一副大 头像照片 ( 为保护人物的肖像， 在显示时对面部区域进行了遮挡 ) ； 图 10 为实验一中聚类 分割后得到的聚类结果图像， 可以看出颜色属性相近的像素点已经被分集合在一起， 不同 区域之间已经出现了初步的分界线 ( 或轮廓 )。图 11 为实验一中对图 10 的聚类结果图像 执行 H 阈值分割后的肤色区域图像， 可以清楚看出， 采用本方案能够将肤色区域准确地分
割出来。图 12 为对原始图片进行人脸识别后的结果图像， 所检测到的人脸区域如图像中圆 圈标识出的区域， 本方案能够准确地识别出人脸区域。图 13 为实验一得到的人脸肤色区域 结果图， 其中圆圈所围成的区域中具有斜线标识的部分显示了所识别出的人脸肤色区域， 可以看出本方案能够准确获取到原始图片中的人脸肤色区域。
实验一所计算出的肤色区域占原始图片的面积比率 Rate(Skin) ＝ 0.251594， 人 脸识别后， 计算出的人脸肤色区域占肤色区域的面积比率 Rate(face) ＝ 0.95006335， 实验 判定的结果为原始图片属于类别 4， 多肤色有人脸的正常图片。
实验二
由于实验二的原始图片为多肤色的色情图片， 在此不再对原始图片进行显示。图 14 为聚类分割后得到的肤色区域图像。
实验二所计算出的肤色区域占原始图片的面积比率 Rate(Skin) ＝ 0.411926( ＞ 0.20)， 人 脸 识 别 后， 计 算 出 的 人 脸 肤 色 区 域 占 肤 色 区 域 的 面 积 比 率 Rate(face) ＝ 0.17429098( ＜ 0.50)， 实验判定的结果为原始图片属于类别 1， 多肤色的色情图片。
实验三
图 15 为实验三中原始图片， 该图片是一副风景图片。图 16 为聚类分割后得到的 肤色区域图像。 实 验 三 所 计 算 出 的 肤 色 区 域 占 原 始 图 片 的 面 积 比 率 Rate(Skin) ＝ 0.044515( ＜ 0.09)， 实验判定的结果为原始图片属于类别 2， 少或无肤色的正常图片。
实验四
图 17 为实验四中原始图片， 该图片为一幅正常的人体图片。图 18 为聚类分割后 得到的肤色区域图像。
实 验 三 所 计 算 出 的 肤 色 区 域 占 原 始 图 片 的 面 积 比 率 Rate(Skin) ＝ 0.08683( ＜ 0.09)， 实验判定的结果为原始图片属于类别 2， 少或无肤色的正常图片。
由上述实验结果可以看出本方案能够准确对图片进行过滤。
以上所述仅为本发明的较佳实施例而已， 并非用于限定本发明的保护范围。凡在 本发明的精神和原则之内所作的任何修改、 等同替换、 改进等， 均包含在本发明的保护范围 内。