Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Memoria Piel Feb 05
Memoria Piel Feb 05
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Agradecimientos
Quiero dar las gracias de manera especial a Juan Jos Pantrigo Fernndez por haberme
facilitado sus conocimientos sobre Visin Artificial y por su gran ayuda y colaboracin durante
todo el proyecto. Tambin quiero agradecer a Antonio Sanz Montemayor la ayuda prestada en
momentos en los que Juanjo no estaba disponible.
Adems de agradecer el apoyo prestado por estos profesores, no me puedo olvidar de mi
novia, de mi familia y en especial de mi hermana, de mis compaeros y por supuesto amigos de
clase e indudablemente de Jose y Oscar, compaeros del laboratorio del proyecto, adems de
grandes amigos.
ii
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
RESUMEN
El proyecto que se va a exponer se encuadra en el marco de trabajo de la Visin Artificial. Su
objetivo es segmentar automticamente las regiones correspondientes a la piel en imgenes a
color, dando como resultado una imagen en la cual se etiquetan las regiones como piel y no
piel.
Para llevar a cabo el proyecto ha sido necesario crear, en primer lugar, una base de datos de
imgenes a color con la que entrenar, testear y validar el sistema creado para la deteccin de piel
en imgenes estticas a color. Esta base de datos consta de imgenes originales e imgenes
tratadas manualmente para poder llevar a cabo las tareas mencionadas anteriormente.
Una vez coleccionada la base de datos de imgenes a color, se empezaron a implementar
sencillos algoritmos de deteccin de piel. En paralelo a estos primeros algoritmos se fueron
programando los algoritmos de entrenamiento del sistema. Posteriormente se desarrollaron
algoritmos ms sofisticados para la deteccin del color de la piel.
El ncleo de los algoritmos consiste en la comparacin de los histogramas de cada regin de
la imagen con un histograma, obtenido en la etapa de entrenamiento. Esta comparacin se realiza
mediante la distancia o factor de Bhattacharya. Esta distancia es un nmero comprendido entre
cero y uno que expresa la similitud entre dos histogramas.
La realizacin de los distintos algoritmos se ha basado en diferentes espacios de color: RGB,
HSV y YCbCr, siendo el segundo con el que se han obtenido mejores resultados.
Para evaluar el rendimiento del sistema, se ha calculado el porcentaje de falsos positivos y
falsos negativos para un conjunto de imgenes. Estos valores son una medida de la fiabilidad de
los algoritmos.
Los resultados obtenidos son similares a los que se obtendran al realizar la segmentacin de
la piel manualmente, puesto que el porcentaje de falsos positivos y falsos negativos es aceptable.
iii
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
ndice General
1. Introduccin
1.1. Conceptos generales
1.2. Espacios de color
1.2.1. Modelo RGB
1.2.2. Modelo HSV
1.2.3. Modelo YCbCr
1.2.4. Otros modelos
1.3. Histograma de una imagen
1.4. Herramientas usadas
1.4.1. Matlab 6.1
1.4.2. Photoshop 7.0
2. Estado del arte: Modelado del color de la piel
2.1. Definiciones explicitas de las reglas de las regiones de color
2.2. Modelado no paramtrico de la distribucin de la piel
2.2.1. Lookup Table (LUT)
2.2.2. Clasificacin bayesiana
2.2.3. Mapas auto-organizativos
2.2.4. Resumen de mtodos no paramtricos
2.3. Modelado paramtrico de la distribucin de la piel
2.3.1. Modelo simple de Gauss
2.3.2. Modelo de mezcla de gaussianas
2.3.3. Agrupamiento con mltiples gaussianas
2.3.4. Modelo de la frontera elptica
2.3.5. Resumen de mtodos paramtricos
2.4. Mtodos de distribucin de piel dinmicos
2.5. Evaluacin comparativa
3. Objetivo del proyecto
4. Descripcin informtica
4.1. Trayectoria para la creacin del proyecto
4.2. Base de datos de las imgenes
4.3. Algoritmos para el entrenamiento del sistema
4.4. Algoritmos comunes al entrenamiento y al anlisis del sistema
iv
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
ndice de Imgenes
Figura 1.1 : Representacin de un pxel
Figura 1.2 : a) Imagen original, b) imagen corresponde a la estructura matricial de la imagen
Figura 1.3 : Imagen en blanco y negro
Figura 1.4 : Imagen en escala de grises
Figura 1.5 : Imagen en color
Figura 1.6 : Representacin grfica del modelo de color RGB
Figura 1.7 : Representacin grfica del modelo de color HSV
Figura 1.8: Representacin de los colores en el cono del sistema HSV
Figura 1.9 : Representacin grfica del modelo de color HSL
Figura 1.10 : a) Imagen de Lena en escala de grises, b) histograma de la imagen
Figura 1.11: Interfaces de usuario: a) Matlab 6.1, b) Adobe Photoshop
Figura 4.1 : Modelo seguido en la elaboracin del proyecto
Figura 4.2 : a) Imagen original de 109.jpg, b) imagen de la piel obtenida de 109.jpg
Figura 4.3 : a) Imagen original de 11.jpg, b) imagen de la piel obtenida de 11.jpg
Figura 4.4 : a) y b) Imgenes sin piel correspondientes a dos imgenes de la base de datos
Figura 4.5 : a) Imagen original de Beckham2.jpg, b) imagen con la piel en verde de Beckham2.jpg
Figura 4.6 : a), b) y c) Ejemplos de imgenes utilizadas para el entrenamiento del sistema
Figura 4.7 : Histogramas de entrenamiento del espacio de color RGB, respectivamente a), b) y c)
Figura 4.8 : Imagen en la que se ve una ventana que tiene que ser ajustada y otra que no
Figura 4.9 : Histograma de la componente V del espacio de color HSV
Figura 4.10 : a) Imagen de entrada del algoritmo MatrizBooleanExperto, b) y c) regiones en las
que predomina el verde, por lo que en la matriz de salida habr un uno, d) y e) regiones
en las que predomina el verde, por lo que en la matriz de salida habr un cero.
Figura 4.11 : a) Imagen original de CarlosSainz9.jpg, b) imagen obtenida al aplicar un algoritmo
de deteccin de piel a la imagen anterior, donde se observan regiones de falsos positivos y
falsos negativos.
vi
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
vii
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
ndice de Tablas
Tabla 2.1: Rendimiento de los mtodos comparados
Tabla 5.1 : Distancia Bhattacharya entre los histogramas de la componente R y el histograma
de entrenamiento de la misma componente
Tabla 5.2 : Distancia Bhattacharya entre s de los histogramas de la componente R
Tabla 5.3 : Distancia Bhattacharya entre el histograma de cada componente de las veinte fotos
y su histograma correspondiente de entrenamiento.
Tabla 5.4 : Distancia Bhattacharya entre los histogramas de la componente R (rojo) de veinte
fotos de entrenamiento (solo piel)
Tabla 5.5 : Distancia Bhattacharya entre los histogramas de la componente G (verde) de
veinte fotos de entrenamiento (solo piel)
Tabla 5.6 : Distancia Bhattacharya entre los histogramas de la componente B (azul) de veinte
fotos de entrenamiento (solo piel)
Tabla 5.7 : Distancia entre el histograma de cada componente de las veinte fotos y su
histograma correspondiente de entrenamiento.
Tabla 5.8 : Distancia Bhattacharya entre los histogramas de la componente H (tono) de veinte
fotos de entrenamiento (solo piel)
Tabla 5.9 : Distancia Bhattacharya entre los histogramas de la componente S (saturacin) de
veinte fotos de entrenamiento (solo piel)
Tabla 5.10 : Distancia entre el histograma de cada componente de las veinte fotos y su
histograma correspondiente de entrenamiento.
Tabla 5.11 : Distancia Bhattacharya entre los histogramas de la componente Cb de veinte
fotos de entrenamiento (solo piel)
Tabla 5.12 : Distancia Bhattacharya entre los histogramas de la componente Cr de veinte
fotos de entrenamiento (solo piel)
Tabla 5.13: Tabla de los falsos positivos y los falsos negativos del algoritmo
DetectorPielHSV1.
Tabla 5.14: Tabla de los falsos positivos y los falsos negativos del algoritmo
DetectorPielHSV2.
viii
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Captulo 1
Introduccin
1.1
Conceptos generales
Pxel
Es la abreviatura de las palabras inglesas picture element (figura 1.1). Es el menor de los
elementos de una imagen al que se puede aplicar individualmente un color o una intensidad o que
se puede diferenciar de los otros mediante un determinado procedimiento.
Imagen digital
Una imagen digital se compone de una agrupacin de pxeles, cada uno con un valor de
intensidad o brillo asociado. Una imagen digital se representa mediante una matriz bidimensional,
de forma que cada elemento de la matriz se corresponde con cada pxel en la imagen (ver figura
1.2).
a)
b)
Figura 1.2 : La imagen a) corresponde a la original. La imagen b) corresponde a la estructura matricial de la imagen
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Dependiendo del rango de los valores que pueda tomar cada pxel podemos distinguir los
siguientes tipos de imgenes:
Imgenes en blanco y negro: el rango est formado por los valores negro o blanco [0 1]
nicamente. En la figura 1.3 se muestra una imagen de este tipo.
Imgenes de intensidad: tambin conocidas como imgenes en escala de grises, existen hasta
256 niveles de grises, por lo que su rango se encuentra entre [0,255].
Imgenes en color: todo color se puede componer a partir de tres componentes bsicas. El
contenido de cada pxel de la imagen es una terna de valores, un valor por cada componente de
color bsico.
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
1.2
Espacios de color
1.2.1
Modelo RGB
Es uno de los modelos ms utilizados por los sistemas informticos para reproducir los
colores en el monitor y en el escner [Prdanos 2002]. Est basado en la sntesis aditiva de las
intensidades de luz relativas al rojo, al verde y al azul para conseguir los distintos colores;
incluyendo el negro y el blanco.
El nombre del modelo RGB viene de las iniciales, en ingls, de esos tres colores: Red, Green
y Blue.
La representacin grfica del modelo RGB (ver figura 1.6) se realiza mediante un cubo
unitario con los ejes R, G y B. El origen (0,0,0) representa el negro y las coordenadas (1,1,1) el
blanco. Los vrtices del cubo en cada eje R, G y B, de coordenadas (1,0,0), (0,1,0) y (0,0,1)
representan los colores primarios rojo, verde y azul. Los restantes tres vrtices (1,0,1), (0,1,1) y
(1,1,0) al magenta, cian y amarillo respectivamente, colores secundarios y respectivamente
complementarios del verde, rojo y azul. La diagonal del cubo representa la gama de grises desde
el negro al blanco. En esta diagonal cada punto o color se caracteriza por tener la misma cantidad
de cada color primario.
Las imgenes con modelo RGB contienen tres planos de imgenes independientes, uno para
cada color primario. Cuando estas tres imgenes son proyectadas a un monitor RGB, la pantalla
de fsforo produce una imagen de color compuesto [web1]. El procesamiento de imgenes en
color, utilizando el modelo RGB, toma sentido cuando las imgenes se expresan naturalmente en
trminos de tres planos de color. Actualmente muchas cmaras a color utilizadas para adquirir
imgenes digitales, utilizan el formato RGB.
Lo anterior convierte al modelo RGB en un modelo de gran importancia para el
procesamiento de imgenes, a pesar de que no deriva en un proceso intuitivo para determinadas
aplicaciones como por ejemplo la de comparar colores.
3
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
1.2.2
Modelo HSV
El modelo HSV fue creado en 1978 y est pensado en la definicin del color que realizara un
artista. Las siglas H, S y V corresponden a Tono (hue), Saturacin (saturation) y valor (value)
respectivamente. Tambin se denomina HSB, siendo B el brillo (brighness).
El sistema coordenado es cilndrico, y el subconjunto de este espacio donde se define el color
es una pirmide de base hexagonal [web4].
El tono se mide como el ngulo alrededor del eje S. El rojo se sita a 0, el verde a los 120 y
el azul a los 240. Los colores complementarios son aquellos que se encuentren a 180 del
sealado. El rango de S se extiende desde 0 (coincidiendo con el eje de la pirmide) hasta 1,
coincidiendo con el final del rea hexagonal de la pirmide.
La pirmide tiene altura unidad. El vrtice corresponde al negro con coordenadas S = 0 y V =
0. El blanco corresponde a S = 0 y V = 1. Los valores coincidentes con el eje de la pirmide son
los grises. Cuando S = 0 el valor de H no es importante y se dice que est indefinido. Cuando S >
0, el valor de H empieza a tener importancia. Por ejemplo, el rojo puro se sita a H = 0, S = 1 y
V = 1. Si se aade blanco disminuye S, pero no cambia el valor de V. Las sombras se crean
manteniendo S = 1 y disminuyendo V.
La obtencin de este espacio de color a partir del RGB es la siguiente:
4
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
(1)
donde R, G y B son los valores del canal rojo, verde y azul respectivamente.
1.2.3
Modelo YCbCr
YCbCr es una codificacin no lineal del espacio de color RGB, usada comnmente por los
estudios de televisin europeos y en la compresin de imgenes. El color es representado por la
luminancia (Y) y por dos valores diferentes de color (Cb y Cr) que son caractersticas
colorimtricas del color.
La luminancia es la cantidad lineal de luz, directamente proporcional a la intensidad fsica, y
ponderada por la sensibilidad de la percepcin humana visible al espectro. La luminancia puede
ser calculada como la suma ponderada de los componentes lineales del espacio de color RGB.
La obtencin de este espacio de color a partir del RGB es la siguiente:
(2)
siendo R, G y B son los valores del canal rojo, verde y azul respectivamente.
La sencillez de la transformacin y la separacin explicita de las componentes de luminancia y
de crominancia del color, hacen a este espacio de color un mtodo atractivo para la modelizacin
del color de la piel.
1.2.4
-
Otros modelos
Modelo HLS
Corresponde a un modelo de color definido por el tono (Hue), la luminosidad
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
En este modelo los grises tienen todos el valor S = 0 y los tonos ms saturados se
encuentran a S = 1 y L = 0.5.
Modelo CMY
Las siglas CMY corresponden a Cian, Magenta y amarillo (Yellow) que son los
complementarios del rojo, verde y azul. Se denominan sustractivos ya que se utilizan como filtros
para sustraer colores de la luz blanca. El sistema coordenado es el mismo que en el modelo RGB
pero donde haba negro ahora existe blanco y viceversa. Este sistema es el ms usado en
impresin [web4].
Modelo TLS
Obtencin de este espacio de color a partir del RGB [Vezhnevets et al. 2003]:
(3)
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
1.3
a)
b)
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
1.4
Herramientas usadas
Las herramientas software utilizadas para la realizacin de este proyecto son Matlab 6.1 y
Adobe Photoshop 7.0. Esta seccin presenta una breve descripcin de dichas herramientas
1.4.1
Matlab 6.1
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
1.4.2
Adobe Photoshop
Adobe Photoshop es uno de los programas ms utilizados por los profesionales de la imagen
digital y diseadores web para realizar sus creaciones. El programa ofrece cientos de herramientas
para el tratamiento de imgenes, seleccin de zonas, herramientas de pintura, trazados, etc.
Adems el programa incorpora capas, cientos de filtros, efectos y controles de imagen como
brillo, contraste, niveles, invertir, ecualizar, etc.
Para ms informacin sobre el programa, se remite al lector a la Web [web2].
a)
b)
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Captulo 2
Estado del arte: Modelado del color de la piel
El objetivo final del modelado del color de la piel es construir una regla de decisin que
discrimine o diferencie entre los pxeles de una imagen que corresponden al color de la piel y
aqullos que no. Para ello se han utilizado diferentes mtodos que se revisan en esta seccin
[Vezhnevets et al. 2003].
2.1
10
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
2.2
2.2.1
Numerosos algoritmos de deteccin y seguimiento de caras [Chen et al. 1995], [Zarit et al.
1999], [Schumeyer and Barner 1998], [Sigal et al. 2000], [Soriano et al. 2000], [Birchfield 1998]
utilizan un histograma basado en la segmentacin de pxeles de piel. El espacio de color se
cuantifica con un nmero determinado de intervalos, correspondindose cada uno con un rango
particular o especfico de color, compuesto por pares de valores (en representaciones en 2D),
normalmente la crominancia slo tiene un plano, o tros (en 3D). Estos intervalos forman un
histograma en 2D o 3D, que son referidos para mejorar la tabla LUT (Lookup Table). Cada
intervalo almacena el nmero de veces que un color en particular aparece en las imgenes de
entrenamiento. Despus de la etapa de entrenamiento, los histogramas se normalizan,
convirtiendo los valores de histograma en un modelo de probabilidad discreta:
(5)
donde el numerador, skin(c), es el valor de intervalo del histograma, c es el vector de color y
Norm es el coeficiente de normalizacin (sumatorio de todos los valores del histograma [Jones
and Rehg 1999] o el mximo valor de los intervalos [Zarit et al. 1999]). Los valores de la tabla de
bsqueda constituyen la posibilidad de que un color sea piel.
2.2.2
Clasificacin bayesiana
(6)
11
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
(8)
2.2.3
Mapas auto-organizativos
Los mapas auto-organizativos (SOM) fueron propuestos por Kohonen en la dcada de los 80.
En la actualidad constituyen uno de los tipos de redes de neuronas artificiales ms populares. En
[Brown et al. 2001] fue propuesta una base de deteccin de piel mediante SOM. Dos SOM, una
para solo-piel y otra de piel-no piel, fueron entrenadas con un conjunto de 500 imgenes
etiquetadas manualmente. El rendimiento de los detectores fue probado utilizando un conjunto
de imgenes de diferentes autores y con la popular base de datos de piel de Compaq. Fueron
testados con el detector SOM numerosos espacios de color (RGB normalizado, tono saturacin, tono - saturacin cartesiano y el plano de crominancia de TSL). Los resultados
mostraron que los detectores de piel SOM no presentan cambios bruscos de rendimiento cuando
utilizan diferentes espacios de color.
A pesar de que el rendimiento de los SOM es inferior al los mtodos basado en histograma o
los mixtos, el mtodo sigue teniendo inters debido a que necesita menos recursos que stos.
12
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
2.2.4
2.3
2.3.1
La distribucin del color de piel puede ser modelada por una funcin de densidad de
probabilidad elptica de Gauss (PDF) definida como
(9)
siendo c un vector de color, y s y s son los parmetros de la distribucin (vector de medias
y matriz de covarianzas, respectivamente). Los parmetros del modelo son estimados en la etapa
de entrenamiento por:
(10)
donde n es el numero total de ejemplos de color de piel c j. La probabilidad P(c|slin) puede
ser usada directamente como la probabilidad de que el color c sea piel [Menser and Wien 2000], o
tambin se puede utilizar la distancia de Mahalanobis entre c y s. dada la matriz de covarianza s
[Terrillon et al. 2000].
13
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
(11)
El mtodo de modelizacin de Gauss fue tambin empleado en [Hsu et al. 2002], [Ahlberg
1999], [Yang and Ahuja 1998], [Saber and Tekalp 1998].
2.3.2
2.3.3
2.3.4
Examinando distribuciones de piel y no-piel en varios espacios de colores, Lee y Yoo [Lee
and Yoo 2002] encontraron que el grupo del color de la piel es aproximadamente elptico y, por
lo tanto, no se modela suficientemente bien a travs de un modelo de gaussianas simples. El uso
14
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
del modelo simtrico de Gauss produce el ndice ms alto de falsos positivos, debido a la
asimetra de los agrupamientos del color de la piel con respecto a su punto de mayor densidad.
Los autores proponen una alternativa llamada Modelo de la Frontera Elptica el cual es
igualmente rpido y simple en entrenamiento y evaluacin como el modelo simple de Gauss y
obtiene un mejor resultado en detecciones en el la base de datos Compaq [Jones and Rehg 1999],
comparando la sencilla Gaussiana y mezcla de Gauss. El modelo elptico es definido como:
(13)
El procedimiento del modelo de entrenamiento consta de dos pasos:
1)
Se elimina alrededor del 5% de los ejemplos del color del entrenamiento con bajas
(14)
2.3.5
Todos los mtodos paramtricos descritos (excepto los de la seccin 2.3.3) operan en el plano
del espacio de color de la crominancia, ignorando la informacin que aporta la luminancia.
Cuando se usa un modelo explcito de distribucin surge la cuestin de crear un modelo de
validacin. Slo algunos autores han justificado tericamente los modelos que han usado. [Yang
et al. 1998] ha mostrado que la distribucin del color de piel de una persona bajo condiciones de
luz fija y un espacio RGB normalizado sigue una distribucin gaussiana. [Yang and Ahuja 1999]
ha justificado la hiptesis de normalidad en los datos de piel en el espacio CIELuv y valida el
modelo de mezcla de Gauss de dos componentes por la realizacin de test estticos.
15
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
2.4
2.5
Evaluacin comparativa
Para evaluar de los diferentes mtodos de modelado del color de la piel es necesario estudiar
el rendimiento bajo las mismas condiciones. La base de datos de imgenes ms famosa es la base
de datos de Compaq [Jones and Rehg 1999]. En la siguiente tabla se muestran los mejores
resultados de los diferentes mtodos propuestos por los autores para esta base de datos. En la
tabla podemos observar la tasa de verdaderos positivos (True Positives) y los falsos positivos
(False Positives), TP y FP respectivamente, para los diferentes mtodos. Estos mtodos emplean
diferentes estrategias y usan subconjuntos de imgenes de la base de datos en el entrenamiento y
en el testeo. La Tabla 1 da una visin del rendimiento de los mtodos.
El mejor rendimiento (pocos falsos positivos para una tasa de deteccin dada) ha sido
alcanzada por Bayes SPM y por el Maximun Entropy Model [Jedynak et al.2002]. Las tcnicas
paramtricas de modelizacin, Gaussianas, mezcla de Gaussianas, modelo lmite elptico, estn
por detrs de las detecciones basadas en la SOM. El alto rendimiento el modelo mixto de Gauss
16
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
usado en [Jones and Rehg 1999] es debido a que modeliza ambas PDFs, es decir p(RGB|skin) )
y p(RGB|skin), en contraste con otros modelos paramtricos de piel.
Method
Bayes SPM in RGB
[Jones and Reg. 1999]
Bayes SPM in RGB
[Brand and Mason 2000]
Maximum Entropy Model in RGB
[Jedynak et al. 2002]
Gaussian Mixture models in RGB
[Jones and Reg. 1999]
SOM in TS
[Brown et al. 2001]
Elliptical boundary model in CIE-xy
[Lee and Yoo 2002]
Single Gaussian in CbCr
[Lee and Yoo 2002]
Gaussian Mixture in IQ
[Lee and Yoo 2002]
Thresholding of I axis in YIQ
[Brand and Mason 2000]
TP
80 %
90 %
93.4 %
FP
8.5 %
14.2 %
19.8 %
80 %
8.0 %
80 %
90 %
78 %
9.5 %
15.5 %
32.0 %
90 %
20.9 %
90 %
33.3 %
90 %
30.0 %
94.7 %
30.2 %
La principal ventaja de los mtodos que definen explcitamente el lmite del conjunto de la
piel es la simplicidad de sus reglas (apartado 2.1). Sin embargo el problema con estos mtodos es
la necesidad de encontrar buenos espacios de color y adecuadas reglas de decisin emprica.
Los mtodos no paramtricos (apartado 2.2) son rpidos en el entrenamiento y en la
clasificacin, independientemente de la forma de la distribucin y por lo tanto de la seleccin del
espacio de color. Pero ello requiere mucho espacio de almacenamiento y un entrenamiento con
un conjunto representativo de los datos.
Los mtodos paramtricos (apartado 2.3) pueden tambin ser rpidos. Permiten interpolar y
generalizar el entrenamiento de datos incompletos. El modelo es expresado por un pequeo
nmero de parmetros y, por tanto, necesita muy poco espacio de almacenamiento. Su
rendimiento depende en gran medida de la forma de la distribucin de la piel. Muchos mtodos
paramtricos de modelizacin de la piel ignoran el color no-piel esttico. Esto junto con la
dependencia de la forma del grupo de piel, da lugar a altas tasas de falsos positivos, en
comparacin con los mtodos no paramtricos.
17
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Captulo 3
Objetivos
El objetivo de este proyecto es segmentar automticamente los pxeles correspondientes a la piel en
imgenes a color a travs de un enfoque basado en la comparacin de histogramas de regiones de la imagen. Como
resultado de la aplicacin del detector sobre una imagen se espera obtener una imagen en la que
slo se visualicen los pxeles de las regiones correspondientes al color de la piel, dejando los
dems en blanco. Este objetivo se articula en los siguientes objetivos operativos:
Entrenar el sistema.
18
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Captulo 4
Descripcin Informtica
Una vez descritos los objetivos que se desean conseguir con la realizacin del proyecto, en
este captulo se van a tratar los distintos aspectos que componen la especificacin del mismo.
4.1
Los pasos seguidos para la realizacin del proyecto (ver figura 4.1) han sido los siguientes:
1.- Revisin bibliogrfica
El primer paso fue recopilar la informacin necesaria para la realizacin del proyecto y
familiarizarse con el rea de conocimiento de la visin artificial. Esta informacin fue obtenida
gracias a artculos facilitados por el tutor del proyecto, por otros buscados en Internet y mediante
libros relacionados con la materia.
2.- Coleccin de imgenes a color para la base de datos
Se ha recopilado una amplia coleccin de imgenes (procedentes de diferentes fuentes) para
poder llevar a cabo el proyecto. Para ms informacin sobre la base de datos de imgenes a color
se remite al apartado 4.2.
3.- Realizacin de sencillos algoritmos
Como toma de contacto con el entorno, se crearon sencillos algoritmos para observar los
primeros resultados del filtrado del color de la piel, basados en sistemas de reglas simples.
4.- Creacin de los algoritmos de entrenamiento del sistema
Posteriormente se elaboraron los algoritmos necesarios para entrenar el sistema. Estos
algoritmos consisten en el clculo de los histogramas de las distintas imgenes de entrenamiento.
Estos histogramas se suman por canales de color y se normalizan para obtener los histogramas de
entrenamiento de cada componente.
5.- Creacin de los algoritmos de deteccin de piel
En esta etapa del proyecto se construyen los algoritmos centrales. Estos algoritmos se basan,
en su mayora, en la distancia de Bhattacharya. Con estos algoritmos y gracias al entrenamiento
19
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
del sistema, se obtiene una discriminacin entre las regiones consideradas como piel y regiones
que no se consideran como tales. Las regiones que se consideran piel aparecen tal como son en la
imagen original, y el resto aparecen de color blanco.
6.- Validacin del sistema
Para validar el sistema se comprueba su eficacia con un conjunto de imgenes de test,
diferente al utilizado en el entrenamiento. Tambin se realiza un estudio probabilstico de los
falsos positivos y los falsos negativos de un conjunto suficiente de imgenes.
Revisin
bibliogrfica
Creacin de los
algoritmos de
entrenamiento
Algoritmos
de
entrenamiento
Creacin de la
base de datos
de imgenes
Base de
datos de
imgenes
Creacin de los
algoritmos de
deteccin de piel
Algoritmos
de deteccin
de piel
Entrenamiento
del
sistema
Histogramas
de
entrenamiento
Test
del
sistema
LEYENDA
NO
Datos
Algoritmos
Tareas
Resultados
deseables
Sistema con el
reconocimiento
SI
de piel deseado
4.2
Para la realizacin del proyecto ha sido necesario coleccionar una gran cantidad de imgenes
para el entrenamiento del sistema o aprendizaje y para su validacin. Esta base de datos se
intent conseguir contactando con investigadores de este mbito, pero esto no fue posible y se
decidi crear una base de datos propia con imgenes de diferentes fuentes. Estas imgenes estn
almacenadas en varios formatos (jpg, bmp, gif, tif ...). El nmero de imgenes es elevado, para
que pueda ser utilizada en futuros trabajos. Consta de 2.737 imgenes, de las cuales:
20
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
2.314 imgenes son originales de distintos tamaos (ver figuras 4.2 a), 4.3 a) y 4.5 a))
164 imgenes en las que slo aparece piel en fondo blanco (necesarias para entrenar el
sistema) (ver figuras 4.2 b), 4.3 b) y 4.5 b))
A continuacin se muestran ejemplos de las imgenes que forman la base de datos creada:
a)
b)
a)
b)
a)
b)
Figura 4.4 : a) y b) Imgenes sin piel correspondientes a dos imgenes de la base de datos
21
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
a)
b)
Figura 4.5 : a) imagen original de Beckham2.jpg, b) imagen con la piel en verde de Beckham2.jpg
4.3
Para que el sistema detecte piel en imgenes, es necesario entrenarlo. El entrenamiento del
sistema consiste en el clculo de un histograma a partir de imgenes de piel segmentadas
manualmente (ver figura 4.6). Se ha creado un histograma para cada componente de los espacios
de color tratados. Es decir, tres histogramas para el espacio de color RGB, para el rojo, verde y
azul (ver figura 4.7), tres para las componentes HSV y otras tres para el YCbCr. Estos
histogramas de entrenamiento han sido calculados utilizando imgenes de piel sobre fondo
blanco.
a)
b)
c)
Figura 4.6 : a), b) y c) Ejemplos de imgenes utilizadas para el entrenamiento del sistema
Estos algoritmos recorren la imagen pxel a pxel descartando los que son blancos (no-piel) y
contabilizando los dems, obteniendo un vector de frecuencias de aparicin de intervalos de
color. Este vector es el histograma de entrenamiento para esa imagen. Repitiendo este proceso
sobre el conjunto de imgenes de entrenamiento obtenemos el histograma de entrenamiento para
cada componente de los espacios de color. A continuacin se muestra en pseudocdigo dicho
algoritmo:
22
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Es necesario adaptar este algoritmo para cada espacio de color, puesto que el color blanco
tiene un valor distinto en cada uno. En concreto, el blanco en RGB es (1,1,1), en HSV es (0,0,1) y
en YCbCr es (0.9216, 0.5020, 0.5020).
a)
b)
c)
Figura 4.7 : Histogramas de entrenamiento de las componentes del espacio de color RGB, respectivamente a), b) y c)
donde vector1 y vector2 son los histogramas que se necesita comparar; y n_bin el
nmero de elementos de los mismos.
23
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
El resultado del proceso es el factor de comparacin entre los dos histogramas. Este factor es
cercano a uno si los histogramas se parecen, es uno si son iguales, y cercano a cero si no tienen
parecido alguno.
4.4
HistogramaCapa:
-
HistogramaPielRGB:
-
Entrada: imagen, canal del espacio de color, nmero de intervalos del histograma de
salida.
Descripcin: es usado para imgenes de slo piel con fondo blanco. Halla el
histograma de un canal del espacio de color sin contabilizar los pxeles blancos. Es
decir, halla el histograma como si slo hubiera piel.
Este procedimiento es similar para los espacios de color HSV e YCbCr. Cambia la forma
de comprobar si el pxel es piel. En RGB compara que sea distinto de (1,1,1) que es el blanco
en RGB y para HSV e YCbCr el blanco es (0,0,1) y (0.9216, 0.5020, 0.5020) respectivamente.
Adems de estos procedimientos, se han creado unos programas que facilitan el desarrollo y
una mejor programacin del proyecto:
24
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
LanzarHist_DistBhatta:
-
Propsito: calcular los histogramas de los tres canales de un espacio de color para
veinte imgenes. Tambin calcula su distancia Bhattacharya respecto a los respectivos
histogramas de entrenamiento
Entrada: los tres histogramas de entrenamiento del espacio de color, el archivo donde
estn la imgenes de entrenamiento y los ficheros donde se guardarn los resultados.
Salida: copia en ficheros .txt los histogramas y las distancias Bhattacharya calculados.
Descripcin: halla los histogramas de las tres componentes de cada imagen y las
compara mediante la distancia de Bhattacharya con sus correspondientes histogramas
de entrenamiento. Los histogramas hallados y las distancias de Bhattacharya se
guardan en ficheros '.txt'.
Este programa se adapta a todos los espacios de color (RGB, HSV, YCbCr) porque tanto
los histogramas de entrenamiento como los ficheros donde se guardaran los resultados son
entradas del programa.
LanzarBhattaEntreHist:
-
Entrada: fichero con los histogramas de un canal de un espacio de color creado con el
programa LanzarHist_DistBhatta y el fichero donde se guardarn los resultados.
Descripcin: dado un fichero con los histogramas en una componente de las veinte
imgenes tratadas en el procedimiento LanzarHist_DistBhatta, devuelve un fichero
'.txt' con la distancia Bhattacharya entre todos los histogramas.
4.5
25
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
HistogramaRegin:
-
Descripcin: halla el histograma de una regin dada de una imagen en niveles de gris.
La regin est definida por el vrtice superior izquierdo. Esta imagen en niveles de
gris suele ser un canal de un espacio de color.
NOTA: si la ventana excede las dimensiones de la imagen, se ajusta su tamao para evitar
errores de desbordamiento.
regin normal
Figura 4.8 : Imagen en la que se ve una ventana que tiene que ser ajustada y otra que no
ValorMedio:
-
Propsito: calcular el valor medio de una regin de una imagen en niveles de gris.
Entrada: imagen, canal del espacio de color, esquina superior izquierda de la regin,
tamao de la regin.
26
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Descripcin: halla el valor medio de una regin de una imagen en niveles de gris. Esta
imagen de grises suele ser un canal de un espacio de color.
DetectorPielYCbCr:
-
Salida: imagen segmentada, en la que slo se reflejan las regiones consideradas como
piel.
DetectorPielHSV1:
-
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
DetectorPielHSV2:
-
Salida: imagen segmentada, en la que slo se reflejan las regiones consideradas como
piel y una matriz booleana.
28
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
MatrizBooleanExperto:
-
a)
b)
c)
d)
e)
FalsosPosiNega:
-
Las regiones que forman parte de los falsos positivos de una imagen son las que aparecen
con un cero en la matriz obtenida por el experto en segmentacin y un uno en la matriz del
29
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
algoritmo de deteccin de piel; mientras que las que pertenecen a los falsos negativos son las
que tienen un uno en la matriz del experto y un cero en la obtenida mediante el algoritmo.
Trabajando con las matrices es:
- Matriz_falsos posit = matriz_automtica (matriz_manual .* matriz_automtica)
- Matriz_falsos negat = matriz_manual (matriz_manual .* matriz_automtica)
El smbolo .* simboliza un producto elemento a elemento.
Por ltimo, basta calcular la cantidad de unos de cada matriz con el procedimiento
NumUnosMatriz para saber el numero final de falsos positivos y falsos negativos.
NumVerdes:
-
Descripcin: devuelve el nmero de pxeles de color verde (0, 1, 0.0039) que hay en la
regin indicada de la imagen. Esta funcin se usa en el procedimiento
MatrizBooleanExperto.
NumUnosMatriz:
-
Entrada: matriz.
4.6
Los falsos positivos y los falsos negativos nos permiten calcular la eficacia del sistema.
- Los falsos positivos en un sistema de deteccin de piel automtica, como es el caso de este
proyecto, son aquellas regiones de la imagen que el sistema cataloga como piel sin serlo.
- Los falsos negativos son aquellas regiones de piel que el sistema cataloga como no-piel.
30
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
a)
b)
Figura 4.11 : a) Imagen original de CarlosSainz9.jpg, b) imagen obtenida al aplicar un algoritmo de deteccin de
piel a la imagen anterior, donde se observan regiones de falsos positivos y falsos negativos.
Para calcular estos ndices se comparan los resultados obtenidos mediante el sistema creado
con los que obtendra una persona experta en segmentacin de piel en imgenes. Para ello, una
persona ha determinado qu regiones de una imagen son piel. Posteriormente se ha sustituido el
color de la piel de estas imgenes por un color verde fcilmente reconocible y que no aparece en
ninguna de las imgenes tratadas. Este color es un verde casi puro (en RGB sin normalizar es el
(0, 255, 1) y en RGB normalizado es el
procedimiento adecuado, obtenemos una matriz en la cual aparece el valor 1 en las regiones que
esta persona catalogara como piel y el valor 0 en las dems. Comparando esta matriz con la
obtenida a partir de las imgenes logradas por medio de los algoritmos de deteccin de piel se
hallan los falsos positivos y los falsos negativos.
a)
b)
Figura 4.12 : a) Imagen original de Camarera1.jpg; y b) imagen tratada de Camarera1.jpg con la piel que
reconocera una persona experta en segmentacin en verde.
31
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Captulo 5
Resultados experimentales
Este captulo est dedicado a presentar los resultados ms importantes obtenidos con los
algoritmos desarrollados distinguiendo distintos espacios de color, YCbCr y HSV, y
umbralizaciones para la distancia de Bhattacharya.
En primer lugar se exponen en unas tablas las verificaciones realizadas durante el
entrenamiento para comprobar la eficacia de la distancia Bhattacharya. Estas tablas son el
resultado de comparar los histogramas de cada imagen con su correspondiente de entrenamiento.
Tambin se muestran las comparaciones entre histogramas del mismo canal.
Posteriormente, se muestran los resultados obtenidos con el espacio de color YCbCr y con el
HSV. El primer grupo de resultados, el de YCbCr, no es muy amplio porque, como se ver, los
resultados no eran prometedores y se opt por avanzar ms con el HSV. Por ltimo, se presenta
la estadstica de los falsos positivos y los falsos negativos, utilizados como medida de la eficiencia
de nuestro sistema.
5.1
32
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
slo aparece la piel sin contar los pxeles blancos. En las figuras 5.1 a 5.4 se representa el
histograma del canal R correspondiente a cada imagen. Una vez calculados los histogramas de las
veinte imgenes, se comparan con el de entrenamiento (figura 5.5) mediante distancia de
Bhattacharya. Tambin se comparan entre s los histogramas de las distintas imgenes de slo piel
para obtener una idea de la similitud entre imgenes de slo piel, a travs de la distancia de
Bhattacharya.
a)
b)
c)
Figura 5.1 : a) Imagen original : Ciclistas.jpg, b) imagen de slo la piel de la original y c) histograma de la
componente R de la imagen de slo piel
a)
b)
c)
Figura 5.2 : a) Imagen original : Torero.jpg, b) imagen de slo la piel de la original y c) histograma de la
componente R de la imagen de slo piel
a)
b)
c)
Figura 5.3 : a) Imagen original : Jugador_voley.jpg, b) imagen de slo la piel de la original y c) histograma de la
componente R de la imagen de slo piel
33
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
a)
b)
c)
Figura 5.4 : a) Imagen original : Hombre_triste.jpg, b) imagen de slo la piel de la original y c) histograma de la
componente R de la imagen de slo piel
Distancia
Bhattacharya
Ciclistas
0.8361
Torero
0.8555
Jugador_voley 0.4722
Hombre_triste 0.7283
Ciclistas
1
Torero
0.4951
1
Jugador_voley
0.7139
0.0967
1
Hombre_triste
0.8742
0.3736
0.5107
1
En las tablas que se muestran a continuacin se sealan los resultados que son inferiores a
0.40. Estos valores corresponden a imgenes en las cuales el histograma correspondiente tiene
una distancia Bhattacharya pequea con respecto al que se compara.
- Tablas en RGB
Tabla 5.3 : Distancia Bhattacharya entre el histograma de cada componente de las veinte fotos y su histograma
correspondiente de entrenamiento.
R
G
B
R*G*B
i1
0.85
0.71
0.78
0.47
i2
0.81
0.75
0.79
0.48
i3
0.86
0.88
0.84
0.64
i4
0.96
0.79
0.55
0.42
i5
0.78
0.65
0.73
0.38
i6
0.91
0.84
0.83
0.64
i7
0.84
0.85
0.90
0.65
i8
0.91
0.91
0.94
0.78
i9
0.79
0.86
0.97
0.67
i10
0.80
0.88
0.86
0.61
i11
0.82
0.91
0.85
0.64
i12
0.80
0.71
0.74
0.42
i13
0.78
0.85
0.86
0.57
i14
0.59
0.60
0.72
0.26
i15
0.91
0.96
0.95
0.83
i16
0.92
0.96
0.98
0.87
i17
0.87
0.93
0.96
0.78
i18
0.97
0.98
0.97
0.93
i19
0.72
0.75
0.82
0.45
i20
0.96
0.97
0.98
0.93
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Tabla 5.4 : Distancia Bhattacharya entre los histogramas de la componente R (rojo) de veinte fotos de
entrenamiento (solo piel)
i1
i2
i3
i4
i5
i6
i7
i8
i9
i10
i11
i12
i13
i14
i15
i16
i17
i18
i19
i20
i1
1
0.94
0.56
0.92
0.63
0.96
0.89
0.72
0.43
0.47
0.43
0.90
0.77
0.57
0.77
0.92
0.98
0.85
0.87
0.88
i2
i3
i4
i5
i6
i7
i8
i9
i10
i11
i12
i13
i14
i15
i16
i17
i18
i19
i20
1
0.53
0.89
0.55
0.92
0.85
0.64
0.37
0.42
0.38
0.88
0.73
0.54
0.74
0.86
0.95
0.83
0.84
0.83
1
0.72
0.52
0.61
0.50
0.81
0.97
0.95
0.94
0.42
0.65
0.29
0.87
0.62
0.60
0.85
0.34
0.79
1
0.76
0.97
0.92
0.88
0.61
0.66
0.67
0.89
0.79
0.60
0.86
0.97
0.94
0.96
0.82
0.97
1
0.76
0.78
0.71
0.49
0.48
0.59
0.83
0.50
0.78
0.56
0.83
0.62
0.69
0.72
0.70
1
0.96
0.77
0.50
0.52
0.53
0.95
0.73
0.63
0.77
0.98
0.95
0.89
0.92
0.92
1
0.69
0.42
0.39
0.46
0.93
0.59
0.61
0.62
0.96
0.85
0.80
0.95
0.85
1
0.74
0.87
0.84
0.65
0.85
0.50
0.93
0.82
0.79
0.94
0.50
0.93
1
0.93
0.95
0.31
0.52
0.22
0.77
0.53
0.45
0.75
0.25
0.70
1
0.96
0.32
0.73
0.26
0.89
0.55
0.54
0.82
0.18
0.77
1
0.36
0.63
0.28
0.81
0.58
0.48
0.80
0.25
0.74
1
0.62
0.75
0.61
0.94
0.88
0.76
0.95
0.79
1
0.43
0.89
0.72
0.83
0.86
0.46
0.82
1
0.43
0.65
0.58
0.53
0.63
0.54
1
0.76
0.84
0.96
0.46
0.92
1
0.91
0.89
0.89
0.91
1
0.90
0.80
0.91
1
0.66
0.89
1
0.71
Tabla 5.5 : Distancia Bhattacharya entre los histogramas de la componente G (verde) de veinte fotos de
entrenamiento (solo piel)
i1
i2
i3
i4
i5
i6
i7
i8
i9
i10
i11
i12
i13
i14
i15
i16
i17
i18
i19
i20
I1
1
0.94
0.46
0.92
0.63
0.88
0.89
0.44
0.42
0.45
0.60
0.87
0.49
0.55
0.76
0.70
0.80
0.67
0.92
0.70
i2
i3
i4
i5
i6
i7
i8
i9
i10
i11
i12
i13
i14
i15
i16
i17
i18
i19
i20
1
0.50
0.97
0.70
0.92
0.96
0.52
0.44
0.46
0.64
0.89
0.46
0.60
0.76
0.76
0.86
0.71
0.96
0.77
1
0.52
0.35
0.56
0.62
0.88
0.93
0.89
0.70
0.41
0.83
0.30
0.83
0.80
0.68
0.89
0.45
0.79
1
0.83
0.98
0.97
0.58
0.49
0.47
0.68
0.95
0.48
0.72
0.76
0.83
0.90
0.74
0.98
0.83
1
0.89
0.77
0.49
0.38
0.31
0.57
0.90
0.31
0.95
0.51
0.79
0.75
0.57
0.83
0.73
1
0.96
0.65
0.55
0.52
0.74
0.95
0.55
0.80
0.78
0.89
0.93
0.79
0.96
0.88
1
0.68
0.58
0.57
0.74
0.89
0.59
0.66
0.83
0.87
0.94
0.82
0.95
0.88
1
0.91
0.82
0.88
0.46
0.88
0.44
0.86
0.86
0.82
0.95
0.52
0.91
1
0.83
0.73
0.40
0.90
0.35
0.82
0.80
0.69
0.91
0.44
0.81
1
0.80
0.37
0.85
0.30
0.87
0.79
0.71
0.86
0.45
0.80
1
0.60
0.83
0.58
0.92
0.88
0.92
0.90
0.65
0.93
1
0.38
0.86
0.64
0.80
0.81
0.64
0.95
0.75
1
0.33
0.88
0.78
0.74
0.89
0.49
0.81
1
0.47
0.76
0.68
0.51
0.75
0.68
1
0.89
0.92
0.96
0.73
0.93
1
0.93
0.93
0.81
0.97
1
0.91
0.87
0.97
1
0.70
0.96
1
0.80
Tabla 5.6 : Distancia Bhattacharya entre los histogramas de la componente B (azul) de veinte fotos de
entrenamiento (solo piel)
i1
i2
i3
i4
i5
i6
i7
i8
i9
i10
i11
i12
i13
i14
i15
i16
i17
i18
i19
i20
i1
1
0.89
0.51
0.66
0.86
0.83
0.85
0.63
0.77
0.61
0.93
0.82
0.72
0.69
0.82
0.76
0.78
0.74
0.96
0.76
i2
i3
i4
i5
i6
i7
i8
i9
i10
i11
i12
i13
i14
i15
i16
i17
i18
i19
i20
1
0.47
0.87
0.98
0.92
0.93
0.63
0.79
0.52
0.84
0.91
0.54
0.83
0.77
0.80
0.83
0.72
0.97
0.79
1
0.99
0.41
0.49
0.62
0.81
0.79
0.89
0.53
0.37
0.82
0.32
0.79
0.78
0.74
0.89
0.49
0.77
1
0.93
0.84
0.80
0.34
0.56
0.22
0.53
0.86
0.20
0.76
0.44
0.57
0.57
0.45
0.77
0.54
1
0.94
0.92
0.55
0.73
0.43
0.78
0.94
0.45
0.85
0.67
0.75
0.76
0.64
0.94
0.73
1
0.96
0.66
0.81
0.50
0.82
0.97
0.50
0.92
0.73
0.86
0.82
0.72
0.91
0.83
1
0.77
0.89
0.63
0.85
0.93
0.67
0.90
0.81
0.92
0.88
0.83
0.93
0.90
1
0.96
0.82
0.75
0.53
0.89
0.57
0.94
0.91
0.95
0.96
0.67
0.96
1
0.78
0.82
0.71
0.87
0.69
0.94
0.95
0.98
0.96
0.81
0.98
1
0.69
0.40
0.83
0.38
0.85
0.78
0.78
0.87
0.59
0.79
1
0.81
0.77
0.74
0.87
0.85
0.85
0.79
0.93
0.85
1
0.45
0.94
0.62
0.78
0.71
0.60
0.90
0.74
1
0.40
0.90
0.80
0.82
0.91
0.65
0.84
1
0.57
0.79
0.77
0.57
0.81
0.74
1
0.91
0.96
0.97
0.82
0.94
1
0.94
0.94
0.82
0.98
1
0.95
0.84
0.98
1
0.76
0.96
1
0.82
- Tablas en HSV
Tabla 5.7 : Distancia entre el histograma de cada componente de las veinte fotos y su histograma
correspondiente de entrenamiento.
H
S
V
H*S*V
i1
0.95
0.76
0.85
0.62
i2
0.95
0.72
0.81
0.55
i3
0.97
0.90
0.86
0.77
i4
0.96
0.59
0.96
0.55
i5
0.69
0.90
0.78
0.49
i6
0.94
0.75
0.91
0.65
i7
0.98
0.96
0.84
0.80
i8
0.96
0.89
0.91
0.78
i9
0.94
0.87
0.79
0.65
i10
0.94
0.92
0.80
0.70
i11
0.94
0.66
0.82
0.51
i12
0.95
0.67
0.80
0.51
i13
0.96
0.86
0.78
0.65
i14
0.76
0.97
0.60
0.45
i15
0.97
0.89
0.91
0.79
i16
0.99
0.98
0.92
0.90
i17
0.94
0.96
0.87
0.79
i18
0.96
0.93
0.97
0.88
i19
0.97
0.90
0.72
0.64
i20
0.96
0.94
0.96
0.87
35
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Tabla 5.8 : Distancia Bhattacharya entre los histogramas de la componente H (tono) de veinte fotos de
entrenamiento (solo piel)
i1
i2
i3
i4
i5
i6
i7
i8
i9
i10
i11
i12
i13
i14
i15
i16
i17
i18
i19
i20
I1
1
0.99
0.99
0.99
0.62
0.99
0.96
0.99
0.99
0.99
0.99
0.99
0.99
0.70
0.99
0.95
0.94
1
098.
0.99
i2
i3
i4
i5
i6
i7
i8
i9
i10
i11
i12
i13
i14
i15
i16
i17
i18
i19
i20
1
0.99
0.99
0.58
0.99
0.96
0.99
0.99
0.99
0.99
0.99
0.99
0.68
0.99
0.94
0.92
0.99
0.97
0.99
1
0.99
0.60
0.99
0.97
0.99
0.99
0.99
0.98
0.99
0.99
0.70
0.99
0.97
0.93
0.99
0.98
0.99
1
0.64
0.99
0.97
0.98
0.99
0.99
0.99
0.99
0.98
0.71
0.99
0.95
0.95
0.99
0.99
0.99
1
0.57
0.76
0.56
0.56
0.60
0.57
0.62
0.55
0.83
0.61
0.66
0.78
0.62
0.71
0.64
1
0.95
0.99
0.99
0.99
0.99
0.99
0.99
0.67
0.99
0.94
0.92
0.99
0.97
0.99
1
0.96
0.95
0.96
0.95
0.96
0.96
0.78
0.97
0.97
0.96
0.97
0.99
0.97
1
0.99
0.99
0.99
0.99
0.99
0.67
0.99
0.96
0.91
0.99
0.97
0.98
1
0.99
0.99
0.99
0.99
0.66
0.99
0.94
0.91
0.99
0.97
0.99
1
0.99
0.99
0.98
0.69
0.99
0.94
0.93
0.99
0.98
0.99
1
0.99
0.99
0.67
0.99
0.93
0.92
0.99
0.97
0.99
1
0.98
0.70
0.99
0.95
0.94
0.99
0.98
0.99
1
0.67
0.99
0.96
0.91
0.99
0.97
0.98
1
0.70
0.73
0.79
0.70
0.76
0.72
1
0.97
0.94
0.99
0.98
0.99
1
0.94
0.95
0.97
0.96
1
0.94
0.97
0.95
1
0.98
0.99
1
0.99
Tabla 5.9 : Distancia Bhattacharya entre los histogramas de la componente S (saturacin) de veinte fotos de
entrenamiento (solo piel)
i1
i2
i3
i4
i5
i6
i7
i8
i9
i10
i11
i12
i13
i14
i15
i16
i17
i18
i19
i20
i1
1
0.84
0.67
0.47
0.95
0.73
0.86
0.77
0.79
0.80
0.75
0.74
0.76
0.79
0.94
0.70
0.75
0.78
0.89
0.83
i2
i3
i4
i5
i6
i7
i8
i9
i10
i11
i12
i13
i14
i15
i16
i17
i18
i19
i20
1
0.49
0.83
0.86
0.94
0.86
0.59
0.89
0.67
0.96
0.97
0.49
0.68
0.82
0.66
0.70
0.62
0.71
0.78
1
0.29
0.80
0.47
0.82
0.88
0.64
0.91
0.41
0.41
0.91
0.91
0.80
0.92
0.91
0.95
0.84
0.81
1
0.58
0.91
0.71
0.37
0.82
0.43
0.87
0.91
0.24
0.49
0.52
0.57
0.58
0.41
0.42
0.62
1
0.80
0.96
0.88
0.89
0.87
0.78
0.78
0.83
0.90
0.98
0.85
0.90
0.90
0.95
0.95
1
0.86
0.56
0.94
0.61
0.96
0.96
0.44
0.68
0.74
0.69
0.72
0.58
0.65
0.80
1
0.86
0.94
0.87
0.81
0.82
0.81
0.93
0.93
0.93
0.95
0.90
0.91
0.96
1
0.78
0.84
0.46
0.48
0.92
0.88
0.92
0.87
0.93
0.97
0.96
0.94
1
0.73
0.86
0.87
0.63
0.80
0.87
0.81
0.86
0.77
0.83
0.94
1
0.58
0.59
0.87
0.92
0.87
0.90
0.86
0.90
0.89
0.84
1
0.98
0.37
0.62
0.70
0.60
0.64
0.52
0.59
0.71
1
0.39
0.61
0.71
0.62
0.65
0.54
0.60
0.71
1
0.90
0.86
0.88
0.87
0.95
0.91
0.83
1
0.89
0.95
0.93
0.93
0.91
0.91
1
0.84
0.90
0.92
0.98
0.95
1
0.96
0.93
0.86
0.90
1
0.97
0.90
0.95
1
0.94
0.92
1
0.95
- Tablas en YCbCr
Tabla 5.10 : Distancia entre el histograma de cada componente de las veinte fotos y su histograma
correspondiente de entrenamiento.
Y
Cb
Cr
Y*Cb*Cr
i1
0.77
0.91
0.90
0.64
i2
0.77
0.91
0.86
0.61
i3
0.87
0.90
0.98
0.78
i4
0.83
0.91
0.86
0.65
i5
0.71
0.81
0.99
0.59
i6
0.86
0.98
0.84
0.71
i7
0.85
0.94
0.86
0.69
i8
0.91
0.92
0.93
0.78
i9
0.87
0.75
0.93
0.62
i10
0.83
0.98
0.96
0.79
i11
0.89
0.61
0.72
0.40
i12
0.74
0.92
0.94
0.65
i13
0.89
0.90
0.86
0.69
i14
0.61
0.78
0.87
0.42
i15
0.95
0.92
0.88
0.78
i16
0.96
0.91
0.91
0.80
i17
0.93
0.91
0.99
0.84
i18
0.98
0.91
0.97
0.88
i19
0.74
0.92
0.92
0.63
i20
0.98
0.90
0.95
0.85
36
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
En la Tabla 5.11 se observa como la imagen i11 aunque es piel su histograma no se parece al
de casi ninguna otra imagen de piel, al tener la distancia de Bhattacharya muy pequea. Esto
puede ser debido a la luminancia de la imagen. Imgenes de este tipo sern un problema para el
sistema creado.
Tabla 5.11 : Distancia Bhattacharya entre los histogramas de la componente Cb de veinte fotos de
entrenamiento (solo piel)
i1
i2
i3
i4
i5
i6
i7
i8
i9
i10
i11
i12
i13
i14
i15
i16
i17
i18
i19
i20
i1
1
0.99
0.99
0.70
0.74
0.96
0.98
0.99
0.46
0.95
0.29
0.99
0.99
0.75
1
0.99
0.99
0.99
0.99
0.99
i2
i3
i4
i5
I6
i7
i8
i9
i10
i11
i12
i13
i14
i15
i16
i17
i18
i19
i20
1
0.99
0.70
0.73
0.96
0.98
0.99
0.45
0.94
0.28
0.99
0.99
0.75
0.99
0.99
0.99
0.99
0.99
0.99
1
0.68
0.75
0.95
0.98
0.99
0.43
0.93
0.26
0.99
0.99
0.77
0.99
0.99
0.99
0.99
0.99
0.99
1
0.64
0.86
0.74
0.72
0.94
0.89
0.88
0.71
0.67
0.58
0.71
0.69
0.68
0.69
0.70
0.68
1
0.75
0.85
0.74
0.47
0.75
0.35
0.74
0.73
0.99
0.74
0.75
0.75
0.75
0.79
0.73
1
0.96
0.97
0.67
0.99
0.53
0.96
0.95
0.74
0.96
0.96
0.95
0.96
0.96
0.95
1
0.98
0.51
0.95
0.35
0.98
0.97
0.86
0.98
0.98
0.98
0.98
0.99
0.97
1
0.48
0.95
0.31
0.99
0.99
0.76
0.99
0.99
0.99
0.99
0.99
0.99
1
0.71
0.96
0.47
0.42
0.38
0.46
0.44
0.43
0.44
0.45
0.43
1
0.57
0.95
0.93
0.73
0.95
0.94
0.94
0.94
0.94
0.94
1
0.30
0.25
0.26
0.29
0.27
0.26
0.27
0.28
0.26
1
0.99
0.76
1
0.99
0.99
0.99
0.99
0.99
1
0.75
0.99
0.99
0.99
0.99
0.99
0.99
1
0.75
0.77
0.77
0.77
0.81
0.75
1
0.99
0.99
0.99
0.99
0.99
1
0.99
1
0.99
0.99
1
0.99
0.99
0.99
1
0.99
0.99
1
0.99
Tabla 5.12 : Distancia Bhattacharya entre los histogramas de la componente Cr de veinte fotos de entrenamiento
(solo piel)
i1
i2
i3
i4
i5
i6
i7
i8
i9
i10
i11
i12
i13
i14
i15
i16
i17
i18
i19
i20
i1
1
0.99
0.91
0.98
0.88
0.99
0.60
0.73
0.99
0.98
0.93
0.99
0.61
0.76
0.99
0.69
0.94
0.85
0.71
0.98
i2
i3
i4
i5
i6
i7
i8
i9
i10
i11
i12
i13
i14
i15
i16
i17
i18
i19
i20
1
0.87
0.99
0.84
0.99
0.52
0.66
0.98
0.95
0.96
0.97
0.54
0.73
0.99
0.61
0.90
0.80
0.64
0.96
1
0.85
0.97
0.85
0.86
0.94
0.94
0.97
0.72
0.95
0.87
0.86
0.90
0.92
0.99
0.99
0.93
0.97
1
0.84
0.99
0.49
0.63
0.97
0.94
0.97
0.96
0.51
0.71
0.98
0.59
0.89
0.77
0.61
0.95
1
0.82
0.85
0.92
0.92
0.95
0.70
0.92
0.86
0.88
0.86
0.90
0.97
0.96
0.91
0.94
1
0.49
0.63
0.97
0.94
0.97
0.97
0.50
0.71
0.99
0.58
0.88
0.78
0.61
0.95
1
0.98
0.65
0.74
0.29
0.68
0.99
0.76
0.56
0.99
0.83
0.92
0.98
0.72
1
0.77
0.95
0.46
0.80
0.98
0.81
0.70
0.99
0.91
0.97
0.99
0.83
1
0.99
0.91
0.99
0.66
0.79
0.99
0.73
0.96
0.88
0.75
0.99
1
0.85
0.99
0.75
0.82
0.97
0.81
0.98
0.93
0.83
0.99
1
0.89
0.31
0.59
0.95
0.40
0.77
0.62
0.43
0.86
1
0.70
0.80
0.98
0.76
0.97
0.90
0.78
0.99
1
0.76
0.58
0.99
0.84
0.93
0.99
0.73
1
0.75
0.80
0.84
0.84
0.80
0.81
1
0.65
0.92
0.83
0.68
0.97
1
0.89
0.96
0.99
0.80
1
0.97
0.90
0.98
1
0.97
0.93
1
0.81
37
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
5.2
Resultados en YCbCr
a)
b)
c)
d)
e)
f)
Figura 5.7: a) Imgenes originales. Imgenes tratadas con el algoritmo DetectorPielYCbCr con los siguientes
umbrales para Cb y Cr: b) 0.8 y 0.0, c) 0.9 y 0.5, d) 0.0 y 0.8, e) 0.5 y 0.9, f) 0.8 y 0.8, respectivamente. Todas con un
tamao de regin de 20*20 pxeles
38
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Resultados en HSV
a)
b)
c)
d)
e)
Figura 5.8: a) Imgenes originales, b) y c) imgenes tratadas con el algoritmo DetectorPielHSV1 con umbral S de
0.3 y 0.4, respectivamente, d) y e) imgenes tratadas con el algoritmo DetectorPielHSV2 con umbral S de 0.3 y 0.4
respectivamente. Ambos algoritmos con umbral H = 0.93 y tamao de regin de 20*20 pxeles
39
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
a)
b)
c)
d)
e)
Figura 5.9: a) Imgenes originales, b) y c) imgenes tratadas con el algoritmo DetectorPielHSV1 con umbral S de
0.3 y 0.4, respectivamente, d) y e) imgenes tratadas con el algoritmo DetectorPielHSV2 con umbral S de 0.3 y 0.4
respectivamente. Ambos algoritmos con umbral H = 0.93 y tamao de regin de 10*10 pxeles
40
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
En las figuras de este apartado, la columna a) est dedicada a la imagen original, mientras que
en las dems se expone dicha imagen tratada.
En la figura 5.7 podemos observar algunos de los resultados obtenidos con el espacio de
color YCbCr. En las columnas de la b) a la f) estn las imgenes obtenidas mediante el
algoritmo DetectorPielYCbCr con distintos umbrales. El tamao de la regin a tratar es en todos
los casos de 20*20 y los umbrales usados para Cb y Cr han sido los siguientes: b) 0.8 y 0.0, c) 0.9
y 0.5, d) 0.0 y 0.8, e) 0.5 y 0.9, f) 0.8 y 0.8, respectivamente.
En las figura 5.8 y 5.9 se exponen imgenes tratadas con los algoritmos DetectorPielHSV1
(columnas b) y c) ) y DetectorPielHSV2 (columnas d) y e) ). Los umbrales usados han sido: para
H de 0.93 en todos las columnas y para S de 0.3 para las columnas b) y d), y de 0.4 para c) y e).
Conviene recordar que la diferencia entre estos algoritmos de deteccin de piel en HSV es que
DetectorPielHSV2 tiene en cuenta el valor medio de V en la regin. Por lo que las columnas d) y
e) adems de los umbrales mencionados tienen que tener un valor medio de V mayor de 0.4.
La nica diferencia entre las figuras 5.8 y 5.9 es el tamao de la regin considerada: en la
figura 5.8 el tamao de la regin es de 20*20 pxeles, mientras que en la figura 5.9 es de 10*10.
5.3
Anlisis estadstico
Una manera cuantitativa de verificar si los resultados obtenidos por los algoritmos
desarrollados son aceptables, se basa en el estudio de los falsos positivos y los falsos negativos de
un nmero razonable de imgenes tratadas con el mismo algoritmo.
A continuacin se muestran dos tablas con los porcentajes de falsos positivos y falsos
negativos de los algoritmos DetectorPielHSV1 y DetectorPielHSV2. Los umbrales utilizados en
cada caso son los siguientes:
Umbrales del algoritmo DetectorPielHSV1:
-
41
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Tabla 5.13: Tabla de los falsos positivos y los falsos negativos del algoritmo DetectorPielHSV1. Resultados en %
(tanto por ciento)
Nombre de
la imagen
Brett
Manuel
Piernas3
Rubia
Smile
Camarera1
Daniel05
Javi
Beckham2
Beckham7
Beckham8
Beckham13
CarlosSainz9
Mama_pisci
Foto008
Foto038
Foto065
Foto243
Foto329
Principe13
Cloony3
Cloony10
Cloony15
HijoSadam1
CiclismoB17
0.8542
8.0515
2.0259
42
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Tabla 5.14: Tabla de los falsos positivos y los falsos negativos del algoritmo DetectorPielHSV2. Resultados en %
(tantos por ciento)
Nombre de
la imagen
Brett
Manuel
Piernas3
Rubia
Smile
Camarera1
Daniel05
Javi
Beckham2
Beckham7
Beckham8
Beckham13
CarlosSainz9
Mama_pisci
Foto008
Foto038
Foto065
Foto243
Foto329
Principe13
Cloony3
Cloony10
Cloony15
HijoSadam1
CiclismoB17
1.5369
5.3482
2.7729
43
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Las figura 5.10 muestra un ejemplo sobre la Tabla 5.14, en el que el rendimiento obtenido
con un umbral de saturacin de 0.4 (subtabla de la derecha) es bastante inferior al logrado con un
umbral de 0.3 (subtabla de la izquierda).
a)
b)
c)
Figura 5.10 : a) Tatuaje2.jpg (Imagen original), b) Imagen tratada con un umbral de saturacin (S) de 0.3, y c)
imagen obtenida con un umbral de saturacin (S) de 0.4, adems del umbral de 0.93 y de 0.4 para la H y la V
respectivamente
a)
b)
c)
Figura 5.11 : a) kruger.jpg (Imagen original), b) imagen tratada con un umbral de saturacin (S) de 0.3, y c)
imagen obtenida con un umbral de saturacin (S) de 0.4, adems del umbral de 0.93 y 0.4 para la H y la V
respectivamente
44
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Captulo 6
Conclusiones y futuras lneas
Conclusiones:
1.
2.
3.
4.
5.
Se ha creado una toolbox de funciones Matlab que permite la deteccin del color de la
piel en imgenes a color basado en el anlisis de histogramas, utilizando para ello los
histogramas obtenidos durante la etapa de entrenamiento.
6.
7.
8.
El anlisis estadstico de los resultados muestra que el nivel de xito del sistema es
aceptable. En concreto, se han desarrollados algoritmos que consiguen una tasa de
45
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
falsos positivos del 5.3 % y de falsos negativos del 2.8 % basndose en anlisis de
regiones y umbralizacin de la luminancia.
Futuras lneas:
1.
2.
3.
4.
Finalmente, se considera que el modelo propuesto puede ser til por su aplicacin en
sistemas control de acceso a pginas web cuyo contenido sea inadecuado para
internautas infantiles.
46
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
Bibliografa
[Ahlberg 1999] AHLBERG, J. 1999. A system for face localization and facial feature extraction. Tech. Rep.
LiTH-ISY-R-2172, Linkoping University.
[Birchfield 1998] BIRCHFIELD, S. 1998. Elliptical head tracking using intensity gradients and color histograms.
In Proceedings of CVPR 98, 232-237.
[Brand and Mason 2000] BRAND, J., AND MASON, J. 2000. A comparative assessment of three approaches to
pixellevel human skin-detection. In Proc. of de International Conference on Pattern Recognition, vol. 1, 1056-1059.
[Brown et al. 2001] BROWN, D., CRAW, I., AND LEWTHWAITE, J. 2001. A som based approach to skin
detection with application in real time systems. In Proc. of the British Machine Vision conference, 2001.
[Chai and Bouzerdoum 2000] CHAI, D., AND BOUZERDOUM, A. 2000. A bayesian approach to skin color
classification in ycbcr color space. In Proceedings IEEE Region Ten Conference (TENCON 2000), vol. 2, 421-424.
[Chen et al. 1995]CHEN, Q., WU, H., AND YAHCIDA, M. 1995. Face detection by fuzzy pattern machining.
In Proc. of the Fifth International Conference on Computer Vision, 591-597.
[Esqueda 2002] ESQUEDA, J.J. 2002. Fundamentos de procesamientos de imgenes. CONACTEC 2002.
Instituto Tecnolgico de Ciudad Madero. Mxico.
[Fleck et al. 2002] FLECK, M., FORSYTH, D. A., AND BREGLER, C. 2002. Finding nacked people. In Proc. of
the ECCV, vol. 2, 592 602.
[Garca et al. 2001] GARCA, J., RODRGUEZ, J. I., BRAZLEZ, A. 2001. Aprenda Matlab 6.1 como si
estuviera en primero. E. T. S. I. Industriales. Universidad Politcnica de Madrid.
[Gomez 2000] GOMEZ, G. 2000. On selecting colour components for skin detection. In Proc. of the ICPR, vol.
2, 961 964.
[Gomez and Morales 2002] GOMEZ, G., AND MORALES, E. 2002. Automatic feature construction and a
simple rule induction algorithm for skin detection. In Proc. of the ICML Workshop on Machine Learning in Computer
Vision, 31 38.
[Hsu et al. 2002] HSU, R. L., ABDEL-MOTTALEB, M., AND JAIN, A. K. 2002. Face detection in color
images. IEEE Trans. Pattern Analysis and Machine Intelligence 24, 5, 696 706.
[Jedynack et al. 2002] JEDYNAK, B., ZHENG, H., DAOUDI, M., AND BARRET, D. 2002. Maximum
entropy models for skin detection. Tech. Rep. XIII, Universite des Sciences et Technologies de Lille, France.
[Jones and Rehg 1999] JONES, M. J., AND REHG, J. M. 1999. Statistical color models with application to skin
detection. In Proc. of the CVPR99, vol. 1, 274 280.
[Jordao et al. 1999] JORDAO, L., PERRONE, M., COSTEIRA, J., AND SANTOS-VICTOR, J. 1999. Active
face and feature tracking. In Proceeding of the 10th International Conference on Image Analysis and Processing, 572 577.
[Lee and Yoo 2002] LEE, J. Y., AND YOO, S. I. 2002. An elliptical boundary model for skin color detection. In
Proc. of the 2002 International Conference on Imaging Science, Systems, and Technology.
[McKenna et al. 1998] McKENNA, S., GONG, S., AND RAJA, Y. 1998. Modelling facial colour and identity
with gaussian mixtures. Pattern Recognition 31, 12, 1883 1892.
[Menser and Wien 2000] MENSER, B., AND WIEN, M. 2000. Segmentation and tracking of facial regions in
color image sequences. In Proc. SPIE Visual Communications and Image Processing 2000, 731 740.
[Oliver et al. 1997] OLIVER, N., PENTLAND, A., AND BERARD, F. 1997. Lafter: Lips and face real time
tracker. In Proc. Computer Vision and Pattern Recognition, 123 129.
47
Deteccin automtica del color de la piel en imgenes bidimensionales basado en el anlisis de regiones
[Peer et al. 2003] PEER, P., KOVAC, J., AND SOLINA, F. 2003. Human skin colour clustering for face
detection. In submitted to EUROCON 2003 International Conference on Computer as a Tool.
[Phung et al. 2002] PHUNG, S. L., BOUZERDOUM, A., AND CHAI, D. 2002. A novel skin color model in
ycbcr color space and its application to human face detection. In IEEE International Conference on Image Processing
(ICIP2002), vol.1, 289 292.
[Prdanos et al. 2002] PRDANOS, R., SANZ, J. M., DOMNGUEZ, M., ESPINOSA, M. 2002. Perspectivas
de futuro en la variable color en ingeniera grfica. En XIV Congreso Internacional de Ingeniera Grfica. Santander.
[Saber and Tekalp 1998] SABER, E., AND TEKALP, A. 1998. Frontal-view face detection and facial feature
extraction using color, shape and symmetry based cost functions. In Pattern Recognition Letters, vol.9, 669 680.
[Schied 1997] SCHIED, A., 1997. Geometric aspects of Fleming-Viot and Dawson-Watanebe processes.
Humboldt-Universitt zu Berlin. In The annals of Probability, 1997, vol. 25, N 3, 1160 1179.
[Schumeyer and Barner 1998] SCHUMEYER, R., AND BARNER, K. 1998. A color-based classifier for region
identification in video. In Visual Communications and Image Processing 1998, SPIE, vol. 3309, 189 200.
[Sigal et al. 2000] SIGAL, L., SCLAROFF, S., AND ATHITSOS, V. 2000. Estimation and prediction of
evolving color distributions for skin segmentation under varying illumination. In Proc. IEEE Conf. on Computer Vision
and Pattern Recognition, vol. 2, 152 159.
[Soriano et al. 2000] SORIANO, M., HUOVINEN, S., MARTINKAUPPI, B., AND LAAKSONEN, M. 2000.
Skin detection in video under changing illumination conditions. In Proc. 15th International Conference on Pattern
Recognition, 249 255.
[Srihari et al. 2003] SRIHARI, S., TOMAI, C., ZHANG, B., AND LEE, S. 2003. Individuality of Numerals. In
Proc. Of the Seventh International Conference of Document Anlisis and Recognition (ICDAR 2003).
[Terrillon et al. 2000] TERRILLON, J. C., SHIRAZI, M. N., FUKAMACHI, H., AND AKAMATSU, S. 2000.
Comparative performance of different skin chrominance models and chrominance spaces for the automatic
detection of human faces in color images. In Proc. of the International Conference on Face and Gesture Recognition, 54 61.
[Vlez et al. 2003] VLEZ, J., SANCHEZ, A., MORENO, A. B., ESTEBAN, J. L. 2003. Visin por
computador. Dykinson S. L.
[Vezhnevets et al. 2003] VEZHNEVETS, V., SAZONOV, V., AND ANDREEVA, A. 2003. A Survey on
Pixel-Based Skin Color Detection Techniques. In Proc. Graphicon-2003, pp. 85 92. Moscow, Rusia.
[Vicente et al. 2004] VICENTE, C., GARCA, G., GARCA, A. 2.004. Seguimiento de caras humanas mediante
bsqueda logartmica en rejilla. Dept. Tecn. de la Informacin y las Comunicaciones. Univ. Politcnica de Cartagena.
[Yang and Ahuja 1998] YANG, M. H., AND AHUJA, N. 1998. Detecting human faces in color images. In
International Conference on Image Processing (ICIP), vol. 1, 127 130.
[Yang and Ahuja 1999] YANG, M. H., AND AHUJA, N. 1999. Gaussian mixture model for human skin color
and its application in image and video databases. In Proc. of the SPIE: Conf. on Storage and Retrieval for Image and Video
Databases (SPIE 99), vol. 3656, 458 466.
[Zarit et al. 1999] ZARIT, B. D., SUPER, B. J., AND QUEK, F. K. H. 1999. Comparison of five color models
in skin pixel classification. In ICCV99 Intl Workshop on recognition, analysis and tracking of face and gestures in Real-Time
systems, 58 63.
[web1] http://energiaycomputacion.univalle.edu.co/edicion14.html#introduccion
[web2] www.adobe.es/products/photoshop/main.html
[web3] www.desarrolloweb.com/articulos/imprimir.php?id=1503
[web4] www.gig.etsii.upm.es/pdf/doctorado/EL%20COLOR.pdf
[web5] www.mathworks.com
48