随着视频图像采集设备——摄像机的广泛使用，人们对图像中肤色区域分割的研究越来越多，进而肤色检测技术也越来越多的应用到相关的各种机器视觉系统中，这也显示了肤色检测具有巨大的市场潜力。目前比较典型的应用包括人脸检测与识别、表情识别、基于内容的图像与视频检索、人机接口技术、肌体检测和黄色图片过滤等方面。也包括计算机图形学真实感润色、视频监控、皮肤疾病诊断、化妆品效果量化分析、通过下意识行为的检测分析进行测谎等。　　 视频在拍摄过程中会受到光照角度、光源颜色等的影响，因此会发生色彩偏移；同时由于物体表面存在镜面反射或界面反射，物体常常产生高光或者阴影，在视频帧中，高光部分常对应高亮度区域，阴影部分对应低亮度区域；视频中会出现不同的人种；一段视频中所呈现出的色彩风格（黑白、不大鲜艳、比较鲜艳、非常鲜艳等）不同等。上述这些因素都会对准确的进行肤色建模产生影响，因此在进行肤色建模以前要对视频帧图像进行预处理。　　 规定肤色的取值范围是阈值法进行肤色建模的一种，在本文中选取的是YCbCr空间。首先视频帧进行RGB空间到YCbCr空间的转换，比较每一个像素对应的Y值，若其在肤色模型亮度范围内，并且对应色度(Cb，Cr)也在相应色度范围内，则给结果图像相应像素赋1，否则赋0，得到一个二值图像。该方法对于背景比较简单的视频帧阈值法可以很好的检测出肤色区域，但是对于背景比较复杂的视频帧，准确的检测肤色还是有一定的难度。　　 利用区域生长法检测肤色区域，首先要找到一个种子点，然后将种子点周围邻域中与之具有相同或相似性质的像素合并为一个区域。在合并的过程中需要找个一个合适的阈值T，如果阈值设置的过小，肤色就不容易检测出来。反之，T值设置的过大，就会把和肤色相近的背景包含进去。　　 以上两种方法进行肤色建模都不能实现对复杂背景图像进行建模的要求，本文中研究了一种自适应的肤色建模方法。自适应肤色建模的过程是，首先利用AdaBoost算法检测视频帧中的人脸，然后利用这些检测到的人脸区域的信息进行肤色建模。在研究的过程中，为了取得较好的肤色建模效果，首先适当缩小由AdaBoost算法检测到的人脸区域；然后利用多颜色空间信息融合技术，即通过选取多个颜色空间的若干颜色分量(Y、Cb、Cr、H、S、I、Y、U、V)，计算待检测图像中选取的这些分量的各自的肤色概率图(SPM)，经过“与”运算融合获得最终检测的肤色区域。该算法不需要考虑色彩偏移、色彩风格和人种等因素，是一种自适应的建模过程。　　 本文重点研究色情视频检测过程中的肤色建模问题，解决了自适应肤色建模的问题。主要研究内容如下：　　 1.利用S（饱和度）分量的累计直方图对视频帧的色彩风格进行分类，并利用“GrayWorld”方法对偏色的视频帧图像进行颜色矫正。把视频帧的色彩风格分为黑白、不大鲜艳、比较鲜艳、非常鲜艳等四种。并把偏色的图像给矫正过来，完成视频的预处理，为后面的自适应的肤色建模提供了一个良好的基础。　　 2.利用AdaBoost算法检测人脸。AdaBoost算法是利用大量的分类能力一般的弱分类器通过一定方法叠加起来，构成一个分类能力很强的强分类器。理论证明，只要每个弱分类器分类能力比随机猜测好，当简单分类器个数趋向于无穷时，强分类器的错误率将趋于0。本文在OpenCV中实现了上述算法，实验对635个人脸进行了检测，漏检51个误检19个，检测率达到88.9％，利用AdaBoost人脸检测算法，基本实现了复杂背景下的人脸检测。　　 3.利用多颜色空间和肤色概率图(SPM)进行自适应肤色建模。然后利用多颜色空间信息融合技术，即通过选取多个颜色空间的若干颜色分量，计算待检测图像中这些分量的各自SPM(肤色概率图)，经过“与”运算融合获得最终检测的肤色区域。该算法不需要考虑光照、肤色和人种等因素，是一种自适应的建模过程。目前选取的颜色空间是H-Cb-Cr，还没有能够自适应的选取颜色分量，这是今后课题组需要进一步改进和探索的地方，以进一步提高肤色建模的准确率。