好的膚色模型要求選擇一個恰當的彩色空間，在此空間中膚色能團簇、聚合在一起，並且與非膚色的重疊部分要儘可能少。通過各色度空間中膚色聚類的結果比較發現，膚色在各空間中的聚類情況如下：在RGB彩色空間中，膚色與非膚色的重疊部分較多。因此RGB空間不適合構造膚色模型；在rgb彩色空間中的分佈情況（用r，g表徵）。由於色飽和度沒有被分離出來，rgb模型仍會受亮度的影響，因此有少量膚色點偏離了膚色的主要聚合區域；在HSV彩色空間中，由於HSV空間將色調、色飽和度及亮度很好的分離，膚色點能很好的聚集在一起，並且與非膚色點重疊的較少；在YCbCr彩色空間中可以看到，在YCbCr空間中，人臉膚色點非常好的團聚在一起，並且與非膚色點的重疊部分也不多，表現在CbCr子空間上，人臉膚色很好的聚集在一個類橢圓範圍內，而且在Cb、Cr分量上的分佈也比較集中，因此，CbCr空間^[2]常用於人臉檢測。

3.2　色彩空間的轉換

 YCbCr顏色空間是作為膚色分佈統計的對映空間，該空間的優點是受亮度變化的影響較小，而且是兩維獨立分佈，能較好地限制膚色分佈區域，而且可以從RGB格式線性變化得到。YCbCr顏色空間是常見的膚色檢測方法，如果一個像點的Cb和Cr值滿足：133≤Cr≤173，並且77≤Cb≤127，則該像點被認為具有面板色。  對於RGB(8位表示的RGB)與YCbCr（256級別）之間的轉換如下： Y= 0. 299R+ 0. 587G+ 0. 114B Cb= 0. 5R- 0. 4187G- 0. 0813B+ 128               （1） Cr= - 0. 1687R- 0. 3313G+ 0. 5B+ 128       YCbCr（256級別）可以從8位RGB直接計算。

3.3　膚色模型

 膚色的聚類性使我們利用膚色縮小人臉檢測的範圍，實驗表明，不同人的膚色在色度上往往很相近，只是在亮度上差別較大，不同的膚色具有相同的2D Gaussian 模型。在YCbCr空間上由色度Cb和Cr構成的二維平面上膚色分佈是相對比較集中的，可以用Gauss分佈來描述。  訓練的時候，需要確定的是均值M和C。如下面的公式：                    均值M=E(x)，x=[Cr，Cb ]                   協方差C=E((x-m)(x-m)^T)             （2）  計算相似度時，我們採用了下面的公式：

                  P(Cb，Cr)=exp[-0.5(x-m)^T

C^-1(x- m)]         （3）

轉載自：http://blog.csdn.net/shangyaowei/article/details/17424537

HSV,YUV,YCbCr見部落格：http://blog.csdn.net/augusdi/article/details/8865275