Piel en la Web

Deteccion de Piel en Imagenes en la Web

Alejandro C. Frery Heitor Ramos

Instituto de Computaca
o
CPMAT & LCCV
Universidade Federal de Alagoas

ECImage
30 de julio de 2008

1 / 59
Piel en la Web
Introducci
on

Estructura
1 Introducci
on
2 Arquitectura
3 Preprocesador de Im
agenes
4 Procesador de Imagenes
5 Color
Correccion de Color
Reduccion de Dimension
6 Clasificadores
Tecnicas
Evaluacion
7 Resultados
8 Conclusiones
2 / 59
Piel en la Web
Introducci
on

Motivacion
Con el crecimiento de Internet aumentaron los problemas que
devienen de la exposicion a material inadecuado.
Tal exposicion acarrea congestionamientos en la red.
Uno de los contenidos inadecuados que m as preocupa es la
pornografa que, por ser un concepto cultural difuso y no
poseer fronteras bien definidas, es difcil de tratar.
No trataremos aqu los problemas de pornografa ni de
censura bajo aspectos eticos, polticos, religiosos o legales.
El volumen, la variabilidad y la naturaleza dinamica de las
informaciones disponibles por Internet conforman las
principales dificultades para el desarrollo de sistemas de
bloqueo de imagenes inadecuadas.
Las soluciones mas frecuentes son listas negras y filtros de
texto.
3 / 59
Piel en la Web
Introducci
on

Propuesta

Desarrollar estrategias autom

aticas o asistidas para apoyo a la
censura de imagenes pornograficas: un sistema de
categorizacion de im
agenes en funcion de su potencial
contenido ofensivo.
Usar tecnicas de procesamiento de im agenes, computacion
grafica, visi
on computacional, inteligencia artificial, estadstica
e ingeniera de software.
La nota dada a cada imagen sera en funcion de atributos, que
dependen fuertemente de la identificaci
on de piel humana.

4 / 59
Piel en la Web
Introducci
on

Objetivos

Ofrecer mecanismos de bloqueo de im agenes utilizando

criterios bien definidos y ajustables
Especificar y desarrollar algoritmos para realizar esa tarea en
un ambiente Web de producci on (restricciones de tiempo y de
poder computacional)
Integrar los algoritmos en un sistema de apoyo a la
administracion de sistemas Web

5 / 59
Piel en la Web
Introducci
on

Objetivos

Ofrecer mecanismos de bloqueo de im agenes utilizando

criterios bien definidos y ajustables
Especificar y desarrollar algoritmos para realizar esa tarea en
un ambiente Web de producci on (restricciones de tiempo y de
poder computacional)
Integrar los algoritmos en un sistema de apoyo a la
administracion de sistemas Web

5 / 59
Piel en la Web
Introducci
on

Objetivos

Ofrecer mecanismos de bloqueo de im agenes utilizando

criterios bien definidos y ajustables
Especificar y desarrollar algoritmos para realizar esa tarea en
un ambiente Web de producci on (restricciones de tiempo y de
poder computacional)
Integrar los algoritmos en un sistema de apoyo a la
administracion de sistemas Web

5 / 59
Piel en la Web
Introducci
on

Estructura de Funcionamiento
User requests a web page

Web server
retrieves the page
and shows it to
user

no
Is a pornography image?
Notify the user
yes Block the Image
Web Server
(Apache)

yes

Are there yes The image is in

images in the page? cache?

no no

Web server Analyze the

retrieves the page image
and shows it to and put
user the information
in cache

6 / 59
Piel en la Web
Arquitectura

Estructura
1 Introducci
on
2 Arquitectura
3 Preprocesador de Im
agenes
4 Procesador de Imagenes
5 Color
Correccion de Color
Reduccion de Dimension
6 Clasificadores
Tecnicas
Evaluacion
7 Resultados
8 Conclusiones
7 / 59
Piel en la Web
Arquitectura

Arquitetura
Image Analyzer Module

Input
Image (jpg,
gif, png)

PreProcessor

Graphic
Abstraction
(RGB)

Processor

Skin Segmented
Image
Feature
Extractor

Some
Extracted
Features

Qualifier

Image
Output Evaluation

8 / 59
Piel en la Web
Preprocesador de Im
agenes

Estructura
1 Introducci
on
2 Arquitectura
3 Preprocesador de Im
agenes
4 Procesador de Imagenes
5 Color
Correccion de Color
Reduccion de Dimension
6 Clasificadores
Tecnicas
Evaluacion
7 Resultados
8 Conclusiones
9 / 59
Piel en la Web
Preprocesador de Im
agenes

Preprocesamento de imagenes

Objetivos
Hacer una abstracci
on del formato gr
afico, y
detectar y evitar ataques al sistema.

10 / 59
Piel en la Web
Procesador de Im
agenes

Estructura
1 Introducci
on
2 Arquitectura
3 Preprocesador de Im
agenes
4 Procesador de Imagenes
5 Color
Correccion de Color
Reduccion de Dimension
6 Clasificadores
Tecnicas
Evaluacion
7 Resultados
8 Conclusiones
11 / 59
Piel en la Web
Procesador de Im
agenes

Procesamiento de Imagenes

Responsable por la detecci

on de piel humana
Deteccion de Piel
Toda la calificacion depende de la detecci
on de piel humana.
Fallas en esta etapa se propagar
an, pudiendo llevar a errores
groseros de clasificacion.

12 / 59
Piel en la Web
Color

Estructura
1 Introducci
on
2 Arquitectura
3 Preprocesador de Im
agenes
4 Procesador de Imagenes
5 Color
Correccion de Color
Reduccion de Dimension
6 Clasificadores
Tecnicas
Evaluacion
7 Resultados
8 Conclusiones
13 / 59
Piel en la Web
Color

Deteccion de piel

El principal atributo utilizado es el color.

Una vez identificadas las posiciones de colores que pueden ser
de piel, otros atributos pueden extraerse (textura, formas etc.)
La falta de control sobre la iluminacion de las escenas, la
variabilidad de la calidad de las im
agenes y las infinitas
posibilidades de contenido imponen un desafo importante.

14 / 59
Piel en la Web
Color

Deteccion de piel

El principal atributo utilizado es el color.

Una vez identificadas las posiciones de colores que pueden ser
de piel, otros atributos pueden extraerse (textura, formas etc.)
La falta de control sobre la iluminacion de las escenas, la
variabilidad de la calidad de las im
agenes y las infinitas
posibilidades de contenido imponen un desafo importante.

14 / 59
Piel en la Web
Color

Deteccion de piel

El principal atributo utilizado es el color.

Una vez identificadas las posiciones de colores que pueden ser
de piel, otros atributos pueden extraerse (textura, formas etc.)
La falta de control sobre la iluminacion de las escenas, la
variabilidad de la calidad de las im
agenes y las infinitas
posibilidades de contenido imponen un desafo importante.

14 / 59
Piel en la Web
Color

Color

El color es una sensacion visual que s

olo ocurre en presencia
de la luz.
La ciencia que estudia los colores es la colorimetra, y
esta fuertemente relacionada con la psicometra.
Para los seres humanos, los colores se especifican con tres
valores reales (vectores en R3 ).
Hay varias formas de organizar los colores en espacios 3D:
CIE-RGB, HSV, HSB, CIE-LAB etc.

15 / 59
Piel en la Web
Color

Color

El color es una sensacion visual que s

olo ocurre en presencia
de la luz.
La ciencia que estudia los colores es la colorimetra, y
esta fuertemente relacionada con la psicometra.
Para los seres humanos, los colores se especifican con tres
valores reales (vectores en R3 ).
Hay varias formas de organizar los colores en espacios 3D:
CIE-RGB, HSV, HSB, CIE-LAB etc.

15 / 59
Piel en la Web
Color

Color

El color es una sensacion visual que s

olo ocurre en presencia
de la luz.
La ciencia que estudia los colores es la colorimetra, y
esta fuertemente relacionada con la psicometra.
Para los seres humanos, los colores se especifican con tres
valores reales (vectores en R3 ).
Hay varias formas de organizar los colores en espacios 3D:
CIE-RGB, HSV, HSB, CIE-LAB etc.

15 / 59
Piel en la Web
Color

Color

El color es una sensacion visual que s

olo ocurre en presencia
de la luz.
La ciencia que estudia los colores es la colorimetra, y
esta fuertemente relacionada con la psicometra.
Para los seres humanos, los colores se especifican con tres
valores reales (vectores en R3 ).
Hay varias formas de organizar los colores en espacios 3D:
CIE-RGB, HSV, HSB, CIE-LAB etc.

15 / 59
Piel en la Web
Color

Analisis de Datos I

Figura: Base de entrenamiento: pixels marcados.

Se mont
o un banco de datos con los pixels rotulados de
aproximadamente mil im agenes: 90 106 pixels marcados
como no-piel y 4 106 como piel.
16 / 59
Piel en la Web
Color

Analisis de Datos II

Desafo: construir modelos matem

aticos expresivos y tratables
para esos datos.
Primera constatacion: necesidad de controlar el balance de
color automaticamente.
Segunda constatacion: necesidad de reducir la dimension de
los datos.

17 / 59
Piel en la Web
Color
Correcci
on de Color

Correccion de Color

B
usqueda de una homogeneidad en los datos de entrada.
La literatura ofrece muchos algoritmos, pero pocos son
compatibles con los tiempos y las informaciones disponibles.
Dos solucions simples, basadas en la hip
otesis de Von Kries:
Gray World Assumption
White Patch

La = KL L Ma = KM M Sa = KS S

18 / 59
Piel en la Web
Color
Correcci
on de Color

Gray World Assumption

Hipotesis
El valor medio de las componentes R, G y B de la imagen es un
valor de gris medio
GrayR GrayG GrayB
KR = KG = KB =
Ravg Gavg Bavg

19 / 59
Piel en la Web
Color
Correcci
on de Color

Gray World Assumption

Figura: Imagen original

20 / 59
Piel en la Web
Color
Correcci
on de Color

Gray World Assumption

Figura: Algoritmo Gray World Assumption

21 / 59
Piel en la Web
Color
Correcci
on de Color

Gray World Assumption

Figura: Imagen original

22 / 59
Piel en la Web
Color
Correcci
on de Color

Gray World Assumption

Figura: Algoritmo Gray World Assumption

23 / 59
Piel en la Web
Color
Correcci
on de Color

White Patch

Hipotesis
Tomar como referencia un punto brillante y calcular los
coeficientes de Von Kries para que sea blanco
WhiteR WhiteG WhiteB
KR = KG = KB =
RMax GMax BMax

24 / 59
Piel en la Web
Color
Correcci
on de Color

White Patch

Figura: Imagenes original y corregida por White Patch

25 / 59
Piel en la Web
Color
Correcci
on de Color

White Patch

Figura: Imagen original

26 / 59
Piel en la Web
Color
Correcci
on de Color

White Patch

Figura: Corregida por White Patch

27 / 59
Piel en la Web
Color
Correcci
on de Color

Cuando fallan?
Gray World Assumption
Imagenes con pocos colores
Puede distorsionar los colores de im
agenes con grandes areas
claras

White Patch
Imagenes con poca variabilidad de iluminacion

Propuesta
Una heurstica basada en estadsticos de cada componente de
color
Excelentes resultados

28 / 59
Piel en la Web
Color
Correcci
on de Color

Heurstica

Primero, detectar candidatos a color blanco, despues

GrayWorld,
si Nwhite < 3 %
Correcion = WhitePatch si L(q95 ) > 120

nada, caso contrario,

donde Nwhite es la proporcion de pixels detectados como

blancos, y L(q95 ) es el percentil 95 de su luminosidad en espacio
de color CIELAB.

29 / 59
Piel en la Web
Color
Reducci
on de Dimensi
on

Reduccion de Dimension
3D Data

Colour
PCA Space
Change

2D

Gaussian Model
Gaussian Mixture
Histogram
Smoothed Histogram

Figura: Posibles tecnicas de reducci

on de la dimensi
on
30 / 59
Piel en la Web
Color
Reducci
on de Dimensi
on

Componentes principales

Encontrar alg
un plano que corte el espacio RGB que contenga
el maximo de informaciones.
Los datos resultantes son combinaciones lineales de los
originales.
Eficaz, pero no interpretable.

31 / 59
Piel en la Web
Color
Reducci
on de Dimensi
on

Cambios en el espacio de color

Figura: Datos de entrenamiento en el plano HS

32 / 59
Piel en la Web
Clasificadores

Estructura
1 Introducci
on
2 Arquitectura
3 Preprocesador de Im
agenes
4 Procesador de Imagenes
5 Color
Correccion de Color
Reduccion de Dimension
6 Clasificadores
Tecnicas
Evaluacion
7 Resultados
8 Conclusiones
33 / 59
Piel en la Web
Clasificadores
T
ecnicas

Tecnicas de deteccion de piel

Tecnicas Supervisadas
Umbral de Clasificaci
on
Estadstica - Histograma de colores
Estadstica - Parametrica

34 / 59
Piel en la Web
Clasificadores
T
ecnicas

Umbral de Clasificacion

Regla de Asociacion
Se obtuvo con tecnicas de data mining

R > 95 AND G > 40 AND

B > 20 AND max {R, G , B} mn {R, G , B} > 15 AND
|R G | > 15 AND R>G AND R > B.

35 / 59
Piel en la Web
Clasificadores
T
ecnicas

Estadstica Histograma de Colores

Histograma y Probabilidades
Los valores del histograma son estimadores de probabilidades
Se usan dos histogramas piel y nopiel

Pr(c | piel )
,
Pr(c | piel)

36 / 59
Piel en la Web
Clasificadores
T
ecnicas

Problemas con los Histograma de Colores

El formato JPG usa compresion con perdidas. Algunos colores
nunca estan presentes. Se producen agujeros en el histograma,
que perjudican la regla.
Frequency

0
1 00
11
11
00
00
11
00
11
2 00
11
00
11 11
00
00
11 00
11
00
11
3 00
11
00
11 00
11
111
000
000
111 00
11 00
11 11
00
00
11
000
111 00
11 00
11
00
11 00
11
4 000
111 00
11
00
11 00
11 00
11
000
111 00
11 00
11 00
11
000
111
000
111 00
11 00
11 00
11
00
11
5 000
111 00
11 00
11
00
11 00
11
111
000 000
111 00
11
00
11 00
11 00
11 111
000
000
111
000
111 000
111 00
11 00
11 00
11 000
111
000
111
6 000
111 000
111
000
111 00
11 00
11 00
11
00
11 000
111 111
000
000
111 000
111 00
11 00
11 00
11 000
111 000
111
000
111 000
111 00
11 00
11
00
11 00
11 000
111 000
111
000
111 000
111 00
11 00
11 00
11 000
111 000
111
7 000
111 000
111 00
11
00
11 00
11 00
11 000
111 000
111 11
00
000
111 000
111 00
11 00
11 00
11 000
111 000
111
000
111 00
11
000
111
000
111 000
111 00
11 00
11 00
11 000
111
000
111 000
111 00
11
8 000
111 000
111
000
111 00
11 00
11 00
11
00
11 000
111 000
111 00
11
000
111 000
111 00
11 00
11 00
11 000
111 000
111 00
11
000
111 000
111 00
11 00
11
00
11 00
11 000
111 000
111 00
11
9 000
111 000
111 00
11 00
11 00
11 000
111 000
111 00
11
00
11
000
111 000
111 00
11
00
11 00
11 00
11 000
111 000
111 00
11
000
111 000
111 00
11 00
11 00
11 000
111 000
111
000
111 00
11
000
111 000
111 00
11 00
11 00
11 000
111 000
111 00
11
000
111
000
111 000
111 00
11 00
11 00
11 000
111
000
111 000
111 00
11

Color (RGB)

Aumentar los intervalos

Suavizar los histogramas 37 / 59
Piel en la Web
Clasificadores
T
ecnicas

Histograma de colores Suavizado

Suavizado del Histograma

38 / 59
Piel en la Web
Clasificadores
T
ecnicas

Estadstica Parametrica

Usamos una mezcla de distribuciones gaussianas bivariadas

para modelar los colores de los pixels marcados como piel.
Usamos el espacio HSV.

39 / 59
Piel en la Web
Clasificadores
T
ecnicas

Modelo de Mezcla de Gaussianas Bivariadas

Mezcla de gaussianas bivariadas
k
X
Pr(c | piel ) = wi Pr(c | piel ),
i
i =1

Cada componente de la mezcla es una gaussiana bivariada:

 
1 z
Pr(x1 , x2 ) = exp ,
2(1 2 )
p
21 2 1 2

donde:
(x1 1 )2 2(x1 1 )(x2 2 ) (x2 2 )2
z= +
12 1 2 22

40 / 59
Piel en la Web
Clasificadores
T
ecnicas

Nueve componentes (k = 9)

1.0
0.8
0.6
V

0.4
0.2
0.0

0.0 0.2 0.4 0.6 0.8 1.0

Figura: Muestra de colores de piel descripta por nueve componentes

41 / 59
Piel en la Web
Clasificadores
T
ecnicas

Dos componentes (k = 2)

1.0
0.8
0.6
V

0.4
0.2
0.0

0.0 0.2 0.4 0.6 0.8 1.0

Figura: Muestra de colores de piel descripta por dos componentes

42 / 59
Piel en la Web
Clasificadores
Evaluaci
on

Veinte estrategias de clasificacion evaluadas

Datos de entrada cuatro tipos:
RC Datos brutos
GW Correccion Gray World
WP Correccion White Patch
CC Correccion heurstica
Clasificadores cinco procedimientos:
PC2 Componentes principales y mezcla de
dos gaussianas
PC9 Componentes principales y mezcla de
nueve gaussianas
HS2 Plano HS y mezcla de dos gaussianas
HS9 Plano HS y mezcla de nueve gaussianas
B64 Histograma con intervalos de tama
no
64
43 / 59
Piel en la Web
Clasificadores
Evaluaci
on

Evaluacion

Las tecnicas de classificacion se eval

uan con medidas derivadas de
la matriz de confusion: vij denota la proporcion de observaciones
que, viniendo de la clase i fueron clasificadas en la clase j.
Tecnicas ideales producen matrices identidad.
De esa matriz pueden calcularse errores de comisi on, de omisi
on, la
precision y otras cantidades importantes.
Cuando la tecnica es parametrizada, en vez de tener una infinidad
de matrices se puede visualizar la Curva ROC (Receiver Operating
Characteristic): probabilidad de acierto vs. probabilidad de falso
positivo, en funcion del par ametro de control.

44 / 59
Piel en la Web
Clasificadores
Evaluaci
on

Evaluacion

Las tecnicas de classificacion se eval

uan con medidas derivadas de
la matriz de confusion: vij denota la proporcion de observaciones
que, viniendo de la clase i fueron clasificadas en la clase j.
Tecnicas ideales producen matrices identidad.
De esa matriz pueden calcularse errores de comisi on, de omisi
on, la
precision y otras cantidades importantes.
Cuando la tecnica es parametrizada, en vez de tener una infinidad
de matrices se puede visualizar la Curva ROC (Receiver Operating
Characteristic): probabilidad de acierto vs. probabilidad de falso
positivo, en funcion del par ametro de control.

44 / 59
Piel en la Web
Clasificadores
Evaluaci
on

Evaluacion

Las tecnicas de classificacion se eval

uan con medidas derivadas de
la matriz de confusion: vij denota la proporcion de observaciones
que, viniendo de la clase i fueron clasificadas en la clase j.
Tecnicas ideales producen matrices identidad.
De esa matriz pueden calcularse errores de comisi on, de omisi
on, la
precision y otras cantidades importantes.
Cuando la tecnica es parametrizada, en vez de tener una infinidad
de matrices se puede visualizar la Curva ROC (Receiver Operating
Characteristic): probabilidad de acierto vs. probabilidad de falso
positivo, en funcion del par ametro de control.

44 / 59
Piel en la Web
Clasificadores
Evaluaci
on

Evaluacion

Las tecnicas de classificacion se eval

uan con medidas derivadas de
la matriz de confusion: vij denota la proporcion de observaciones
que, viniendo de la clase i fueron clasificadas en la clase j.
Tecnicas ideales producen matrices identidad.
De esa matriz pueden calcularse errores de comisi on, de omisi
on, la
precision y otras cantidades importantes.
Cuando la tecnica es parametrizada, en vez de tener una infinidad
de matrices se puede visualizar la Curva ROC (Receiver Operating
Characteristic): probabilidad de acierto vs. probabilidad de falso
positivo, en funcion del par ametro de control.

44 / 59
Piel en la Web
Clasificadores
Evaluaci
on

Evaluacion

Las tecnicas de classificacion se eval

uan con medidas derivadas de
la matriz de confusion: vij denota la proporcion de observaciones
que, viniendo de la clase i fueron clasificadas en la clase j.
Tecnicas ideales producen matrices identidad.
De esa matriz pueden calcularse errores de comisi on, de omisi
on, la
precision y otras cantidades importantes.
Cuando la tecnica es parametrizada, en vez de tener una infinidad
de matrices se puede visualizar la Curva ROC (Receiver Operating
Characteristic): probabilidad de acierto vs. probabilidad de falso
positivo, en funcion del par ametro de control.

44 / 59
Piel en la Web
Resultados

Estructura
1 Introducci
on
2 Arquitectura
3 Preprocesador de Im
agenes
4 Procesador de Imagenes
5 Color
Correccion de Color
Reduccion de Dimension
6 Clasificadores
Tecnicas
Evaluacion
7 Resultados
8 Conclusiones
45 / 59
Piel en la Web
Resultados

Resultados
Analisis Cuantitativo
1.0
0.8
Probabilidade de Deteco Correta

0.6
0.4

Histograma (Bin 1)
Histograma (Bin 64)
Histograma (Linearizado)
2 Gaussianas
9 Gaussianas
0.2

2 Gaussianas CC (Heurstica)
0.0

0.0 0.2 0.4 0.6 0.8 1.0

Probabilidade de Deteco Falha

Figura: Curvas ROC de los metodos evaluados

46 / 59
Piel en la Web
Resultados

Estrategias vencedoras I

Area bajo la ROC
PC2 PC9 HS2 HS9 B64
RC 0.894 0.874 0.656 0.845 0.825
GW 0.891 0.872 0.592 0.878 0.602
WP 0.924 0.918 0.669 0.870 0.710
CC 0.934 0.916 0.688 0.880 0.871
ROC al 20 %
PC2 PC9 HS2 HS9 B64
RC 0.915 0.920 0.762 0.772 0.831
GW 0.844 0.742 0.820
WP 0.942 0.937 0.801 0.809
CC 0.937 0.951 0.857 0.856 0.870

47 / 59
Piel en la Web
Resultados

Estrategias vencedoras II

Segundos de CPU
PC2 PC9 HS2 HS9 B64
RC 62 161 70 172 33
GW 150 256 158 255 133
WP 150 256 158 255 133
CC 150 260 159 261 143

48 / 59
Piel en la Web
Resultados

AVISO

Aviso
A seguir se mostraran im
agenes de nudez que algunas personas
pueden considerar ofensivas.
Quien prefiera hacerlo, puede retirarse ahora.

49 / 59
Piel en la Web
Resultados

Analisis Cualitativo

50 / 59
Piel en la Web
Resultados

Poca variabilidad, compresion, baja resolucion

51 / 59
Piel en la Web
Resultados

Color corregido no es necesariamente mejor color

52 / 59
Piel en la Web
Resultados

Confusion con el fondo

53 / 59
Piel en la Web
Resultados

Tonos de piel diferentes

54 / 59
Piel en la Web
Resultados

Varias razas

55 / 59
Piel en la Web
Conclusiones

Estructura
1 Introducci
on
2 Arquitectura
3 Preprocesador de Im
agenes
4 Procesador de Imagenes
5 Color
Correccion de Color
Reduccion de Dimension
6 Clasificadores
Tecnicas
Evaluacion
7 Resultados
8 Conclusiones
56 / 59
Piel en la Web
Conclusiones

Conclusiones

La calificacion de im
agenes con objetos antropomorficos en
posiciones arbitrarias en un ambiente de administracion de
servicios Web es posible y viable.
Se necesita un tratamiento multidisciplinario (procesamiento
de imagenes, computaci on grafica, visi
on computacional,
inteligencia artificial, estadstica e ingeniera de software)
El sistema esta en desarrollo, con otras posibles aplicaciones
(forense, m
ovil etc.)
La plataforma R (www.r-project.org) fue esencial tanto
para los prototipos como para el sistema.

57 / 59
Piel en la Web
Conclusiones

Conclusiones

La calificacion de im
agenes con objetos antropomorficos en
posiciones arbitrarias en un ambiente de administracion de
servicios Web es posible y viable.
Se necesita un tratamiento multidisciplinario (procesamiento
de imagenes, computaci on grafica, visi
on computacional,
inteligencia artificial, estadstica e ingeniera de software)
El sistema esta en desarrollo, con otras posibles aplicaciones
(forense, m
ovil etc.)
La plataforma R (www.r-project.org) fue esencial tanto
para los prototipos como para el sistema.

57 / 59
Piel en la Web
Conclusiones

Conclusiones

La calificacion de im
agenes con objetos antropomorficos en
posiciones arbitrarias en un ambiente de administracion de
servicios Web es posible y viable.
Se necesita un tratamiento multidisciplinario (procesamiento
de imagenes, computaci on grafica, visi
on computacional,
inteligencia artificial, estadstica e ingeniera de software)
El sistema esta en desarrollo, con otras posibles aplicaciones
(forense, m
ovil etc.)
La plataforma R (www.r-project.org) fue esencial tanto
para los prototipos como para el sistema.

57 / 59
Piel en la Web
Conclusiones

Conclusiones

La calificacion de im
agenes con objetos antropomorficos en
posiciones arbitrarias en un ambiente de administracion de
servicios Web es posible y viable.
Se necesita un tratamiento multidisciplinario (procesamiento
de imagenes, computaci on grafica, visi
on computacional,
inteligencia artificial, estadstica e ingeniera de software)
El sistema esta en desarrollo, con otras posibles aplicaciones
(forense, m
ovil etc.)
La plataforma R (www.r-project.org) fue esencial tanto
para los prototipos como para el sistema.

57 / 59
Piel en la Web
Contactos

Contactos
Alejandro C. Frery
acfrery@pesquisador.cnpq.br
http://acfrery.googlepages.com

Heitor S. Ramos Filho

heitor.ramos@gmail.com

Mestrado em Modelagem Computacional de Conhecimento

Universidade Federal de Alagoas

58 / 59
Piel en la Web
Contactos

59 / 59