1 / 21

Skin Detection

Skin Detection. Fakultät für Elektrotechnik und Informationstechnik Lehrstuhl für Kommunikationstechnik Prof. Dr.-Ing. Rüdiger Kays. cand. Kaining zhao zhaokaining2002@yahoo.com. Einleitung Ziele der Skin Detection (Hauterkennung)

rocco
Download Presentation

Skin Detection

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Skin Detection Fakultät für Elektrotechnik und Informationstechnik Lehrstuhl für Kommunikationstechnik Prof. Dr.-Ing. Rüdiger Kays cand. Kaining zhao zhaokaining2002@yahoo.com

  2. Einleitung Ziele der Skin Detection (Hauterkennung) Menschlicher Gesicht zu identifizieren für das Face Datenbank Aufbau eines Farbmodels für Skin und non-Skin Pixelklassen Histogramm-Model und Mischmodel , Trainingsdaten

  3. Spuren auf vielfältige Gesicht beim Nutz von Farb Transformation des Farbraum Benutzung von zwei Histogramm Farbverteilung von Haut und Farbverteilung im gesamten Bild die Zählung der Position und räumliche Ausdehnung

  4. Histogramm der Farbmodelle Zwei Faktoren: Auswahl des Farbraums und die Größe des Histogramms Wie viele Bits pro Kanal (R,G,B)

  5. Linien gleicher Wahrscheinlichkeit der Trainings-Daten Verteilung deutlich im Bereich von Rot Verteilung entlang der Graulinie Ein bisschen höhere Wahrscheinlichkeit für Weiß

  6. Skin und non-Skin Klassen Ts gesamte Anzahl der Skin-Pixel Tn gesamte Anzahl der non-Skin-Pixel

  7. Bayes-Gesetz ordnet Pixel Klassen zu Über einen Grenzwert Markierung als Skin Wert

  8. ROC (the receiver operating characteristic) ROC-Kurve Verhältnis von Fehl-Detektion und nicht erkannten Skin-Pixeln Eine Funktion von Grenzwert Abhängigkeit von der Grösse des Histogramms 32 Bin (5 Bit / Kanal) erziehlt bestes Ergebnis

  9. ROC(the receiver operating characteristic) Training Set Konvergenz der Kurven Test Set Verbesserung durch mehr Interationen

  10. Kombination mit Gauss-Klassfikation • Eine Besonderheit von des Mischmodels : • Weniger Trainings-Daten benötigt • Mehr Rechenzeit • Mehr Speicherplatz benötigt

  11. Aufbau eines getrennten Models für verschiedene Bildklassen Für jede Klasse von Skin und non-Skin Der Erkennungsbasis: Durchschnittliche Helligkeit Variation der durchschnittlichen Helligkeit Durchschnittlicher Abstand zur Grauachse Durchschnittliche Gradientenergie Prozent der Schwarz- und Weiss-Pixel

  12. Segmentierung und Tracking des Gesichtim farbigen Bild Der Gesicht als elliptische Region Die Gesichtsegmentierung durch vordefinierten Farbton und Sättigung Berechnung der Grauwerten jeder Zeile der Y-Projektion Such nach durchschnittlichem Grauwert auf den 3 benachbarten Zeilen Alle Möglichkeiten der Konstellation Bildung der Gesichteigenschaft

  13. Andere Skin Detection Methoden Die Untersuch der R/G Rate Multi-Person Detection

  14. Training Dataset Die von Compaq Image Database aufgebaute Skin und Non Skin Histogramm XM2TVS : hohe beschränkende Database Compaq Image Database für die unbeschränkende Umgebung XM2TVS: der einfarbige Hintergrund, grosser Unterschied zur Gesichtsfarbe Compaq Database

  15. Statistische Strategie zur Skin Detection • Bewertung der Skin-Pixel • Die Aufrittswahrscheinlichkeit der Farbe c innerhalb aller Möglichkeiten der Skin-Klasse S über einen Grenzwert ohne Rücksicht auf die Hintergrundfarbe • Besonderes Farbmodel für Haut- und Hintergrundfarbe • Vorkenntnisse über die Auftrittswahrscheinlichkeit mit Hilfe des Bayes Gesetzes

  16. Die Neyman und Pearson Strategie C:Farberaum , Pixel Die Definition der Wahlscheinlichkeit durch Bedinte Wahlschlickeit und Skin Non-Skin Die Überlappung zwischen Skin und Non-Skin Klassen Laß Miss Skin Alias minima und Die Lösung der Optimierten Fragen durch das Decision Rule If Sonst

  17. Die Versuchserklärung Die strenge Bedingung der Nutzung von XM2VTS viele Fehler bei der Nutzung von WWW-Database wegen der Überlappung im Bild

  18. Die medizinische Anwendung der Skin Detection Beispiele aus Dermatologiedatenbank Melanomdiagnose durch automatische Segmentierung

  19. Andere Praktische Anwendung Person : Der Anzahl der als Haut detektierten Pixeln Durchschnittliche Wahrscheinlichkeit von Skin-Pixeln Erwachsenenbild-Detektion: Große Hautflächen Höhe und Breite des Bildes

  20. Zusammenfassung Aufbau der Histogramm durch Bilddatabank Die genaue und effiziente Skin-Detection Vergleich zwischen Histogramm und anderen Verfahren Person Detection in beliebiger Umgebung besser als vorherige Schätzung

More Related