Pemodelan Grafik (Skin)

A.   General Color Model

Pertama kali membangun sebuah model warna umum dari training set generik menggunakan histogram dengan 256  per channel dalam ruang warna RGB. Menghitung histogram diubah menjadi distribusi probabilitas diskrit. dengan cara yang biasa:

dimana c[rgb] memberi hitungan di histogram penyimpanan terkait dengan warna RGB tiga kali lipat rgb dan Tc adalah jumlah total yang diperoleh dengan menjumlahkan jumlah di seluruh tempat penyimpanan.

            Model warna generik dibangun dari gambar Web yang memiliki tiga sifat:

1. Sebagian besar warna jatuh pada atau dekat garis abu-abu.
2.  Hitam dan putih yang jauh warna yang paling sering, dengan putih yang terjadi sedikit lebih sering. 
3. Ada condong ditandai dalam distribusi menuju sudut merah dari kubus warna.

B.   Skin and Non-skin Color Models

Kami membangun model kulit dan histogram non-kulit dengan menggunakan pelatihan classifier kami set gambar. Pixel kulit di 4.675 gambar yang mengandung kulit diberi label secara manual dan ditempatkan ke dalam histogram kulit. The 8965 gambar yang tidak mengandung kulit ditempatkan ke dalam histogram non-kulit. Mengingat kulit dan non-kulit histogram kita dapat menghitung probabilitas bahwa nilai warna tertentu milik kelas kulit dan non-kulit:

dimana s[rgb] adalah jumlah pixel yang terkandung dalam penyimpanan rgb dari histogram kulit n[rgb] adalah hitungan setara dari non-kulit histogram, dan Ts dan Tn adalah jumlah total yang terkandung dalam histogram kulit dan non-kulit, masing-masing.

C.   Skin Detection Using Color Models

Mengingat kulit dan model histogram non-kulit kita dapat membuat klasifikasi pixel kulit. Klasifikasi tersebut bisa sangat berguna dalam dua konteks. Pertama, untuk aplikasi seperti deteksi dan pengakuan dari wajah dan angka, kulit adalah tingkat rendah isyarat yang berguna yang dapat digunakan untuk memusatkan perhatian pada bagian-bagian yang paling relevan dari suatu gambar. Pendekatan ini digunakan dalam banyak sistem.

Diperoleh klasifikasi pixel kulit melalui pendekatan standar rasio. Nilai RGB tertentu diberi label kulit jika

dimana 0 <= (-) <= 1 adalah ambang batas yang dapat disesuaikan untuk trade-off antara deteksi yang benar dan kesalahan positif. Kami juga dapat menulis (-) sebagai fungsi dari catatan dan kesalahan positif dan hasil negatif.

di mana c_p dan c_n adalah tergantung pada nilai positif palsu dan hasil negatif, masing-masing. Salah satu pilihan yang wajar dari nilai adalah P(skin) = T_s / (T_s + T_n). Properti yang paling penting dari persamaan diatas adalah penerima operasi karakteristik (ROC) kurva, yang menunjukkan hubungan antara deteksi yang benar dan deteksi palsu sebagai fungsi dari ambang deteksi (-). Kami membuat ekstensif menggunakan kurva ROC untuk mengukur pengaruh pilihan desain pada kinerja classifier.

Kesimpulan dan Analisa

Sejumlah statistik umum tentang kulit dan model histogram warna non-kulit dirangkum dalam Tabel 1. Jumlah perhitungan memberikan jumlah piksel yang digunakan untuk membentuk masing-masing tiga models. Perhatikan bahwa model kulit dibentuk dari lebih dari 80.300.000 tangan berlabel piksel kulit. Jumlah penyimpanan yang diduduki mengacu pada jumlah sampah di masing-masing model dengan jumlah nol. Hal ini juga dinyatakan sebagai persentase penyimpanan di masing-masing model yang kosong. penyimpanan Tumpang Tindih memberikan jumlah penyimpanan yang non-kosong di kedua kulit dan model histogram non-kulit.

Saya membuat beberapa pengamatan tentang statistik ini. Pertama, 76.6% dari 16,7 juta nilai RGB yang mungkin tidak ditemui di salah satu gambar pelatihan. Kedua, dari 959.955 warna yang terjadi sebagai kulit, 933.275 (97.2%) juga terjadi sebagai non-kulit. Hal ini menunjukkan bahwa masalah deteksi kulit bisa sulit karena ada tumpang tindih yang signifikan antara model kulit dan non-kulit. Namun, tumpang tindih hanya masalah yang signifikan jika jumlah di tempat penyimpanan sebanding dalam kasus kulit dan non-kulit.

sumber :
- www.cc.gatech.edu/~rehg/.../SkinDetect-IJCV.pdf
- David A. Forsyth and Margaret M. Fleck. "Automatic detection of human nudes". International Journal of Computer Vision, August 1999.
- Michael J. Jones and James M. Rehg. "Statistical Color Models with Application to Skin Detection". Cambridge Center, June 2001.