1.一种基于Gabor特征的皮肤纹理检测方法，其特征在于，所述方法包括：将待检测图像划分成多个图像块；

将每一个图像块的每一个色彩通道与预先建立的Gabor滤波器组依次在空域做卷积，获得k*s*r个与该图像块尺寸大小相同的矩阵，其中k为所述Gabor滤波器组的方向的个数，s为所述Gabor滤波器组的尺度的个数，r为所述色彩通道的个数,k、s、r为大于零的整数；

计算每一个所述矩阵的均值和方差，并将所述均值和方差作为特征值，获得k*s*r*2个特征值；

将所述k*s*r*2个特征值作为该图像块的特征向量，并将所述特征向量通过预先建立的分类器进行检测，以确定该图像块是否具有皮肤纹理特征。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：显示所述待检测图像中具有皮肤纹理特征的图像块。

3.如权利要求1所述的方法，其特征在于，所述建立分类器包括：采集多个训练图像,所述训练图像包含皮肤纹理特征；

将所述训练图像划分成多个图像块；

获取每个图像块的特征向量,所述特征向量包含多个特征值；

根据所述特征值,采用高斯混合模型对所述图像块进行聚类,获得训练样本,并将所述训练样本标记为皮肤和非皮肤两类；

将所述标记过的训练样本通过Adboost算法进行训练，生成分类器。

4.如权利要求3所述的方法，其特征在于，将所述标记过的训练样本通过Adboost算法进行训练，生成分类器包括：步骤1：获取标记过的训练样本(xi,yi),i＝1,...,N，其中xi∈R,yi∈-1,+1，R表示训练样本，-1,+1表示皮肤和非皮肤两类,N表示训练样本的个数；

步骤2：设定每个训练样本的初始权值wi＝1/N,i＝1,...,N：步骤3：循环执行以下步骤a、b、c、d，m＝1,...,M，M表示分类器的个数；

步骤a.使用权值为wi的训练样本训练分类器fm(x)∈-1,+1；

步骤b.计算所述训练样本和所述分类器的当前错误率 若errm为0，-52

则令errm＝2 ，并根据所述错误率errm修改所述分类器的权值cm＝log((1-errm)/errm)；

步 骤 c.根 据 所 述 分 类 器 的 权 值 cm 重 新 设 置 训 练 样 本 的 权 值并将重新设置的权值wi进行归一化处理，使得步骤d.利用已有m个分类器计算总体错误率，若总体错误率为0，则结束操作；否则，返回步骤a循环执行，并在总体错误率不为0时循环执行M次结束操作；

步骤4：获得最终的分类器

5.如权利要求3所述的方法，其特征在于，所述高斯混合模型为：p(z)＝a1g(z；μ1,∑1)+a2g(z；μ2,∑2)其中，g(z；μ1,∑1)和g(z；μ2,∑2)表示高斯模型的概率密度函数，z表示所述特征值，a1、a2分别表示所述概率密度函数的系数，其中a1+a2＝1，μ1、μ2分别表示所述概率密度函数的中心点，∑1、∑2分别表示所述概率密度函数的共变异矩阵， 表示方差，I表示单位矩阵，j＝1,2。

6.一种基于Gabor特征的皮肤纹理检测装置，其特征在于，所述装置包括：第一图像块划分单元,用于将待检测图像划分成多个图像块；

第一计算单元,用于将每一个图像块的每一个色彩通道与预先建立的Gabor滤波器组依次在空域做卷积，获得k*s*r个与该图像块尺寸大小相同的矩阵，其中k为所述Gabor滤波器组的方向的个数，s为所述Gabor滤波器组的尺度的个数，r为所述色彩通道的个数,k、s、r为大于零的整数；

第二计算单元,用于计算每一个所述矩阵的均值和方差，并将所述均值和方差作为特征值，获得k*s*r*2个特征值；

检测单元,用于将所述k*s*r*2个特征值作为该图像块的特征向量，并将所述特征向量通过预先建立的分类器进行检测，以确定该图像块是否具有皮肤纹理特征。

7.如权利要求6所述的装置，其特征在于，所述装置还包括：显示单元,用于显示所述待检测图像中具有皮肤纹理特征的图像块。

8.如权利要求6所述的装置，其特征在于，所述装置还包括：图像采集单元,用于采集多个训练图像,所述训练图像包含皮肤纹理特征；

第二图像块划分单元,用于将所述训练图像划分成多个图像块；

特征提取单元,用于获取每个图像块的特征向量,所述特征向量包含多个特征值；

聚类单元,用于根据所述特征值,采用高斯混合模型对所述图像块进行聚类,获得训练样本,并将所述训练样本标记为皮肤和非皮肤两类；

分类器生成单元,用于将所述标记过的训练样本通过Adboost算法进行训练，生成分类器。

9.如权利要求8所述的装置，其特征在于，所述分类器生成单元包括：样本获取模块,用于获取标记过的训练样本(xi,yi),i＝1,...,N，其中xi∈R,yi∈-1,+1，R表示训练样本，-1,+1表示皮肤和非皮肤两类,N表示训练样本的个数；

权值设置模块,用于设定每个训练样本的初始权值wi＝1/N,i＝1,...,N：控制模块,用于控制训练子模块、计算子模块、权值重设子模块以及结束子模块的执行，并在结束子模块的总体错误率不为0时，控制所述控制训练子模块、计算子模块、权值重设子模块以及结束子模块循环执行M次，其中m＝1,...,M，M表示分类器的个数；

训练子模块,用于使用权值为wi的训练样本训练分类器fm(x)∈-1,+1；

计算子模块,用于计算所述训练样本和所述分类器的当前错误率-52

若errm为0，则令errm＝2 ，并根据所述错误率errm修改所述分类器的权值cm＝log((1-errm)/errm)；

权值重设子模块,用于根据所述分类器的权值cm重新设置训练样本的权值并将重新设置的权值wi进行归一化处理，使得结束子模块，用于利用已有m个分类器计算总体错误率，若总体错误率为0，则结束操作；

分类器获得模块，用于获得最终的分类器

10.如权利要求8所述的装置，其特征在于，所述高斯混合模型为：p(z)＝a1g(z；μ1,∑1)+a2g(z；μ2,∑2)其中，g(z；μ1,∑1)和g(z；μ2,∑2)表示高斯模型的概率密度函数，z表示所述特征值，a1、a2分别表示所述概率密度函数的系数，其中a1+a2＝1，μ1、μ2分别表示所述概率密度函数的中心点，∑1、∑2分别表示所述概率密度函数的共变异矩阵， 表示方差，I表示单位矩阵，j＝1,2。