Comparação de Clusters para Detecção da Pele
Andréia V. Nascimento, Michelle M. Mendonça, Juliana G. Denipote, Maria Stela V. Paiva
Escola de Engenharia de São Carlos – EESC. Universidade de São Paulo – USP
{av.nascimento, chelle.3m}@gmail.com, {judeni, mstela}@sel.eesc.usp.br
Resumo
A detecção de cor da pele no espectro visível pode ser uma tarefa bastante desafiadora, visto que a cor da pele numa imagem é sensível a vários fatores. Este artigo apresenta uma comparação de três tipos diferentes de Clusters, seguidos de operações morfológicas para detecção de pele humana em imagens digitais, os modelos de cor utilizados foram: RGB, YCbCr e HSV. Esta metodologia é aplicada em um banco de imagens de pessoas de ambos os sexos com dimensões de 592 x 896. O algoritmo foi desenvolvido no Matlab versão 7.0, e visa apontar qual modelo é mais adequado para a detecção automática da pele.
1. Introdução
Detecção de pele desempenha um papel importante em muitas aplicações de processamento de imagens, abrangendo detecção de faces, rastreamento de face, análise de gestos etc. Recentemente, as metodologias de detecção de pele baseadas na informação de cor de pele têm ganhado muita atenção, já que fornece informação computacionalmente efetiva e robusta à rotação, escala e oclusões parciais [1].
O espaço de cor YCbCr, foi utilizado por Bindu e Kumar [2] removendo os componentes Y e Cb. A imagem é convertida para espaço RGB, retendo somente o componente vermelho, uma vez que a pele é rica deste componente. A imagem é submetida a um algoritmo de detecção de face utilizando assinatura dos objetos. Já Ahlvers, Zölzer e Rajagopalan [3] utilizaram cluster de pele HSV para detecção e rastreamento da face. Yang, Lu e Waibel [4] obtiveram bons resultados ao utilizar o modelo RGB para detecção de pele.
Este artigo compara a utilização de três diferentes modelos de cor (RGB, HSV e YCbCr) para a detecção de pele em imagens digitais. O método de detecção de pele consiste na comparação de três tipos diferentes de
Clusters de pele, esta metodologia foi implementada no Matlab versão 7.0 [5]. As imagens utilizadas são da base de imagens do Instituto de Tecnologia da
Califórnia [6]. Elas são coloridas e contém pessoas em poses frontais, em diferentes locações, com diferentes expressões e condições de iluminação e ambos os sexos .
2. Espaço de cor
A escolha do espaço de cor pode ser considerada passo principal na classificação da cor da pele. O espaço RGB é definido por três inteiros que representam respectivamente as quantidades das cores primárias (vermelho, verde e azul) usadas para gerar a cor da maioria dos formatos de imagem disponíveis. Qualquer outro espaço pode ser obtido a partir de uma transformação do RGB que é dividida em dois grupos: aqueles que podem ser obtidos por transformações lineares como YCbCr, e aqueles obtidos através de transformações não-lineares como é o caso do HSV, [7].
Uma revisão dos diferentes espaços de cor para representação da cor da pele e de métodos de detecção de pixels da pele é dada em [8].
2.1 Espaço de cor básico RGB
O RGB é o espaço de cor mais comumente utilizado para armazenar e representar imagens digitais, visto que os dados capturados por uma câmera são normalmente fornecidos em RGB.
Ahlvers, Zölzer e Rajagopalan [3] desenvolveram um método para construir um classificador de cluster da pele baseado no espaço de cor RGB dado por:
(R,G,B) é classificado como pele se: R>95 e G>40 e B>20 e Max{R,G,B} – Min(R,G,B}>15 e
|R-G|>15 e R>G e R>B] onde R,G,B = [0,255]
Este método tem como vantagem a simplicidade e a classificação muito rápida na detecção da pele, porém é difícil encontrar o espaço de cor e regras adequadas empiricamente.
2.2 Espaço de cor ortogonal YCbCr
Os espaços de cor ortogonais reduzem a redundância presente no RGB e representa a cor como componentes estatisticamente independentes. Uma vez que as componentes de luminância e crominância são explicitamente separadas, esses espaços se tornam uma escolha favorável para detecção da pele.
O espaço YCbCr representa a cor como luminância Y computada como uma soma ponderada dos valores RGB e crominância Cb e Cr computadas através da subtração da componente luminância dos valores B e R.
O espaço YCbCr é uma das escolhas mais populares em detecção da pele e foi usado em [2, 9, 10].
A conversão do espaço RGB para YCbCr é dada por: − − − − + = ' B ' G ' R . . . . . . . . Cr Cb Y 214 18 768 93 112 112 203 74 797 37 966 24 553 128 481 65 128 128 16
Ahlvers, Zölzer e Rajagopalan [3] mostraram a utilização de cluster de pele no espaço YCbCr, dada pelas seguintes regras:
(Y, Cb, Cr) é classificada como pele se: Y > 80
85 < Cb < 135 135 < Cr < 180
onde, Y, Cb, Cr = [0,255]
2.3 Espaço de Cor Perceptivo HSV
O espaço HSV define a cor como matiz (H) – a propriedade da cor que varia em passar de vermelho para verde, saturação (S) – a propriedade da cor que varia na passagem de vermelho para rosa e brilho (intensidade, luminosidade ou valor) (V) – a propriedade que varia na passagem do preto para o branco. A transformação do RGB para o HSV é invariante à alta intensidade na luz branca, luz ambiente e orientações de superfície relativas à fonte de luz e portanto, pode formar uma boa escolha para métodos de detecção de pele [1]. O espaço HSV foi usado em [11, 12, 13].
A transformação do espaço RGB para HSV é dada por [14]: ) )( ( ) )( ( )) ( ) (( 5 . 0 cos 0 ) , , max( , 0 0 ) , , max( , ) , , max( ) , , min( ) , , max( ) , , max( B G G R G R G R B R G R a H B G R B G R B G R B G R B G R S B G R V − − − − − − + − = = ≠ − = =
O cluster de pele HSV foi utilizado por Ahlvers, Zölzer e Rajagopalan [3] para detecção e rastreamento da face. O cluster de pele HSV é dado pelas seguintes regras:
(H,S,V) é classificado como pele se:
0 < H < 50 e 0.23 < S < 0.68 onde: H = [0,360] e S,V = [0,1]
3
. Metodologia
A metodologia empregada neste trabalho para detecção de pele consiste dos seguintes módulos:
Figura 1 - Módulos para detecção de pele
O primeiro módulo, o de pré-processamento da imagem, é aplicado sobre a imagem de entrada com o objetivo de convertê-la para um determinado espaço de cor e padronizar suas dimensões, com a finalidade de reduzir o tempo de processamento.
O segundo módulo, o de Cluster de pele, explora semelhanças entre padrões e agrupa-os.
Operações morfológicas destacam as regiões de interesse da imagem no terceiro módulo.
3.1 Pré-processamento
A primeira etapa consistiu na utilização de um banco de dados composto aproximadamente de 450 imagens, coletadas por Marcus Weber do Instituto de Tecnologia da Califórnia [5]. O banco contém imagens coloridas de pessoas de ambos os sexos, dimensões de 592 x 896, porém foi necessário redimensioná-las em uma proporção menor para diminuir o tempo de execução do algoritmo. Como mostra a figura 2.
Cluster de Pele Pré-proces-samento da Imagem Operações Morfo- lógicas
Figura 2 - Etapas do pré-processamento da imagem
3.2 Cluster de pele
As possíveis cores da pele humana, independentemente de suas variações (branca, negra, amarela, etc), formam um aglomerado de pontos quando dispostas no espaço de cores RGB. Esse aglomerado é denominado cluster de pele [15], e é demonstrado na figura 3.
Figura 3 – Cluster de Pele [15]
A figura 4 mostra o resultado da aplicação do
cluster de pele numa determinada imagem.
Figura 4 – Cluster de pele
3.3 Operações Morfológicas
Primeiramente, aplica-se a erosão para eliminar fendas no contorno da face (figura 5a). Depois aplica-se o fechamento para suavizar o contorno da face (figura 5b). Em seguida, aplica-se o preenchimento de região em que olhos, boca, ou qualquer outro objeto que apareça na face sejam preenchidos com o comando
imfill do Matlab [6](figura 5c).
Pequenos objetos de fundo são então eliminados utilizando-se o operador morfológico de abertura de área (figura 5d) que é responsável por remover um agrupamento de determinado número de pixels, proporcionando uma imagem menos ruidosa, essa operação foi realizada através do comando
bwareaopen do MatLab [6]. Finalmente, é aplicada a dilatação (figura 5e) para retornar a borda perdida com a erosão. A (figura 5f) mostra a combinação da imagem original com o resultado obtido em conjunto com a aplicação dos operadores morfológicos.
Figura 5 – Operações Morfológicas
4. Resultados
Muitos artigos de detecção de pele não proporcionam explicitamente uma explicação a respeito do espaço de cor utilizado, provavelmente pelo fato de obter-se um resultado aceitável em uma base de dados com um determinado espaço de cor.
a) Erosão b) Fechamento
c) Preechimento de regiões
d) Abertura de área
e) Dilatação f) Resultado final Operações Morfológicas Pré-processamento da Imagem Redimen-siona a imagem Converte do RGB para modelo de cor Banco de Imagens de Faces
O que se pode perceber é que alguns métodos dependem de um determinado espaço de cor enquanto outros são independentes deles.
A tabela 1 apresenta a porcentagem de localização de pele executada corretamente dentre as 100 imagens utilizadas, considerando-se cada espaço de cor testado.
Espaço de cores Acerto Erro
RGB 92% 8%
YCbCr 86% 14%
HSV 15% 85%
Tabela 1 – Comparação dos resultados
5. Conclusão
Neste trabalho constatou-se que, dentre os três modelos de cluster de pele proposto pela metodologia, o modelo RGB apresentou melhor desempenho na detecção da pele, sendo detectado corretamente 92% das imagens contendo regiões de pele. Mostrada na figura 6.
a)Original b)Imagem final
Figura 6 – Resultado Cluster de Pele RGB
Observou-se que o modelo YCbCr, por ser um espaço de cor que é obtido através de uma transformação linear do RGB, torna-se escolha favorável para detecção de pele, obtendo assim. uma porcentagem de 86% de acerto. Como mostra a figura 7.
a)original b) Conversão YCbCr
c) imagem Final
Figura 7 – Resultado Cluster de Pele YCbCr
Os resultados obtidos por meio do modelo HSV não foram satisfatórios, como mostra a tabela 1, a transformação do RGB para este modelo de cor é obtida através de uma transformação não linear tendo assim uma pequena porcentagem de acerto, apenas 15%.
a)original b) Conversão HSV
c) imagem Final
Figura 8 – Resultado Cluster de Pele HSV
Deve-se ressaltar que algumas condições são essenciais para detecção da pele como: característica da câmera, iluminação, etnia e uso de acessórios, como óculos ou barba, pois podem influenciar no resultado final.
6. Referências Bibliográficas
[1] P. Kakumanu, S. Makrogiannis and N. Bourbakis, “A survey of skin-color modeling and detection methods”
Pattern Recognition, 2006, vol. 40, pp. 1106-1122.
[2] A Bindu and C. N. R. Kumar, “An Efficient Skin Illumination Compensation Model for Efficient Face Detection”, In: Annual Conference on IEEE Industrial
Eletronics, 2006, pp. 3444-3449.
[3] U. Ahlvers, U. Zölzer and R. Rajagopalan, “Model-Free Face Detection and Head Tracking with Morphological Hole Mapping”, XIII European Signal Processing Conference, 2005.
[4] J. Yang, W. Lu and A. Waibel, “Skin-color modeling and adaptation”, Asian Conference in Computer Vision, Hong Kong, 1998, pp. 687-694.
[5] M. Weber, “Frontal face dataset”, disponível em: http://www.vision.caltech.edu/Image_Datasets/faces/faces.tar , acessado em 06/06/2007.
[6] MatLab Online Documentation,
http://www.mathworks.com/access/helpdesk/help/helpdesk.ht ml, acessado em 11/07/2007.
[7] J. B. Martinkauppi, M. N. Soriano, and M. H. Laaksonen, “Behavior of skin color under varying illumination seen by different cameras at different color”, Proceedings-SPIE The International Society For Optical, 2001, vol. 4301, pp. 102-112.
[8] V. V. S. Vezhnevets et al., “A Survey on Pixel-Based Skin Color Detection Techniques”, In Proceedings
Graphicon, Moscow, Russia, 2003, pp. 85-92.
[9] R. L. Hsu, M. Abdel-Mottaleb and A. K. Jain, “Face detection in color images”, IEEE Trans. Pattern. Machine
Intell. vol. 24, n. 5, 2002, pp. 696–706.
[10] K. W. Wong, K. M. Lam and W. C. Siu, “A robust scheme for live detection of human faces in color images”,
Signal Process. Image Commun, vol. 18, n. 2, 2003, pp. 103–114.
[11] D. Brown, I. Craw and J. Lewthwaite, “A som based approach to skin detection with application in real time systems”, In Proc of the British Machine Vision
Conference, 2001.
[12] C. Garcia and G. Tziritas, “Face detection using quantized skin color regions merging and wavelet packet analysis”, IEEE Trans. Multimedia, vol. 1, n. 3, 1999, pp. 264–277.
[13] Q Zhu et al., “Adaptive learning of an accurate skin-color model”, Sixth IEEE International Conference on
Automatic Face and Gesture Recognition, 2004, pp. 37- 42
[14] S. L. Phung, A. Bouzerdoum and D. Chai, “Skin Segmentation Using Color Pixel Classification: Analysis and Comparison”, IEEE Transactions on Pattern Analysis and Machine Intelligence, v.27 n.1, 2005, p.148-154.
[15] E. C. Lopes, “Determinando a Posição e a Orientação da Mão Através de Imagens de Vídeo”, Dissertação Mestrado, Pontifícia Universidade Católica do Rio Grande do Sul, Departamento de Ciência da Computação, 2005.
