自適應動態膚色檢測技術研究進展

張 坤， 王燁東， 李文元， 李昌祿， 雷志春*

(1.天津大學 微電子學院，天津 300072；2.海信視像科技股份有限公司，山東 青島 266071)

1 引 言

膚色檢測實質上是在數字圖像中劃分皮膚和非皮膚區域的過程。隨著信息社會的發展，圖像和視頻已經成為人們廣泛使用的信息載體，對于膚色檢測和處理的需求也日益增多。在各種計算機視覺任務中，膚色檢測已經被應用于人臉檢測[1]、人體追蹤[2]、表情識別[3]、手勢識別[4]、疲勞駕駛[5]、智能監控[6]、中醫皮膚病診斷[7]以及敏感圖像過濾[8-9]等方面。近年來，“美圖秀秀”、“天天P圖”等人像自動美化軟件受到了廣大女性用戶的喜愛，膚色檢測在網絡社交媒體中展現出很高的應用價值。2019年度中國網絡視聽發展研究報告中[10]指出，截止2018年底，我國網絡視頻用戶總規模已達7.25億，短視頻、網絡直播等領域正表現出迅猛發展之勢，人們更加喜歡使用皮膚美化功能來使自己的皮膚表現得白皙、有吸引力。同時，“智能電視”也迎來了發展革新的浪潮，膚色呈現作為衡量畫質的重要指標自然受到廣泛的關注。因此，膚色檢測作為膚色美化[11]、膚色增強[12]的關鍵步驟，也變得越來越重要。

近20年來，從最初的閾值分割法到現在的深度學習語義分割技術，有大量膚色檢測相關的方法和理論被提出。文獻[13]中根據是否涉及物理成像過程將膚色檢測方法分為基于物理的方法和基于統計的方法，但由于需要使用光譜攝制儀等成像設備，基于物理的方法應用范圍較小。根據是否需要獲取像素的空間分布信息，可以將膚色檢測方法分為基于區域的檢測方法和基于像素的檢測方法兩大類型，綜述文獻[14]中重點對基于像素的各種膚色檢測方法及其所涉及的相關技術進行了總結。

上述文獻中所介紹的內容主要是靜態的膚色檢測方法，而這些方法在非限制性場景中的實用性較低。值得注意的是，統計法和機器學習法依賴于一定規模的訓練數據并受到數據集質量的影響。雖然深度學習技術可以通過在特征提取網絡中增加隱藏層來提高精確度，但與此同時，也將會增加訓練時間和計算成本。自適應技術可以在提高準確率的同時，減少或避免對數據集的依賴，維持較低的計算成本，具有極強的實用價值。本文對自適應膚色檢測方法近20年來的研究成果進行了歸納總結，主要從基于參數動態調整和基于高層語義特征的自適應膚色檢測方法入手，介紹了各類代表性方法，并進行了分析和討論。

2 自適應膚色檢測技術研究背景

為了便于理解膚色檢測技術的研究背景，本部分簡要介紹了傳統的靜態膚色檢測技術以及近些年應用較廣的深度學習方法，并分析了這些技術在實際場景中所面臨的難題，介紹了幾種常用的性能評價指標。

2.1 靜態膚色檢測技術

靜態膚色檢測方法主要通過使用某種固定規則來實現膚色檢測，主要涉及色彩空間的選擇、膚色模型的建立兩大步驟。本文總結了常見的靜態膚色檢測方法，詳細分類如圖1所示。

圖1 靜態膚色檢測技術

色彩空間是一種表示顏色的抽象數學模型，常用的色彩空間有RGB、YCbCr、HSV等，膚色在不同色彩空間中的分布特征存在差異，如圖2所示。根據色彩模型構建的方式不同，靜態膚色檢測方法可以細分為閾值法、統計法、機器學習法、區域生長法等。

閾值法是一種實現簡單、計算量小、速度快的分割方法[15]，閾值法的性能表現與所設定的閾值密切相關，適用于目標和背景存在明顯灰度級差異的場景，而在復雜環境中無法準確地描述膚色的分布。統計法根據膚色樣本在色彩空間中的分布構建膚色概率圖(Skin Probability Map,SPM)，即在離散化的色彩空間中為每個點分配概率值，然后利用建立起來的SPM判斷待檢測顏色是否屬于膚色。非參數化模型通常使用直方圖估計樣本的SPM，主要方法包括自組織映射(Self-Organizing-Map,SOM)、查找表(Look-Up-Table,LUT)、貝葉斯分類器等方法。但是建立可靠的非參數化模型需要較大規模的膚色樣本點和較高的存儲空間。參數化方法則根據膚色聚類特性，直接使用高斯模型或橢圓模型等已有模型進行擬合即可。由于參數化模型可以在較少訓練樣本中得到可靠的SPM，因此常被用于自適應方法[16-17]。機器學習方法與統計法類似，即通過學習訓練樣本中的規律來實現膚色檢測，但與之不同的是機器學習技術不需要建立明確的膚色模型，而是將膚色檢測視為一個二分類的過程。其中常用的方法有支持向量機(Support Vector Machine,SVM)和人工神經網絡(Artificial Neural Network,ANN)等。

圖2 膚色分別在(a) HSV, (b) YCbCr, (c) RGB色彩空間中的分布特征[15]。

上述膚色檢測方法主要是通過每個像素點的色彩信息判斷其是否屬于膚色點，沒有考慮像素與像素之間關系，而基于區域的方法則主要通過像素之間的空間關系來進行判斷。區域生長法從種子點開始，不斷向周圍進行擴散，將具有與種子相似屬性的鄰近像素附加到每個種子上，并繼續向周圍擴散，直到遇到邊緣或者臨近像素均不與種子點相似為止。區域生長法可以使用圖像的紋理特征，對去除背景有一定幫助，但是區域生長法十分依賴種子點的選取，并且在實際圖像尺寸中需要較大的計算量[15]。

2.2 基于深度學習的膚色檢測技術

值得注意的是，近些年來機器學習得到了空前的發展，神經網絡的層數越來越多，學習到的特征也越來越豐富，深度學習逐漸發展成為解決圖像問題的一個重要的分支，在膚色檢測領域也得到了越來越多的關注。

Lumini等學者[18]發現使用SegNet[19]、Unet[20]、DeepLab[21]等深度學習語義分割網絡檢測膚色能夠獲得明顯優于傳統方法的結果。一方面，借助深層的特征提取網絡，深度學習網絡可以有效地提取膚色區域的顏色、紋理等特征，有助于減輕復雜背景的干擾，提升檢測精確度，因此深度學習方法通常能夠得到比傳統方法更加出色的檢測效果。但另一方面，深度學習方法需要使用大量標注的皮膚數據進行訓練，而像素級的準確標注仍是一項艱巨的任務。盡管Dourado等學者[22]以及He等學者[23]已經嘗試通過遷移學習和多任務弱監督技術來減弱網絡對大量標注膚色數據集的依賴，但是一個性能優異的膚色檢測網絡通常需要結構復雜的特征提取網絡以及較長的訓練時間。在深度學習中，檢測精度和速度之間的矛盾也在一定程度上制約了深度學習膚色檢測在實際中的應用。例如DeepLab通用分割網絡的深度較大，能得到出色的精度，在本文第3章的實驗對比中有所體現。但對于一張306×306的輸入圖像，即使在TITAN X GPU中也僅能獲得8 FPS (Frames Per Second)的速度，與實時性要求差距較大。因此在一些實時性要求高、運行設備性能低的情況下，深度學習方法可能不是最佳的選擇。

2.3 膚色檢測方法所面臨的挑戰

靜態和深度學習膚色檢測技術主要受到以下因素的影響：

一方面，在非限制性場景中，光照分布和強度的改變都會導致膚色出現變化，是影響膚色檢測性能的最重要因素之一；其次，種族、性別等個體差異，化妝等皮膚涂覆手段、相機傳感器的性能和參數、圖像的尺寸、清晰度、噪聲以及調色處理過程等都會對膚色造成影響；此外，去除背景中與膚色相近的顏色干擾也是一個比較困難的問題。雖然深度學習方法可以在一定程度上改善上述問題，但是網絡結構復雜度高、訓練成本大、不易平衡精度與速度的特點限制了其實際應用范圍。另一方面，數據集是獲取先驗規則或訓練模型的基礎，但是標注數據工作量大，目前公開的膚色數據集較少、質量不高，不同種族覆蓋程度不均衡等因素也限制著膚色檢測技術的發展。

2.4 膚色檢測方法使用的評價指標

膚色檢測的評價指標主要分為定性和定量兩種。其中定性方法將膚色檢測結果可視化為二值圖像，通過主觀判斷來確定膚色檢測的好壞。膚色檢測任務實質上是對每個像素進行的二分類任務，因此研究中常用的定量分析指標有：

(1)

(2)

(3)

(4)

(5)

(6)

式中，TP(True positive)、TN(True negative)分別代表正確分類為膚色和背景的樣本數，FP(False positive)、FN(False negative)分別代表錯誤分類為膚色和背景的樣本數，在膚色檢測中總樣本數是圖像中的總像素數。式(1)～(6)中，FNR、FPR、Precision、Recall、Accuracy以及F-measure分別代表漏檢率、誤檢率、精確率、檢出率、準確率和F值，其中F值常被用作膚色檢測器的綜合性能指標。除此之外，還有ROC曲線[24]、混淆矩陣行列式[25]等定量分析指標。

3 自適應膚色檢測方法

在非限制性場景中，膚色容易受到光照變化的影響，從而出現不同程度的亮度和色彩偏移。人眼具有顏色恒常性的特點[26]，即人可以在圖像整體存在色調偏移時正確識別出圖像中物體原有的顏色，而拋開了所受光照的影響。然而，目前人們并未研究透徹顏色恒常性的機制，無法得到完美覆蓋不同環境的靜態方法，同時在很多場景中對實時性有較高的要求，因此研究學者提出了各種自適應膚色檢測技術來加以解決。在本文中，自適應膚色檢測方法主要分為兩種：基于參數動態調整和基于高層語義特征的自適應膚色檢測方法。

3.1 基于參數動態調整的自適應方法

3.1.1 自適應閾值法

雖然使用特定的閾值方法具有實現簡單、易于調整、計算成本低的特點，但是固定閾值無法適應光照變化的環境，針對這種情況，學者們提出使用自適應閾值法來提高檢測準確性，光照變化通常會給皮膚帶來亮度和顏色上的變化。許多膚色檢測算法選擇舍棄亮度分量，而Jayaram等學者[27]在850張圖像中對比了使用亮度分量和不使用亮度分量的方法，發現亮度分量可以提供不同層次的皮膚顏色信息，因此設定一組隨亮度信息變化的規則可以達到自適應膚色檢測的目的。Gracia等學者[28]在YCbCr和HSV色彩空間中分別設定了一組受亮度控制的膚色檢測規則，有效提高了不均勻光照環境中的檢測準確率。由于該方法在兩個色彩空間中使用的是同一種實現方案，因此本文只介紹YCbCr色彩空間中的自適應閾值規則，即如果像素滿足以下條件，則將其判定為膚色像素：

(7)

(8)

.

(9)

Cho等學者[29]在HSV色彩空間中初始化了一組閾值H(0.4, 0.7)，S(0.15, 0.75)，V(0.35, 0.95)，然后根據S-V平面的直方圖信息進行閾值更新。該方法對顏色復雜的場景表現不佳，只適用于背景簡單的限制性場景，使用類似方法更新閾值的還有文獻[30-31]。

郭聳等學者[32]提出了一種基于膚色相似度的自適應閾值方法，通過計算類間方差、類內離散相似度的方式確定分割膚色的最佳閾值，減輕了Adaboost人臉檢測算法的計算負擔，但是對人臉檢測率提升較小。

張明吉等學者[33]利用4種線索輔助建立最優閾值。該方法認為最優閾值通常位于膚色概率分布圖的某個谷底，且一般靠近膚色峰左側?；诖艘巹t，作者使用機器學習技術尋找最滿足條件的谷底位置作為最優閾值。結果顯示，該方法可以獲得88.6%的檢出率，12.1%的誤檢率，其中檢出率與Cho等學者[29]的結果相比較提高了11.76%。Phung等學者[34]提出了一種利用人體皮膚紋理特征來選擇合適膚色閾值的膚色檢測方法，結合非顏色特征能夠有效提高膚色模型的性能，該方法得到了4.5%的誤檢率和4.0%的漏檢率。

自適應閾值法雖然能夠在一定程度上提升膚色檢測效果，但是在復雜背景中不容易得到可靠的閾值范圍，同時在某些情況下閾值法難以精確描述膚色的分布情況。

3.1.2 自適應橢圓模型

膚色在YCbCr等色彩空間的色度平面中通常呈現橢圓分布，但是在光照變化、不同人種等情況下，固定的橢圓模型不一定能準確描述實際膚色。

李曉光等學者[35]提出了一種在DCT壓縮域中使用的動態橢圓模型。作者利用圖像亮度對色度聚類造成的非線性影響，根據亮度變化采用不同參數的橢圓模型表示膚色，形成了一種三維的橢圓模型，可以適應于不同的光照強度。

Hsu等學者[17]提出了一種使用光照補償的自適應橢圓模型，如圖3所示。首先判斷圖像中參考白(前50%亮度)的像素個數，如果大于某個閾值，則對RGB圖像各分量進行線性調整。同時作者為了消除膚色和亮度分量之間的非線性關聯，提出了YCb'Cr'色彩空間，并在Cb'Cr'平面建立橢圓模型用于膚色檢測。該方法對一般光照強度變化適應較好，但是在復雜的光照環境中，光照補償可能使圖像更糟，同時也未能很好地解決偏色問題。

(a) YCbCr色彩空間(a) Color space of YCbCr

(b) CbCr子空間投影(b) Projection of CbCr subspace

夏思宇等學者[36]在Hsu基礎上提出了一種自適應橢圓模型，使用白平衡法代替Hsu中的亮度補償，利用退水法從二維直方圖中獲取新的橢圓模型中心，然后使用調整后的橢圓模型進行膚色檢測。該方法中的結果一定程度上依賴于白平衡算法的實際效果以及退水法選擇膚色峰的精確度。曾飛等學者[37]在Hsu自適應模型基礎上，設計了可以隨光照環境變化改變長短軸的橢圓模型，以解決人臉檢測中的色彩偏移問題。在200張不同環境的測試圖像中，改進的模型相比Hsu的橢圓模型提高了3.5%的人臉檢測精確率，同時漏檢率和誤檢率也得到了一定程度的降低。

橢圓模型可以刻畫膚色在色度平面的分布特征，但是難以描述膚色在橢圓區域中的概率分布，此外，在橢圓模型建立不準確時，會產生較差的效果。

3.1.3 自適應高斯模型

高斯模型是一種有效描述膚色分布的方法，描述了膚色的概率分布情況，主要使用的是單高斯模型(Single Gaussian Model，SGM)和混合高斯模型(Gaussian Mixture Model，GMM)。Sun等學者[16]提出了一種基于直方圖技術和動態GMM的視頻皮膚區域跟蹤方法。通過預訓練的膚色模型對檢測器進行初始化，然后利用GMM估計皮膚像素的分布，對每一幅圖像的膚色模型進行微調。

熊霞[38]使用相關矩陣法對環境光照進行了估計，主要分為室內白熾燈、室外晴天、室內日光燈、室外陰天，如果檢測圖像屬于某一預設的光照環境，則使用對應單高斯模型進行檢測；反之，則使用4個SGM組成的GMM進行膚色檢測。

張情等學者[39]在移動端掌紋分割應用中，通過“工”字形輔助定位手掌中心的小塊區域，得到該子區域Cb、Cr的均值mf，根據圖像中所有像素點到mf的歐氏距離進行排序，選擇距離小的點作為膚色參考點生成單高斯模型進行后續膚色檢測。江國來等學者[40]使用固定閾值獲得膚色的高概率區域。然后由此得到高斯模型的均值和方差參數，再使用高斯模型進行膚色檢測，對檢測結果中位于固定閾值之外的膚色區域，使用貝葉斯分類器做進一步判斷。其中高概生成的高概率區域和最終結果如圖4所示。

圖4 文獻[40]方法中的(a) 原圖, (b) 膚色高概率區域, (c) 最終結果。

高斯模型作為一種普遍使用的參數化模型，能夠較好地刻畫膚色的分布規律，常用于進行膚色概率圖的構建，在許多其他自適應模型中也有所體現，單獨使用高斯模型的自適應文獻相對較少。

3.1.4 其他自適應模型

Khan等學者[41]提出了一種自動切換色彩空間的方法。該方法使用馬科維茲最優化理論對不同色彩空間在膚色檢測中的實際表現進行評估，并由此設定每個色彩分量的權重參數。這種方法可以利用色彩空間的不同特性進行最優組合，但是會大大提高檢測方法的計算復雜度，類似的方法還有文獻[42-43]等。自動選擇色彩空間的方法試圖尋找最優空間，但受色彩空間本身的限制，這種方法不一定能夠獲得明顯的優化效果，但卻會帶來較大的計算負擔。

Brancati等學者[44]發現在YCbCr的子空間YCb和YCr中，膚色分布表現為梯形，如圖5所示。通過方程擬合兩個子空間的梯形邊界，可以確定膚色的色彩范圍。實驗結果顯示該方法在背景簡單的情況下，對高低亮度均可以獲得較好的結果，但是容易受大面積明、暗背景的影響而出現錯誤。

圖5 Brancati[44]提出的梯形膚色分布。(a)室內;(b)室外;(c)弱光環境。

3.2 基于高層語義特征的自適應方法

在實際的膚色檢測任務中，由于變化的光照環境、復雜的背景等因素影響，僅依靠色彩信息或簡單紋理構建模型將不可避免地出現性能下降的現象。針對上述問題，學者們利用人臉等高層特征確定膚色區域，并根據可靠的膚色信息建立或調整膚色模型。

由于膚色是特指人體皮膚所表現出的顏色，而人臉作為圖像中最常出現的膚色載體，同時人臉也是人眼重點關注的區域，通過建立膚色與人臉之間的聯系可以有效提高膚色檢測模型的適應性。此類方法通常假設圖像中至少有一個可靠的人臉，并且能夠被有效地檢測到[45]。Wimmer等學者[25]首次利用膚色與人臉在同一幅圖像中的相關性，提出了可動態調整的膚色模型，混淆矩陣的行列式平均值可達78.1。同時給出了3種對人臉區域膚色建模的常用方法：立方體聚簇、橢圓型聚簇以及基于規則的聚簇表示法。其中，立方體聚簇是通過計算每個分量在樣本中的平均值和標準差。由于膚色分布為類高斯分布，因此通常根據95%置信區間近似邊界設定色彩分量的上下限：

lr=μr-2σr，ur=μr+2σr，

(10)

lg=μg-2σg，ug=μg+2σg，

(11)

lbase=μbase-2σbase，ubase=μbase+2σbase，

(12)

式中，σI和μI分別代表對應分量的標準差和均值，l和u分別代表對應分量的上下界。橢圓型聚簇是根據待檢測顏色cp與人臉區域膚色均值μ之間的馬氏距離(Mahalanobis distance)mp來確定概率的，其中馬氏距離mp表示為：

mp=(cp-μ)TS-1(cp-μ)，

(13)

如果馬氏距離mp小于閾值t，則可以認為當前顏色屬于膚色，反之則屬于非膚色。

圖6 Tan等學者[47]使用的檢測人眼區域的方法

Yogarajah等學者[46]的研究也證實了以人臉顏色信息為依據，構建動態膚色模型的可行性。Tan等學者[47]使用機器感知工具箱(Machine Perception Toolbox)[48]中預訓練的 Haar-GentleBoost模型檢測人臉和人眼位置，并以兩眼中心點為原點獲取人眼橢圓區域，如圖6所示。然后經過Sobel邊緣檢測去除紋理區域，并使用直方圖與GMM的混合策略來生成膚色模型，需要對每一個檢測到的人臉進行一次操作，最終將結果進行融合。但是由于人臉和人眼通常尺寸較小，僅根據其Haar-like特征進行檢測容易受到畫面中其他相似區域的干擾，從而產生較高的誤檢率。本方法的性能幾乎完全取決于人臉和人眼檢測的精確度，結果中的漏檢和誤檢將容易導致無法建立準確的膚色模型，如圖7所示。

(a)原圖像(a)Original pictures

(b)錯誤檢測結果(b)Wrong results of skin detection圖7 Tan等學者[47]方法中誤檢人臉時產生的膚色分割結果

方晶晶等學者[49]首先使用Adaboost人臉檢測器自動獲取人臉的位置，并使用固定閾值排除明顯不是膚色的區域，然后利用GMM來擬合人臉中心區域的色彩信息，從而形成適應性的膚色模型。Luo等學者[50]提出了一種基于人臉定位和面部結構估計的自適應皮膚檢測器，其中排除了紋理區域，提取了人臉的中心平滑區域來生成皮膚模型。此方法構建的膚色檢測器在TDSD數據集(Test Database for Skin Detection)[51]中性能表現良好，能得到93.74%的準確率和87.42%的檢出率。但是本方法為了提高精度，引入了多個高斯模型來獲取人臉區域的膚色分布，在對當前圖像生成概率圖之后，還需要再使用動態閾值法確定最終區別膚色與非膚色的概率閾值，因此該方法在提高結果的同時引入了大量的計算量和時間開銷。此外，Mohanty等學者[52]和Shifa等學者[6]使用了RGB, HSV, YCbCr的聯合色彩空間來優化基于人臉的膚色模型。

上述研究都論述了如何從人臉區域獲取可靠膚色，但并未考慮如何避免與膚色顏色相近的復雜背景對膚色檢測造成的干擾。Bianco等學者[53]根據皮膚區域是人體區域的一個子集的事實，提出了使用人體檢測來優化膚色檢測結果的方法，從而降低復雜背景的干擾，提供相對于單獨使用人臉檢測方案更可靠的膚色模型，可以在TDSD中得到更好的綜合性能。該方法檢測人體區域的過程如圖8所示。

圖8 Bianco等學者[53]所使用的人體區域檢測示意圖

基于人的面部與手部具有相似膚色的假設，Hsieh等學者[45]還提出了一種應用于手勢識別的融合模型。該方法通過Viola-Jones[54]人臉檢測器定位人臉位置，舍棄總像素數小于閾值的人臉區域以達到減弱誤檢現象的目的，使用人臉的中心區域生成膚色模型。在歸一化和標準RGB的混合空間[r,g,R]中，依據人臉直方圖分布規律形成自適應性的膚色模型，表現出對種族、膚質、偏色、光照環境等良好的適應性，整體過程可以實現640×480下39.5 FPS的處理速度，平均精度達到95.73%。基于高層語義的自適應方法與深度學習方法相比，在處理速度上和實現復雜度上具有一定優勢。

在TDSD數據集中，本文定量地分析了上述幾種自適應動態膚色檢測方法，如表1所示。同時在表中也對比了一種常用的深度學習網絡DeepLab v3+，使用文獻[18]中的訓練方法進行測試分析。實驗結果表明，基于高層語義特征的自適應方法通常能獲得比基于動態參數調整的自適應模型更高的準確率和綜合性能。雖然Bianco等人[53]的方法可以獲得0.854 0的綜合性能，但是該方法在無法檢測到人體時會出現性能衰退。Luo等人[50]的方法與前面的方法相比，可以實現較高的精確度，但會增大計算量，對實時性表現會造成一定的影響。與深度學習方法相比，自適應方法表現出較為接近的綜合性能，在訓練時間和計算成本上自適應方法占有一定的優勢，同時減輕了對大規模膚色數據集的依賴。

表1 膚色檢測方法對比

4 結 論

自適應動態膚色檢測方法是對傳統方法的改進，避免了過高的訓練耗時，更加著重于實用性和易操作性，針對不同的應用場景可選擇使用不同的自適應方法?；诟呒壵Z義特征的方法利用了膚色與人臉等部位之間的相關性，能夠構建符合當前圖像的膚色模型，但是容易受到人臉檢測精確度、人臉非膚色區域的影響。在視頻等圖像序列中可以通過人臉跟蹤建立隨時間變化的動態模型。參數自適應調整參數的方法，雖然難以適應各種的復雜環境，但是在大多數應用場景中可以大幅提升傳統方法的效率，滿足實際使用需求。

在高性能、輕量化的深度學習技術全面產業化之前，實際非限制性場景中的膚色檢測主要還是以自適應方法為主。隨著硬件水平的不斷增長，自適應方法可以結合部分深度學習技術，例如已經較成熟的輕量級人臉檢測、跟蹤網絡來實現輔助檢測；此外，可以通過使用更有效的色彩空間、形態學后處理步驟、不同的膚色檢測算法組合來提高精度、降低復雜度。未來的膚色檢測任務將會更加注重實時性的需求，與顯卡等并行計算設備的結合也將是一個研究方向。

本文總結歸納了自適應動態膚色檢測方法的研究現狀，從基于色彩模型和基于人臉檢測的自適應方法方面進行了詳細介紹，分析了各種方法的優勢和不足，為膚色檢測研究人員提供參考。