Detectarea pielii umane este procesul prin care se identifică  pixelii și regiunile ce au culoarea pielii umane. Un program ce are ca scop detectarea pielii, transformă  fiecare pixel al imaginii ce o primește ca input, într-un spațiu de culoare adecvat procesării acestuia, apoi clasează  pixelul ca fiind de culoarea pielii sau diferit de aceasta. Nuanța pielii dintr-o imagine depinde de condițiile de iluminare din spațiul în care aceasta a fost făcută. O mare problemă atunci când vine vorba de procesul de detectare, este reprezentarea culorii astfel încât să nu varieze sau să  nu sufere modificări în momentul în care iluminarea se schimbă. O altă dificultate o reprezintă  faptul că  multe obiecte din mediu pot avea nuanțe identice cu cea  căutată. Spre exemplu lemnul, pielea animală  prelucrată, hainele în nuanțe apropiate de cea a pielii, părul, nisipul creează  rezultate fals pozitive, fiind considerate de orice detector ca zone de piele umană. Această  problemă  poate fi evitată  doar în cazul în care mediul ales pentru fotografiere este controlat. În general, culoarea pielii umane este caracterizată  de o combinație de nuanțe de roșu, (datorate  vaselor de sânge) și galben cu maro, culori specifice melaninei (pigment natural care dă culoare pielii, părului și ochilor). O proprietate ce face detecția pielii umane posibilă  este faptul că  nuanța și saturația se încadrează  într-un anumit interval pentru toți pixelii de culoarea pielii umane. Pielea mai închisă  la culoare conține mai multă  melanină, iar cea cu nuanță  ușor galbenă  este mai saturate [1], [2].

Colorimetria, grafica pe calculator și standardele de transmitere a semnalului video au dus la crearea mai multor spații de culoare cu diferite proprietați. O mare varietate a acestora a fost aplicată  pe problema modelării culorii pielii. Deși sunt foarte multe moduri de a codifica culoarea, doar o parte din ele sunt folosite în mod frecvent în modelarea culorii pielii umane. În funcție de spațiul de culoare folosit, nuanța pielii umane este definite de o regiune mai mare sau mai restrânsă din acesta. Această  zonă se numește conglomeratul de piele umană.

Un algoritm de detectare a pielii umane are ca rol clasificarea pixelilor în pixeli “piele” și “non-piele”. Un pixel este considerat de culoarea pielii umane, dacă  acesta se încadrează  în modelul de conglomerat de piele umană  din spațiul de culoare ales. În cazul în care pixelul nu face parte din modelul de conglomerat specificat, acesta este considerat non-piele. Având în vedere rezultatele oferite de un detector de piele umană, pixelii sunt clasificați astfel: pozitiv-adevărat, cei care au fost identificați corect ca fiind de culoarea pielii, negativ-adevărat, cei care au fost identificați corect ca fiind non-piele, fals-pozitiv, cei care au fost identificațți greșit ca fiind de culoarea pielii și fals-negativ, cei care sunt de culoarea pielii dar au fost identificați ca non-piele.

Un clasificator bun ar trebui să  genereze  un număr mic de pixeli fals-pozitivi și fals-negativi. Acuratețea detectorului de piele umană  depinde de conglomeratul ales ca reprezentant al pielii umane; dac  este ales extins, vor fi puține rezultate fals-negative, dar multe fals-pozitive, în cazul în care se alege un conglomerat restrâns, puțini pixeli vor fi detectați fals-pozitivi, dar mulți vor fi detectați ca fals-negativi.

Spațiile de culoare folosite în detectarea pielii umane sunt: RGB, RGB-normalizat, cele bazate pe Hue-Saturation (nuanță-saturație), TSL, YCbCr, sistemele de culoare perceptual uniforme (CIELAB, CIELUV), YES, YUV, YIQ. Pentru fiecare spațiu de culoare în parte, exista  un algoritm optim de detectare a pielii umane astfel încât performanța proceselor și rezultatele oferite de acestea vor fi la fel, deoarece separarea pixelilor în cele două  clase, piele umană  și non-piele, nu depinde de spațiul de culoare ales. Acest fapt poate fi demonstrat matematic.

Pentru a putea clasifica un pixel ca fiind piele sau non-piele, fiecare detector folosește o regul  de decizie. Aceasta constă  în introducerea unui system metric ce măsoară distanța dintre culoarea pixelului și nuanța pielii. Tipul acestui sistem metric este definit de metoda de modelare a culorii pielii. O metodă  foarte populară  de construcție a unui clasificator de piele umană este definirea explicită, printr-un set de reguli, a limitelor conglomeratului de culoarea pielii în spațiul de culoare ales. Ideea principală  a metodelor de modelare neparametrică  este estimarea distribuției culorii pielii din datele de antrenament fără a crea un model explicit al culorii pielii. Aceste metode au ca rezultat construcția SPM (Skin Probability Map) – asignarea unei valori de probabilitate fiecărui punct dintr-un spațiu de culoare discretizat. Există  o multitudine de modele neparametrice ce sunt utilizate pentru crearea clasificatoarelor: LUT (Look Up Table), clasificatorul Bayes, SOM (Self Organizing Maps). Cele mai populare modele neparametrice bazate pe histograme necesită  un spațiu foarte mare de stocare, iar performanța lor depinde în mod direct de setul de imagini ales pentru antrenament. Necesitatea reprezentării mai compacte a modelului de clasificare a pielii pentru anuminte aplicații, împreună cu abilitatea de a generaliza și interpola datele de antrenament au stimulat dezvoltarea modelelor parametrice de distribuție a pielii. Aceste modele parametrice sunt cele mai folosite: distribuție gaussiană, combinație de distribuții gaussiene, conglomerate gaussiene multiple, modelul limitei eliptice [3], [4].

Având o gamă largă  de modele de creare a clasificatoarelor și foarte multe spații de culoare, se pot dezvolta diverși algoritmi de detectare a culorii pielii umane. În particular, se presupune că fiecare pixel i are asociată  o etichetă. Aceasta este o variabilă binară  si{0,1} ce specifică  dacă  pixelul i este de culoarea pielii (si = 1) sau nu (si = 0). În momentul în care algoritmul primește o imagine spre procesare, acesta nu cunoaște în prealabil aceste etichete. Datele de intrare vor fi reprezentate, pentru fiecare pixel i, de un vector de culoare ci = [ri; gi; bi]. În plus, poate exista un model observațional p(ci|si) ce corelează  culoarea unui pixel observat și eticheta corespunzătoare acestuia sau se poate crea un astfel de model folosind datele furnizate. Problema detectării culorii pielii umane este reprezentat  de modul în care se deduc etichetele pixelilor ascunse din culorile ci ale pixelului observat, ce pot implica sau nu învățarea modelului. Metoda de detectare și segmentare a culorii pielii umane propuse folosește un model cu învățare simultană. Tehnica încorporează  restricțiile spațiale în algoritmul EM (Expectation Maximization) cu ajutorul unor calculi adăugate în pasul E al algoritmului EM standard. Rezultatele experimentale arată  că  această  metodă  furnizează  rezultate mai bune decât metoda de detectare standard.

Algoritmul propus de Javier Ruiz-del-Solar și Rodrigo Verschae [5] prezintă o metodă  de detectare a pielii umane din imagini ce îsi bazează  decizia în legătură  cu clasificarea pixelului dat, dacă  acesta este piele sau non-piele și pe informațiile legate de vecinătăți. Această  tehnică  este reprezentată  de un proces de difuzie folosit pentru a determina pixelii de culoarea pielii. Scopul acestui proces nu este doar gruparea pixelilor de culoarea pielii ce se învecinează, dar și determinarea regiunilor de piele unde pixelii prezintă o nuanță de piele uniformă  și mai mare decât un prag minim al zonelor unde pixelii din vecinătate au o culoare ușor diferită. Acest proces este controlat folosind trei valori de prag: o valoare pentru a determina dacă un pixel se încadrează ca fiind piele sau nu, o altă  valoare pentru a sesiza micile diferențe de culoare a pixelilor din vecinătate și o a treia pentru a determina semințele de la care se va începe procesul de difuzie. Înainte de difuzie, este necesară măsurarea nivelului de apropiere a culorii pixelului de nuanța pielii. Aceast  măsurătoare poate corespunde probabilității de a fi un pixel de culoarea pielii atunci când se folosește un model statistic sau un graf de apartenență fuzzy (atunci când se folosește o abordare fuzzy). Deși este folosit un proces de difuzie pentru implementarea segmentării pielii umane, se obține o viteză  de procesare destul de mare.

Algoritmul propus de Basilio, Torres, Perez, Medina și Meana [6] bazat pe spațiul de culoare YCbCr are în alcătuirea sa tehnici de procesare a imaginilor, de detectare a culorii pielii umane și de recunoaștere a șabloanelor. Algoritmul urmează  o serie de pași bine definiți. În primul rând, imaginea este transformată din spațiul de culoare RGB, în YCbCr pentru a putea determina obiectele din imagine care nu prezintă  interes din perspectiva detectării pielii. Următorul pas îl constituie calcularea unei valori de prag utilizată în detectarea culorii pielii umane. Această  valoare va fi folosită  pentru filtrarea imaginii procesate și recunoațerea porțiunilor de piele. Utilizarea anumitor valori de prag, obținute din datele de antrenament, este o metodă de detectare a culorii pielii umane foarte rapidă  și cu rezultate foarte bune. Spațiul de culoare HSV descrie fiecare nuanță  folosind valori intuitive, bazate pe percepția umană a culorilor, de Hue, Saturation și Value. Hue definește culoarea predominantă a unei zone (roșu, verde, mov sau galben), Saturation măsoară  gradul de colorare al unei zone, în concordanță  cu luminozitatea acesteia, iar Value este o valoare legat  de proprietatea de intensitate a culorii. O proprietate foarte importantă, ce recomandă  acest spațiu de culoare pentru procesul de detectare a culorii pielii umane este reprezentată de faptul că  Hue nu variază  la schimbări provenite de la o sursă  de lumină  albă, iar pentru suprafețe mate, aceasta nu își schimbă valoarea în funcție de oscilațiile luminii ambientale sau de schimbarea orientării suprafeței relative la sursa de lumină. Un algoritm ce folosește acest spațiu de culoare necesită, înainte de dezvoltare, găsirea conglomeratului de culoarea pielii umane din spațiul de culoare folosit. Acest lucru este realizat prin crearea unei baze de date formată  din imagini de test, cu ajutorul căreia vor fi stabilite valorile de prag. Pentru implementarea acestui algoritm, se poate folosi Matlab, deoarece are inclus un intrument foarte puternic de procesare a imaginilor, sau, pentru alte limbaje de programare (C++, Java, C#, Python) se poate folosi biblioteca OpenCV.

Detectarea pielii umane din imagini are foarte multe utilizări. O aplicație foarte interesantă  la care poate folosi acest proces este detecția fețelor din poze. Acest lucru se poate face stabilind procentul de pixeli de culoarea pielii umane din imagine, dimensiunea în pixeli a celei mai mari porțiuni de piele și numărul de zone de culoarea pielii umane conectate. Identificarea poziționătii persoanelor în imagini și a numărului de pixeli de tip piele, poate fi un instrument foarte folositor pentru filtrarea imaginilor ce au conținut pornografic sau nuduri. Poate constitui și unul din criteriile folosite pentru identificarea feței și a caracteristicilor acesteia sau a mâinilor. Culoarea este unul din factorii care pot determina conturul feței sau al mâinii, iar diferitele nuanțe ale acesteia pot conduce la identificarea diverselor trăsături.

Referințe bibliografice

  1. Vezhnevets, V., Sazonov, V., & Andreeva, A. (2003, September). A survey on pixel-based skin color detection techniques. In Proc. Graphicon (Vol. 3, pp. 85-92).
  2. Tabassum, M. R., Gias, A. U., Kamal, M., Muctadir, H. M., Ibrahim, M., Shakir, A. K., … & Islam, M. (2010). Comparative study of statistical skin detection algorithms for sub-continental human images. arXiv preprint arXiv:1008.4206.
  3. Surampalli, G. P., Dayanand, J., & Dhananjay, M. (2012). An Analysis of Skin Pixel Detection using Different Skin Color Extraction Techniques. International Journal of Computer Applications54(17).
  4. Shoyaib, M., Abdullah-Al-Wadud, M., & Chae, O. (2009, September). Adaptive Skin Segmentation Using Color Distance Map. In proceedings of World Congress on Science, Engineering and Technology (Vol. 57, pp. 54-60).
  5. Ruiz-del-Solar, J., & Verschae, R. (2004, May). Skin detection using neighborhood information. In Automatic Face and Gesture Recognition, 2004. Proceedings. Sixth IEEE International Conference on (pp. 463-468). IEEE.
  6. Basilio, J. A. M., Torres, G. A., Pérez, G. S., Medina, L. K. T., & Meana, H. M. P. (2011). Explicit image detection using YCbCr space color model as skin detection. Applications of Mathematics and Computer Engineering, 123-128.