图像分割(Image Segmentation)是将图像划分成若干具有特征一致性且互不重叠的图像区域的过程。图像分割技术长期以来得到人们的广泛关注和研究。皮肤分割也是图像分割中一个重要的分支,具有重要的意义。皮肤分割(Skin Region Segmentation)在人脸和手势识别与跟踪、Web图像内容过滤、人物检索和医疗诊断等方面有广泛应用。研究表明,尽管不同种族、年龄、性别的人脸肤色看上去不同,但这种不同主要集中在亮度上,在除去亮度的色度空间中,不同肤色分布具有聚类性。由此可见,皮肤分割是可行的。建立动态肤色模型来进行皮肤分割是本文方法的重点。本文提出了椭圆边界模型并设计了椭圆边界增量模型的迭代学习皮肤分割框架。采用椭圆边界统计模型对肤色建模,将建模后的通用模型同具体的图像结合起来,形成一个针对于当前图像的局部模型(特殊模型),利用这个局部模型来对图像进行分割,以实现对特定图像皮肤区域的精确分割。此方法分两个重要的步骤:(1)训练通用的肤色模型,并对当前图像进行初分割;(2)采用增量学习过程,以当前图像数据更新模型以适应于此特定图像,实现对图像的自适应建模,并对人体皮肤区域进行精确分割。总的来说这是一个迭代的学习过程。皮肤的检测和分割的应用非常广泛,本文举例说明了它在人脸定位方面的应用。采用提出的椭圆边界增量模型对图像进行皮肤分割,然后分析皮肤区域的特征,做出决策,以实现对含有人脸图像的人脸区域定位。