本發(fā)明涉及計算機(jī)視覺中的特定對象檢測領(lǐng)域，具體涉及一種基于分層結(jié)構(gòu)和可變形部分模型的手部區(qū)域檢測方法和裝置。

背景技術(shù)：

手勢作為一種自然交互的通道之一，有重要的研究價值和廣泛的應(yīng)用前景。而手勢(靜態(tài)手勢和動態(tài)手勢)識別和手部跟蹤的第一步，也是重要一步，便是將手部區(qū)域從圖像中分割出來。手部區(qū)域分割是手勢(靜態(tài)手勢和動態(tài)手勢)識別和手部跟蹤的基礎(chǔ)，分割的效果直接影響手勢識別或手勢跟蹤的效果，因此，有必要對其進(jìn)行研究。

隨著機(jī)器人的廣泛應(yīng)用，人機(jī)交互技術(shù)越來越多地受到人們的重視。基于視覺的手勢識別具有交互自然的優(yōu)點，有廣泛的應(yīng)用前景，是人機(jī)交互的重要組成部分^[2]。手部檢測和分割是手勢識別和手勢跟蹤的基礎(chǔ)，分割的效果直接影響手勢識別或手勢跟蹤的效果^[3]。

人與機(jī)器人交互過程中，機(jī)器人上安裝的視頻采集設(shè)備與人體有一定距離時，采集的照片包含人體全身。由于此類圖片存在大量背景，手部區(qū)域只是圖片中很小的一部分，如何從大量背景區(qū)域檢測到手部，并將其分割出來，從而為手勢識別奠定基礎(chǔ)，是值得研究的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是為了解決上述問題，提出一種適用于復(fù)雜背景下，包含人體全身的手勢圖像，基于分層結(jié)構(gòu)和可變形部分模型的手部區(qū)域檢測方法，可以快速準(zhǔn)確地檢測手勢圖像中的手部區(qū)域。

一種基于分層結(jié)構(gòu)和可變形部分模型的手部區(qū)域檢測方法，包括以下步驟：

步驟1：建立手勢圖片庫；

手勢圖片庫包含：y名測試者，預(yù)定義x種手勢種類，每種手勢兩只手輪流做，每只手的手勢分別在三種距離下拍攝，三種距離分別為照相機(jī)距被拍攝人d₁m、d₂m和d₃m，每個人同種距離拍攝三次，分別使人在圖像中央、左邊和右邊，在n種環(huán)境下拍攝；

步驟2：從輸入的手勢圖像中檢測并分割出人體上半身區(qū)域；

首先，對提取的圖像進(jìn)行雙邊濾波，然后提取臉部、脖子、肩膀、胳膊肘和手部的Haar小波特征，使用Viola-Jones檢測器，級聯(lián)分類器訓(xùn)練得到人體上半身模型，然后使用訓(xùn)練好的人體上半身模型檢測人體上半身區(qū)域；

步驟3：建立膚色模型，提取人體上半身圖像中的類膚色區(qū)域；

步驟4：通過刪除二值圖中的小面積區(qū)域、空洞填充等形態(tài)學(xué)操作和最小連通區(qū)域的長寬比和面積閾值從原始RGB圖像分割出類膚色區(qū)域；

步驟5：將原始圖像上分割出類膚色區(qū)域進(jìn)行尺寸歸一化，將其作為可變形部分模型的輸入，使用可變形部分模型訓(xùn)練手部模型，進(jìn)而使用訓(xùn)練好的手部模型檢測手部區(qū)域；其中，可變形部分模型采用HOG特征。

一種基于分層結(jié)構(gòu)和可變形部分模型的手部區(qū)域檢測裝置，包括手勢庫模塊、人體檢測模塊、膚色檢測模塊、區(qū)域調(diào)整模塊和手部檢測模塊；

手勢庫模塊用于提供手勢圖片；

人體檢測模塊對輸入的復(fù)雜背景下人體全身手勢圖像進(jìn)行雙邊濾波后，然后提取臉部、脖子、肩膀、胳膊肘和手部的Haar小波特征，使用Viola-Jones檢測器，級聯(lián)分類器訓(xùn)練得到人體上半身模型，然后使用訓(xùn)練好的人體上半身模型檢測人體上半身區(qū)域；

膚色檢測模塊對人體檢測模塊檢測出的人體上半身區(qū)域后，提取滿足膚色模型的類膚色區(qū)域；

區(qū)域調(diào)整模塊將膚色檢測模塊檢測到的類膚色區(qū)域，經(jīng)過刪除二值圖中最小面積區(qū)域、填充空洞形態(tài)學(xué)操作、最小連通區(qū)域的長寬比和面積閾值，調(diào)整膚色檢測的結(jié)果，將類膚色區(qū)域從原始RGB圖像中分割出來；

手部檢測模塊將區(qū)域調(diào)整模塊分割出的類膚色區(qū)域進(jìn)行尺寸歸一化，將其作為可變形部分模型的輸入，使用可變形部分模型訓(xùn)練手部模型，進(jìn)而使用訓(xùn)練好的手部模型檢測手部區(qū)域；其中，可變形部分模型采用HOG特征。

本發(fā)明的優(yōu)點在于：

(1)本發(fā)明所述基于分層結(jié)構(gòu)和可變形部分模型的手部區(qū)域檢測方法，基于ROS(Robot Operating Syestem，機(jī)器人操作系統(tǒng))，移植性好，可用于多種機(jī)器人系統(tǒng)；

(2)本發(fā)明所述基于分層結(jié)構(gòu)和可變形部分模型的手部區(qū)域檢測方法，采用篩選策略，分層結(jié)構(gòu)，逐層縮小區(qū)域，計算量較少。即，先檢測出人體上半身區(qū)域，然后再使用膚色條件過濾出類膚色區(qū)域，并對其進(jìn)行區(qū)域調(diào)整，接下來訓(xùn)練手部的可變形部分模型，并用訓(xùn)練好的手部可變形部分模型檢測手部區(qū)域；

(3)本發(fā)明所述基于分層結(jié)構(gòu)和可變形部分模型的手部區(qū)域檢測方法，采用分層結(jié)構(gòu)，先檢測出人體上半身區(qū)域，在一定程度上減少復(fù)雜環(huán)境對手部區(qū)域檢測的影響；第二層檢測人體上半身中的膚色，去除非膚色區(qū)域；第三層調(diào)整檢測到的膚色區(qū)域，第四層檢測手部。

(4)本發(fā)明提出一種基于膚色模型的手部檢測方法，先通過膚色進(jìn)行粗檢測，去除非膚色區(qū)域，減少計算量，然后，對檢測到的膚色區(qū)域，提取方向梯度直方圖特征，使用支持向量機(jī)建立手部檢測模型。

(5)本發(fā)明提出一種基于RGB-YCbCr色彩空間顯式閾值與高斯模型相結(jié)合的膚色模型，該模型綜合使用RGB-YCbCr顯式閾值與統(tǒng)計學(xué)模型，可更好檢測膚色區(qū)域。其中，RGB-YCbCr色彩空間使用閾值綜合考慮經(jīng)驗閾值與樣本計算閾值相結(jié)合的方法。

(6)本發(fā)明所述基于ROS的模塊化手部區(qū)域檢測裝置，采用定制式設(shè)計、模塊化結(jié)構(gòu)，各模塊功能相對獨立，用戶可根據(jù)需要增加、刪除或調(diào)換某些模塊，提高了本發(fā)明的通用性。

附圖說明

圖1為本發(fā)明提供的基于分層結(jié)構(gòu)和可變形部分模型的手部區(qū)域檢測方法流程圖；

圖2為本發(fā)明提供的基于分層結(jié)構(gòu)和可變形部分模型的手部區(qū)域檢測裝置；

圖3為本發(fā)明提供的手勢庫中的12種手勢圖像；

圖4為本發(fā)明實施實例使用的一張手勢庫中的照片；

圖5為本發(fā)明實施實例中人體上半身區(qū)域的檢測結(jié)果；

圖6為本發(fā)明實施例步驟1的檢測結(jié)果；其中，(a)為環(huán)境1中的物體，(b)為環(huán)境2中的物體，(c)為人體上半身區(qū)域；

圖7為本發(fā)明實施實例中填充空洞的結(jié)果；

圖8為本發(fā)明實施實例中標(biāo)記最小連通區(qū)域的結(jié)果；

圖9為本發(fā)明實施實例中類膚色區(qū)域檢測結(jié)果；

圖10為本發(fā)明實施實例中類膚色區(qū)域分割結(jié)果。

具體實施方式

下面將結(jié)合附圖和實施例對本發(fā)明作進(jìn)一步的詳細(xì)說明。

本發(fā)明提供一種基于分層結(jié)構(gòu)和可變形部分模型的手部區(qū)域檢測方法，具體包括以下步驟，如圖1所示：

步驟1：建立手勢圖片庫；

由于本發(fā)明基于機(jī)器人背景，手勢檢測為操作者使用手勢控制機(jī)器人運(yùn)動打下堅實基礎(chǔ)。因此，本發(fā)明手勢圖片庫包含：y名測試者，預(yù)定義x種手勢種類，每種手勢分別在三種距離(照相機(jī)分別距被拍攝人d₁m,d₂m和d₃m)下拍攝，每個人每只手同種距離拍攝三次，分別使人在圖像中央、左邊和右邊，在實驗室和走廊兩種環(huán)境下拍攝，如圖3所示，采集的照片數(shù)共：2×3×3×2xy＝36xy。圖3為本發(fā)明手勢圖片庫中提供的部分手勢圖像；圖4本發(fā)明手勢圖片庫中提供的同一種手勢兩只手在不同距離、不同位置的照片；圖5為本發(fā)明實施實例使用的一張手勢庫中的照片；

步驟2：從輸入的手勢圖像中檢測并分割出人體上半身區(qū)域；

首先，對提取的圖像進(jìn)行雙邊濾波，然后提取臉部、脖子、肩膀、胳膊肘和手部的Haar小波特征，使用Viola-Jones檢測器，級聯(lián)分類器訓(xùn)練得到人體上半身模型，然后使用訓(xùn)練好的人體上半身模型檢測人體上半身區(qū)域。該模型的優(yōu)點是使用了人體形態(tài)學(xué)的先驗知識：局部上下文信息，檢測人體上半身的魯棒性較強(qiáng)。

步驟3：建立膚色模型，提取人體上半身圖像中的類膚色區(qū)域。

本發(fā)明采用膚色模型的目的，是將膚色檢測作為手部檢測的預(yù)處理，減少手部檢測過程中的計算代價。

本發(fā)明所用膚色模型綜合采用RGB-YCbCr色彩空間顯式閾值與高斯模型相結(jié)合的方法。其中，顯式閾值采用RGB-YCbCr顏色空間的顯式閾值，運(yùn)算速度快。而高斯模型是基于統(tǒng)計的模型，將其結(jié)合，可更好檢測膚色。

具體包括以下步驟：

綜合使用RGB-YCbCr顯式閾值和高斯模型，建立膚色模型。

RGB色彩空間雖然常用，但RGB色彩空間受光線強(qiáng)度影響較大，而膚色在YCbCr色彩空間聚類性較好，膚色與非膚色分布范圍交叉區(qū)域較小。因此，本發(fā)明在RGB和YCbCr色彩空間綜合使用顯式閾值檢測膚色，為了更好檢測膚色，同時結(jié)合高斯膚色模型，建立本發(fā)明所述膚色模型。

(1)使用RGB顏色空間顯式閾值，檢測膚色區(qū)域。

提取所建手勢庫的手部膚色區(qū)域，并讀取這些膚色像素值，并分析這些像素點RGB三通道間的以下關(guān)系：

其中，p_R,p_G,p_B分別為某一像素點R,G,B三通道的像素值；分別為提取手部膚色樣本R,G,B三通道的最小值；分別為提取手部膚色樣本R,G,B三通道的最大值。

其中，p_R,p_G,p_B分別為某一像素點R,G,B三通道的像素值；分別為手部膚色樣本R-G,R-B,G-B通道差值的最小值；分別為手部膚色樣本R-G,R-B,G-B通道差值的最大值。

由于文獻(xiàn)中，在RGB顏色空間使用的顯式膚色閾值如下所示：

文獻(xiàn)[4,5]采用公式(5)所示的閾值，

文獻(xiàn)[6]采用公式(6)的所示閾值，

因此，本發(fā)明膚色模型在RGB顏色空間采用公式(7)所示閾值，

在RGB顏色空間的膚色像素點S_rgb(r,g,b)滿足以下公式(8)要求：

其中，r(r,g,b)為某像素在RGB色彩空間的值。

(2)使用YCbCr顯式閾值檢測膚色。

對于YCbCr，其中Y是亮度分量；Cb是指藍(lán)色分量；Cr指紅色色度分量。根據(jù)文獻(xiàn)[7]，YCbCr色彩空間可由RGB色彩空間經(jīng)公式(9)矩陣變換得到，

根據(jù)文獻(xiàn)[8]，膚色區(qū)域在YCbCr顏色空間滿足的閾值為：

(80≤Cb≤120)∩(133≤Cr≤173)(10)

由經(jīng)公式(9)可得到其中，分別為提取手部膚色樣本Y,Cb,Cr分量的最小值；分別為提取手部膚色樣本Y,Cb,Cr分量的最大值。

在YCbCr色彩空間，滿足膚色條件的區(qū)域S_ycbcr(cb,cr)滿足公式(12)的條件，

其中，分別為膚色像素在YCbCr顏色空間，Cb通道的最低閾值，最高閾值，Cr通道的最低閾值，最高閾值。c(cb,cr)為某像素在YCbCr色彩空間中Cb,Cr分量的值。

(3)建立高斯膚色模型進(jìn)行膚色檢測

由于膚色像素在YCbCr色彩空間的統(tǒng)計分布，可近似看作高斯分布。因此，在YCbCr色彩空間建立高斯膚色模型，并使用建立的高斯膚色模型進(jìn)行膚色檢測。

具體包括以下兩個步驟：

步驟a：首先，手工剪裁出本發(fā)明構(gòu)造手勢圖片庫中的手部膚色樣本，利用公式(9)，將膚色像素從RGB轉(zhuǎn)換到Y(jié)CbCr色彩空間后，并對其進(jìn)行統(tǒng)計分析，通過橢圓高斯聯(lián)合概率密度函數(shù)(pdf)，貝葉斯最大似然估計得到高斯模型的均值μ(μ_cbμ_cr)和協(xié)方差∑(∑_cb∑_cr)。

橢圓高斯聯(lián)合概率密度函數(shù)如下所示：

其中，c為膚色向量，μ為均值向量，∑為協(xié)方差矩陣。

其中，

手工剪裁出本發(fā)明構(gòu)造手勢圖片庫中的手部膚色樣本由RGB轉(zhuǎn)換到Y(jié)CbCr色彩空間后(c_j)，通過貝葉斯最大似然估計可得到參數(shù)μ(μ_cb μ_cr)和∑(∑_cb ∑_cr)。

步驟b：計算所給像素點與膚色相似的程度，即膚色似然度，進(jìn)而可得到待檢測圖像的最大膚色似然度，兩者的比值即為膚色概率值，由此得到膚色似然圖，再對膚色似然圖進(jìn)行閾值化，以便將膚色區(qū)域分割出來。

膚色的灰度分布可近似用一維高斯曲線擬合，CbCr空間的波峰區(qū)域是膚色部分，其他分布較少的是非膚色部分。利用這種對應(yīng)關(guān)系，用像素點的膚色相似度作為對應(yīng)像素點灰度值的權(quán)值，建立膚色模型。

根據(jù)建立的高斯膚色模型，計算待測矢量c(Cb,Cr)與膚色的似然度D(Cb,Cr)，計算公式如下：

D(Cb,Cr)＝exp[-0.5(c-μ)^T∑^-1(c-μ)] (16)

相似度D計算出來后，可得到待檢測圖像的最大膚色似然度，兩者的比值為膚色概率值，由此，可得到膚色似然圖，再對其閾值化后得到膚色圖像的二值圖。

本發(fā)明膚色模型中的膚色區(qū)域S_skin為滿足膚色高斯模型S_g(Cb,Cr)、YCbCr顯式閾值S_ycbcr(cb,cr)和RGB顯式閾值S_rgb(r,g,b)的交集，即

S_skin＝S_g(Cb,Cr)∩S_ycbcr(cb,cr)∩S_rgb(r,g,b) (17)

如果某區(qū)域同時滿足RGB顯示閾值、YCbCr顯式閾值和膚色高斯模型，則認(rèn)為該區(qū)域是膚色區(qū)域。

滿足膚色模型的區(qū)域進(jìn)入步驟4，對其進(jìn)行形態(tài)學(xué)處理。不滿足要求的圖像，不進(jìn)行處理。

步驟4：通過刪除二值圖中的小面積區(qū)域、空洞填充等形態(tài)學(xué)操作和最小連通區(qū)域的長寬比和面積閾值從原始RGB圖像分割出類膚色區(qū)域。

對滿足膚色條件的區(qū)域進(jìn)行形態(tài)學(xué)處理和區(qū)域調(diào)整，包括：刪除二值圖中的小面積區(qū)域、填充空洞、標(biāo)記最小連通區(qū)域、根據(jù)最小連通區(qū)域的長寬比和面積閾值，在原始圖像上分割出類膚色區(qū)域。

步驟5：將原始圖像上分割出類膚色區(qū)域(即步驟4得到的結(jié)果)進(jìn)行尺寸歸一化，將其作為可變形部分模型的輸入，使用可變形部分模型訓(xùn)練手部模型，進(jìn)而使用訓(xùn)練好的手部模型檢測手部區(qū)域。其中，可變形部分模型采用Pedro F.Felzenszwalb等[9]使用的HOG 特征，潛在支持向量機(jī)分類器訓(xùn)練的多尺度可變形模板進(jìn)行手部檢測。

步驟5包括模型訓(xùn)練和手部檢測兩部分，具體如下所示：

(1)模型訓(xùn)練

步驟4分割出來膚色區(qū)域進(jìn)行歸一化后，作為訓(xùn)練樣本。其中，訓(xùn)練樣本包含正樣本和負(fù)樣本，具體來說，正樣本為包含手部區(qū)域的照片，負(fù)樣本為不包含手部區(qū)域的照片。將標(biāo)注后的正負(fù)樣本信息作為可變形部分模型的輸入，使用可變形部分模型[9]訓(xùn)練手部檢測模型，生成用戶需要的手部檢測模型。

(2)使用可變形部分模型檢測手部區(qū)域

步驟3分割出來膚色區(qū)域進(jìn)行歸一化后，使用步驟(1)訓(xùn)練好的可變形部分模型檢測手部區(qū)域。

一種基于分層結(jié)構(gòu)和可變形部分模型的手部區(qū)域檢測裝置，如圖2所示，包括手勢庫模塊、人體檢測模塊、膚色檢測模塊、區(qū)域調(diào)整模塊和手部檢測模塊；

手勢庫模塊用于提供手勢圖片；

人體檢測模塊對輸入的復(fù)雜背景下人體全身手勢圖像進(jìn)行雙邊濾波后，然后提取臉部、脖子、肩膀、胳膊肘和手部的Haar小波特征，使用Viola-Jones檢測器，級聯(lián)分類器訓(xùn)練得到人體上半身模型，然后使用訓(xùn)練好的人體上半身模型檢測人體上半身區(qū)域；

膚色檢測模塊對人體檢測模塊檢測出的人體上半身區(qū)域后，提取滿足膚色模型的類膚色區(qū)域；

區(qū)域調(diào)整模塊將膚色檢測模塊檢測到的類膚色區(qū)域，經(jīng)過刪除二值圖中最小面積區(qū)域、填充空洞形態(tài)學(xué)操作、最小連通區(qū)域的長寬比和面積閾值，調(diào)整膚色檢測的結(jié)果，將類膚色區(qū)域從原始RGB圖像中分割出來；

手部檢測模塊將區(qū)域調(diào)整模塊分割出的類膚色區(qū)域進(jìn)行尺寸歸一化，將其作為可變形部分模型的輸入，使用可變形部分模型訓(xùn)練手部模型，進(jìn)而使用訓(xùn)練好的手部模型檢測手部區(qū)域；其中，可變形部分模型采用HOG特征。

本發(fā)明針對人體全身手勢圖像，采用分層結(jié)構(gòu)檢測手部，去除復(fù)雜背景，在第一層，檢測包含人臉的人體上半身區(qū)域。經(jīng)過第一層的人體上半身區(qū)域檢測，去除復(fù)雜背景的影響，第二層手部檢測所面臨的圖片檢測區(qū)域?qū)@著減少。

在第二層，基于已檢測出的人體上半身圖像，通過膚色模型檢測類膚色區(qū)域；

在第三層，通過形態(tài)學(xué)操作，最小連通區(qū)域的長寬比限制和面積閾值，調(diào)整檢測出的類膚色區(qū)域；

在第四層，將檢測出的類膚色區(qū)域進(jìn)行歸一化后，使用可變形部分模型檢測手部區(qū)域。

實施例：

本發(fā)明提供一種基于分層結(jié)構(gòu)和可變形部分模型的手部區(qū)域檢測方法，如圖1所示，所述基于分層結(jié)構(gòu)和可變形部分模型的手部區(qū)域檢測方法，基于Linux Ubuntu 12.04上安裝的Robot Operating System(ROS)的hydro版本。將本發(fā)明的基于分層結(jié)構(gòu)和可變形部分模型的手部區(qū)域檢測方法抽象為ROS的一個結(jié)點(node)，該結(jié)點通過ROS中話題(topic)和消息(message)與其他結(jié)點(如，控制機(jī)器人腿部運(yùn)動的結(jié)點)通信。

本發(fā)明實施實例以圖5作為輸入圖像，檢測手部區(qū)域。圖5為手勢庫中的一張照片。由圖5可知，該圖像為復(fù)雜背景(并且人體背后有類膚色背景)人體全身照。

本發(fā)明提供一種基于ROS的模塊化手部區(qū)域檢測方法，如圖1所示，具體包括以下步驟：

步驟1：從輸入的手勢圖像中檢測并分割出人體上半身區(qū)域；

首先，對提取的圖像進(jìn)行雙邊濾波，然后采用提取臉部、脖子、肩膀、胳膊和手部的Haar小波特征，基于Viola-Jones檢測器框架，使用級聯(lián)分類器瀑布式算法訓(xùn)練得到人體上半身模型，然后使用訓(xùn)練好的人體上半身模型檢測人體上半身區(qū)域。該模型的優(yōu)點是使用了臉、脖子、肩膀、胳膊和手部相連的局部上下文信息，檢測人體上半身的魯棒性較強(qiáng)。

采用步驟1的方法以本發(fā)明自建手勢圖片庫中的照片為實施實例，實施實例使用圖片如圖4所示，但同時存在一定誤檢測，即，除了檢測出人體上半身區(qū)域，如圖6(c)，還把環(huán)境中一些物體，如圖6中的(a)和(b)，檢測出來。但相比原圖像(即圖5)，大大縮小了手部候選區(qū)域，減少了計算量。

步驟2：使用RGB-YCbCr色彩空間顯式閾值與高斯模型相結(jié)合的膚色模型，提取人體上半身圖像中的類膚色區(qū)域；

步驟3：通過刪除二值圖中的小面積區(qū)域、空洞填充等形態(tài)學(xué)操作和最小連通區(qū)域的長寬比和面積閾值從原始RGB圖像分割出類膚色區(qū)域。

對滿足膚色條件的區(qū)域進(jìn)行形態(tài)學(xué)處理和區(qū)域調(diào)整，包括：刪除二值圖中小面積區(qū)域、填充空洞、標(biāo)記最小連通區(qū)域、根據(jù)最小連通區(qū)域的長寬比和面積閾值，在原始圖像上分割出類膚色區(qū)域。填充空洞后的結(jié)果、標(biāo)記最小連通區(qū)域、根據(jù)最小連通區(qū)域的面積和長寬比檢測出類膚色區(qū)域，從原始圖片中分割出類膚色區(qū)域，分別如圖7、圖8、圖9和圖10所示。

步驟4：將從原始圖像分割出類膚色區(qū)域(即步驟3得到的結(jié)果)進(jìn)行尺寸歸一化，如，200*200，使用4.1所述方法訓(xùn)練手部的可變形部分模型，然后，使用訓(xùn)練好的手部可變形部分模型檢測手部，即，對步驟3得到的結(jié)果進(jìn)行尺寸歸一化后，使用訓(xùn)練好的手部模型，檢測手部區(qū)域。

參考文獻(xiàn)：

1.Hasan,H.and S.Abdul-Kareem,Human–computer interaction using vision-based hand gesture recognition systems:a survey.Neural Computing and Applications,2014.25(2):p.251-261.

2.Pisharady,P.K.and M.Saerbeck,Recent methods and databases in vision-based hand gesture recognition:A review.Computer Vision and Image Understanding,2015.141:p.152-165.

3.Rautaray,S.S.and A.Agrawal,Vision based hand gesture recognition for human computer interaction:a survey.Artificial Intelligence Review,2015.43(1):p.1-54.

4.Peer,P.and F.Solina,An automatic human face detection method.1999.

5.Solina,F.,et al.15seconds of fame-an interactive,computer-vision based art installation.in Control,Automation,Robotics and Vision,2002.ICARCV 2002.7th International Conference on.2002.IEEE.

6.Chen,W.-C.and M.-S.Wang,Region-based and content adaptive skin detection in color images.Internationaljournal of pattern recognition and artificial intelligence,2007.21(05):p.831-853.

7.Ban,Y.,et al.,Face detection based on skin color likelihood.Pattern Recognition,2014.47(4):p.1573-1585.

8.Basilio,J.A.M.,et al.,Explicit image detection using YCbCr space color model as skin detection.Applications of Mathematics and Computer Engineering,2011:p.123-128.

9.Felzenszwalb,P.F.,et al.,Object detection with discriminatively trained part-based models.IEEE transactions on pattern analysis and machine intelligence,2010.32(9):p.1627-1645.