肤色检测新方法：分裂式K均值聚类应对复杂光照

本文主要探讨了一种针对复杂背景和光线变化导致肤色检测率低的问题，提出的创新性解决方案——基于分裂式K均值聚类的肤色检测方法。该方法首先关注图像预处理，通过灰度世界颜色平衡技术来补偿光照条件，以提高肤色区域在不同光照环境下的识别准确性。 在肤色检测的算法流程中，分裂式K均值聚类是关键步骤。通常，K均值聚类是一种常用的无监督机器学习方法，用于数据分组，但在这里被修改为一种迭代和分裂的过程。它将像素点分为多个簇，每个簇代表一个可能的颜色或肤色。然而，传统的K均值可能在处理复杂图像时遇到收敛问题，尤其是当光照变化较大时。因此，作者提出了一种改进版本，通过分割簇的方式，使得算法能够更好地适应和区分肤色与非肤色区域，从而提高检测精度。 文章的作者团队由赵杰、桑庆兵和刘毅锟组成，他们分别来自江南大学物联网工程学院和西安测绘总站，专业领域涵盖了图像处理、神经网络和摄影遥感等。赵杰作为硕士研究生，专注于图像处理；桑庆兵是副教授，研究方向包括神经网络和图像处理；刘毅锟则是一位助理工程师，专注于图像处理和三维可视化。 文章摘要部分提到了实验设计，包括采用国家自然科学基金资助的研究项目，这表明该方法是在理论研究和实际应用相结合的基础上开发的，具有较高的学术价值和实用意义。文章的最终目标是提高肤色检测的效率和鲁棒性，这对于人脸识别、视频监控等领域有着显著的实际应用价值。 这篇论文深入研究了如何利用分裂式K均值聚类策略优化肤色检测，旨在解决光照条件变化和复杂背景带来的挑战，对于提高图像分析中的肤色识别性能具有重要的科研和工程贡献。