前言

肤色检测技术在人脸检测与识别、视频监控系统、裸图像检测、基于内容的图像检索、手势识别、肤色病学诊断、驾驶员疲劳检测、人机交互等领域有着广泛的应用，近年来得到了广泛的关注和研究。

针对美颜美型应用，我们需要肤色检测功能得到皮肤区域，然后针对性地进行磨皮、美白等操作。

方法

肤色检测技术采用的方法有很多，从不同的角度出发可以分为不同的类别。根据有无涉及成像过程，可以分为基于统计的方法和基于物理的方法。根据肤色图像数据处理的尺度，可以分为基于像素的检测和基于区域的检测。基于像素的肤色检测方法针对单个像素进行肤色和非肤色的分类。基于区域的肤色检测方法本质和基于像素的检测方法相似，但考虑了颜色的空间分布。

基于像素的肤色检测技术通过建立肤色模型来区分肤色像素和非肤色像素，肤色模型既可以表示为一组规则或阈值，也可以从机器学习算法中训练出来。主要的检测方法可分为基于统计的方法、基于阈值的方法和基于机器学习的方法。

基于统计的方法将肤色检测视为一个概率问题,通过在特定的颜色空间中训练数据集来计算肤色像素的概率。如Jones MJ 等采用查找表法从网络图像中学习肤色像素和非肤色像素构建数据集，用于人体检测和成人图像识别。

基于机器学习的肤色检测方法是从一组训练数据中学习构建肤色分类器，无需构建明确的肤色模型。机器学习分为有监督学习和无监督学习，用于肤色检测的机器学习大多是有监督学习的方法，比较热门的是采用人工神经网络(ANN)的方法。采用神经网络与深度学习进行肤色检测主要目的有两个: 一是提高算法性能；二是解决肤色检测存在的多种族肤色、多光照条件等肤色检测挑战问题。如Yasar A 等用U