最近在做头发检测的算法研究，在此做个总结。
发色检测目前主要的方法有：1，基于颜色空间统计的发色检测；2，基于概率模型、高斯模型的发色检测；3，基于神经网络机器学习的发色检测；
这三种方法中，最稳定的是第3种，但是该方法实现起来比较复杂，样本量大；最简单的是第1种，但是不精确；
说实在的，这三种方法，都没办法完美检测发色，也就是没办法避开同色的干扰，不过，今天本人还是要介绍一种，相对来讲，比较实用的方法：
本文的算法使用最简单的颜色空间模型和概率模型，参考文献为：《Hair color modeling and head detection》，在此文献基础上修改而成。
为了便于理解，本文直接介绍算法实现过程，相信大家对于没用的也不太想看呵呵，因此，对于理论，大家没兴趣的可以跳过。
理论基础：
1，基于YCbCr颜色空间，对N个头发区域像素进行 采样统计，结果如下图：
2，将统计结果投影在Cb-Cr平面，结果如下：
3，采用高斯混合概率模型对发色的色度概率分布进行描述：
4，根据Cb和Cr的取值范围对当前像素进行肤色判断：
if(Cb=115&&Cr>=115&&Cr<=143)
P(i,j)为发色
else
P(i,j)非发色
上面1-4的过程即论文《Hair color modeling and head detection》中所介绍的方法，测试效果如下：
经过我的测试，论文中的方法检测准确率很低，这里简单放上两张测试图，大家可以看到，误检率很高，把较多的背景和肤色都检测成了发色。
因此，本人对这个算法进行了改进，添加了一个约束条件：
由于发色主要是黑色为主，偏黄或者偏白，这几种情况都跟RGB三分量中的R分量关系最密切，因此，本人添加了R约束：R<Th
Th是经验值，这里我们实际使用中可以使用Th=60，这个值是我测试N张图的到的经验值，同时，也可以使用动态调节Th来获取发色区域，这里我
给出几张测试效果：
大家可以从效果上看出，改进的方法效果很不错，呵呵，最后改进后的判断条件如下：
if(Cb=115&&Cr>=115&&Cr<=143&&R<Th)
P(i,j)为发色
else
P(i,j)非发色
默认值Th = 60
这里，给出C#代码如下：
~~~
public Bitmap HairD(Bitmap src, int k )
{
Bitmap a = new Bitmap(src);
Rectangle rect = new Rectangle(0, 0, a.Width, a.Height);
System.Drawing.Imaging.BitmapData bmpData = a.LockBits(rect, System.Drawing.Imaging.ImageLockMode.ReadWrite, System.Drawing.Imaging.PixelFormat.Format24bppRgb);
int stride = bmpData.Stride;
unsafe
{
byte* pIn = (byte*)bmpData.Scan0.ToPointer();
byte* p;
int R, G, B;
double Cr, Cb, BrightV;
for (int y = 0; y < a.Height; y++)
{
for (int x = 0; x < a.Width; x++)
{
p = pIn;
R = p[2];
G = p[1];
B = p[0];
Cb = 128 - 37.797 * R / 255 - 74.203 * G / 255 + 112 * B / 255;
Cr = 128 + 112 * R / 255 - 93.768 * G / 255 - 18.214 * B / 255;
if (!(Cb >= 115 && Cb <= 141 && Cr >= 115 && Cr <= 143&&R<k))
{
pIn[0] = (byte)255;
pIn[1] = (byte)255;
pIn[2] = (byte)255;
}
pIn += 3;
}
pIn += stride - a.Width * 3;
}
}
a.UnlockBits(bmpData);
return a;
}
~~~
最后，放上一个DEMO，下载地址：[点击打开链接](http://download.csdn.net/detail/trent1985/9217947)
