TỔNG QUAN CÁC KĨ THUẬT XÁC ĐỊNH ĐIỂM ẢNH CÙNG SẮC MÀU VỚI MÀU DA NGƯỜI

TỔNG QUAN CÁC KĨ THUẬT XÁC ĐỊNH ĐIỂM ẢNH CÙNG SẮC MÀU VỚI MÀU DA NGƯỜI LÊ ĐÌNH NGÂN ** TÓM TẮT Tính chất sắc màu của da đã được dùng để xác định khuôn mặt người, nhận biết ngôn ngữ từ

TỔNG QUAN CÁC KĨ THUẬT XÁC ĐỊNH ĐIỂM ẢNH

CÙNG SẮC MÀU VỚI MÀU DA NGƯỜI

LÊ ĐÌNH NGÂN (**)

TÓM TẮT

Tính chất sắc màu của da đã được dùng để xác định khuôn mặt người, nhận biết ngôn ngữ từ hình dạng bàn tay, theo vết chuyển động khuôn mặt, theo vết chuyển động mắt, xác định vùng hình khoả thân trong ảnh rất hiệu quả Các chuyên gia dùng mô hình màu da người để xác định các vùng ứng viên để làm đầu vào cho bài toán cụ thể của mình, lúc này không gian tìm kiếm đã thu hẹp đáng kể Chúng tôi cố gắng trình bày một cách tổng quan nhất các kĩ thuật xác định điểm ảnh cùng sắc màu với màu da người

ABSTRACT

The nature of skin color has been used effectively to identify a human face, learn the language of hand shapes, track facial motions, eye movements, and identify the nudity area

in the picture Some professionals use skin color models to identify the search regions as input to their specific problems, which helps to reduce the search space We try to present the overview of the techniques to identify pixels of the same color as human skin

1 GIỚI THIỆU *

Trong các bài toán: xác định khuôn

mặt người, xác định bàn tay, theo vết, v.v

Kĩ thuật xác định một vùng nào có thể là

vùng da người thông qua sắc màu được

xem như là kĩ thuật thiết yếu để giảm bớt

không gian tìm kiếm (xử lí)

Hơn một thập kỉ qua, có rất nhiều

nghiên cứu đến bài toán làm sao mô hình

hoá được màu da của con người Nhiều

phương pháp được áp dụng và thu được kết

quả đáng kể Các phương pháp nằm rải rác

ở các bài báo, công trình nghiên cứu khác

nhau nên gây khó khăn cho việc tìm kiếm

những kết quả mới đó Chúng tôi cố gắng

tập hợp và trình bày một cách cô đọng

trong bài báo này những phương pháp đó

(*) TS, Trường Đại học Khoa học Tự nhiên,

TP.HCM

(**) ThS, Trường Đại học Tài chính Marketing

Trong bài này, chúng tôi xin trình bày hai phần chính: các không gian màu thường dùng và các mô hình màu da người

từ đơn giản đến phức tạp

2 KHÔNG GIAN MÀU

Có nhiều cách biểu diễn màu sắc khác nhau trong ảnh màu kĩ thuật số Tên gọi cho cách biểu diễn màu là mô hình màu hay không gian màu, nó sẽ phụ thuộc vào ứng dụng hay người dùng [23] Trong bài này, chúng tôi chỉ dùng khái niệm không gian màu Không gian màu [11] là một phương thức để giải thích các thuộc tính hay hành vi của màu sắc trong một ngữ cảnh cụ thể Mục đích là có sự tiện lợi trong các gam màu, xem như một tập con của các màu sắc mà con người có thể nhìn được [23]

Các màu sắc mà mắt người có thể nhìn thấy có bước sóng từ 400nm đến 700nm trong quang phổ [3] Biểu đồ của màu sắc

là một phân bố của màu sắc trong không

gian màu, được dùng nhiều trong thị giác

máy tính khi phân tích ảnh Đây là một

công cụ chính

2.1 Không gian màu RBG

Không gian màu RGB (Red, Green,

Blue) là không gian màu được biết đến

nhiều nhất, được dùng trong nhiều thiết bị

như: thiết bị chụp ảnh, thiết bị xử lí

Một đa dạng trong các phân bố quang

phổ của ánh sáng có thể cho ta nhận thức

được màu sắc Võng mạc con người có ba

loại tế bào hình nón để cảm nhận ánh sáng,

mà có thể cảm nhận được bức xạ liên quan

của các quang phổ tương ứng khác nhau

Dựa trên cơ sở hệ thống nhận biết màu sắc

của con người, chúng ta chỉ cần ba thành

phần (mỗi thành phần là một con số) – ba

con số – đủ để mô tả một màu, thông qua

các hàm số cho biết giá trị các quang phổ

Trên lí thuyết, chúng ta có thể xem màu

sắc là tích các số nguyên của hàm quang

phổ tác nhân U(n) với các hàm độc lập

tuyến tính tương ứng [3]

Ta có các giá trị màu được biểu diễn theo

công thức 1, với  là tần số của tác nhân

ánh sáng

2

1

2

1

2

1































(1)

Không gian màu RGB được áp dụng

trên hệ toạ độ Cartesian Từ ba thành phần

chính R, G, B, chúng ta sẽ có đầy đủ các

màu mà mắt người có thể thấy, hình1, khi

tổ hợp các giá trị của RGB

Hình1: Không gian màu RGB Mặc dù không gian màu RGB được sử dụng trên nhiều thiết bị, nhưng khi dùng để

xử lí có phụ thuộc vào độ sáng thì sẽ gặp nhiều khó khăn vì độ sáng được ẩn dưới các giá trị của RGB

2.2 Không gian màu YUV

Trong các ứng dụng hay thiết bị có dùng hai tín hiệu PAL và NTSC, người ta thường dùng không gian màu YUV, với Y

mô tả như thành phần về độ sáng, trong khi

U và V là các thành phần màu sắc khác Do vậy, YUV rất phù hợp cho phân đoạn ảnh theo thời gian thực, cũng như các xử lí có tác động của độ sáng

Nhiều tác giả đã thành công khi dùng không gian màu này để phân tích ảnh màu theo thời gian thực, như Wren [24] theo vết chuyển của con người Trong khi đó Qian [25] chuẩn hoá RG thì thấy tốt hơn YUV

2.3 Không gian màu YCbCr

Cũng giống như không gian màu YUV, không gian YCbCr cũng tách hai thành phần màu và độ sáng riêng biệt Các thành phần YCbCr được tính theo công thức 2, như sau:













B

b

R

r

C

c

C

c

(2)

với các tham số cr, cg, và cb lấy giá trị ở bảng 1 Không gian này được dùng khá nhiều hiện nay để phân tích ảnh màu Chai

( ),

r v g v( ), b v( )

và Ngan [21] thành công khi dùng không

gian màu này để phân đoạn ảnh

Bảng 1: Các giá trị của các tham số để

chuyển không gian màu từ RGB sang

YCbCr

c r c g c b

Re

c 601-1

0.298

9

0.586

6

0.114

5 Re

c 709

0.212

6

0.715

2

0.072

2 IT

U

0.222

0

0.706

7

0.071

3

Hay chúng ta có thể đổi trực tiếp từ

RGB sang YCbCr, công thức 3, và ngược

lại theo công thức 4

(3)

0.00456621 0 0.00625893 16

0.00456621 0.00153632 0.00318811 128

0.00456621 0.00791071 0 128

(4)

2.4 Không gian màu HSI

Không gian màu HSI (Hue, Saturation,

Intensity) và các không gian màu cùng một

họ như HSV (Hue, Saturation, Value), HDI

(Hue, Distance, Intensity), HLS (Hue,

Lightness, Saturation) được dùng nhiều

trong các ứng dụng về thị giác Hue mô tả

màu sắc (vàng, xanh, đỏ, …), Saturation

mô tả mức độ màu (vàng tươi, đỏ đậm),

còn Intensity mô tả mức độ sáng tối của

màu (xanh sáng, xanh tối) Hình 2 minh

hoạ không gian màu HSI Với một màu x,

H là góc giữa sắc đỏ và x, S là tỉ lệ giữa

màu thật sự trên cạnh của tam giác và x, I

là khoảng cách từ điểm (0,0,0) trên đường

chéo xám

Chúng ta dùng công thức 5 để chuyển

đổi từ RGB sang HSI, như sau:

3 atan (R-I) / 2 khi

G-B

3 / 2 khi 2

1 khi ( ) ( ) ( ) ( )

3

G B

S R G B RG RB GB

R G B I

 



 



(5)

Hình 2: Không gian màu HIS

2.5 Không gian màu NCC

Không gian màu NCC (Normalized Color Components – các thành phần màu được chuẩn hoá), hình 3, là mô hình màu đơn giản nhất để khử thành phần cường độ màu Công thức chuyển đổi khá đơn giản

từ không gian màu RGB, công thức 6 Với điều kiện R+G+B  0

R r

G g

B b



 



 



 

(6)

Hình 3: Không gian màu NCC

2.6 Khơng gian màu TSL

Khơng gian màu TSL (Tint, Saturation,

Lightness) là một biến thể của khơng gian

màu NCC [2], theo cơng thức 7

0 khi g'=0

L=0.299R+0.587G+0.114B





 











r g

với r’=r-1/3, g’=g-1/3

2.7 Khơng gian màu LUX

Lievin và Luthon [26] trình bày một

khơng gian màu phi tuyến cho xác định

màu da người, các tác giả gọi là LUX

(Logarithmic hUe eXtention), được tính

theo cơng thức 8 sau đây:

0.3 0.6 0.1

1 khi R<L

1 khi R L

1 khi B<L

1 khi B L





L

U

M

R

L

X

M

R

(8)

với M là phạm vi linh hoạt, ví dụ dữ

liệu 8Bit thì phạm vi là [0,255] và M=255

UX là các thành phần màu sắc Các tác giả

cho biết khơng gian màu này hiệu quả khi

tìm độ tương phản giữa màu da người, mơi

và các loại khác hơn khơng gian màu

YCbCr

3 CÁC MƠ HÌNH MÀU DA NGƯỜI

Mục đích chính của xác định màu da

người là xây dựng một bộ luật để quyết

định làm sao xác định các điểm ảnh nào là

da người và các điểm ảnh nào khơng phải

là da người Thơng thường để giải quyết

được vấn đề trên, người ta xem xét một độ

đo để đo khoảng cách các điểm ảnh màu đến sắc thái của màu da

Hiện nay cĩ rất nhiều nghiên cứu xây dựng mơ hình màu da người, như thu thập

và xác định một khoảng biến thiên của da người, dựa trên phân bố Gauss, xác suất điều kiện, lí thuyết Bayes, xây dựng ngưỡng dựa trên các kĩ thuật: Goodness-of-fit, Cực đại hố khả năng, khoảng cách Mahalanobis, Histogram, cực đại triển vọng, dùng mạng neural đã được huấn luyện, khai khống dữ liệu, PCA, Entropy, gom nhĩm, hoặc kết hợp nhiều phương pháp, v.v [11, 19]

3.1 Phạm vi vùng màu da

Một phương thức cơ bản là xây dựng một số điều kiện biên để kiểm tra một điểm ảnh cĩ thuộc điều kiện đĩ thì điểm ảnh đĩ

cĩ thể là da người [10, 13, 27] Cĩ nhiều cách để xây dựng, cĩ thể thu thập các điểm ảnh mình biết chắc là da người rồi từ đây xây dựng điều kiện, cơng thức 9



95 và 40 và B>20 và max{R,G,B}-min{R,G,B}>15 và R-G 15 và R>G và R>B

(9)

Cĩ rất nhiều nghiên cứu theo hướng này [11], cho nhiều kết quả khả quan Gần đây cĩ một nghiên cứu [18] cho ta điều kiện tốt hơn cơng thức 9, cơng thức 10 Nhưng cũng cĩ tác giả khác chọn điều kiện, cơng thức 11, kết hợp với cơng thức 9

và cơng thức 10 để xét điều kiện một điểm ảnh cĩ phải cĩ màu là màu da hay khơng

(B>160 và R<180 và G<180) hay

(G>160 và R<180 và B<180) hay

(B<100 và R<100 và G<100) hay

(G>200) hay

(R+G>400) hay

(G>150 và B<90) hay

(B/(R+G+B)>.40) hay

(G/(R+G+B)>.40) hay

(R<102 và G>100 và B>110 và G<140 và B<160)

(10)

45 &&Y<252

Cb>-60 && Cb<10.3

Cr>10 && Cr<60











(11)

Bao [10] xây dựng một phạm vi màu

da người dựa trên PCA (Principal

Component Analysis) để cĩ được các điều

kiện biên đơn giản hơn Đồng thời xem xét

quan hệ của các thành phần sắc màu trong

khơng gian màu YCbCr

Tuy nhiên, các giá trị biên này khơng

hồn tồn chính xác, mà cịn phụ thuộc rất

nhiều vào thiết bị, điều kiện mơi trường

như: ánh sáng, khung cảnh xung quanh,

người được lấy mẫu thuộc chủng tộc gì,

quần áo đang mặc, v.v Và nếu muốn độ

chính xác cao thì phải cĩ nhiều điều kiện,

nếu nhiều điều kiện thì dẫn đến phức tạp

hơn khi tính tốn, cũng như dữ liệu để tìm

điều kiện phải nhiều, càng nhiều càng tốt

nên khơng gian lưu trữ sẽ tăng lên

3.2 Mơ hình phân bố màu da khơng

cĩ tham số

Ý tưởng chính cho phương thức mơ

hình hố màu da khơng cĩ tham số là ước

lượng phân bố màu da từ dữ liệu thu thập

được (dữ liệu huấn luyện) mà khơng cĩ

một mơ hình màu da rõ ràng Kết quả đơi

khi xem như xây dựng ánh xạ xác suất màu

da (Skin Probability Map - SPM)

3.2.1 Bảng tra cứu đã được chuẩn

hĩa

Một vài thuật tốn xác định khuơn mặt

và theo vết khuơn mặt dùng biểu đồ để phân đoạn màu da [7] Thường chỉ dùng duy nhất mặt phẳng màu trong khơng gian màu để xử lí, sau khi huấn luyện, biểu đồ

sẽ được chuẩn hố để cĩ được phân bố xác suất rời rạc:

skin[c]

( ) Norm

skin

P c  (12)

với skin [c] biểu đồ của từng kênh

màu, tương ứng vector màu c và Norm là

các giá trị được chuẩn hố (tổng của các giá trị của biểu đồ được chuẩn hố [1]) Trong khơng gian màu RGB, nếu dùng cả

ba giá trị R, G, B thì c[0,2563] số lượng c

sẽ vào khoảng 16.7 triệu giá trị, cịn nếu ta chỉ dùng hai giá trị R, G thì c[0,2562] Nhưng trong thực tế ta cĩ thể giảm số lượng c bằng cách dùng phân loại Bayes

3.2.2 Phân loại Bayes

Từ các mơ hình histogram (biểu đồ) da người và khơng phải da người qua huấn luyện (cơng thức 12), tác giả xây dựng một phân loại điểm ảnh cĩ phải màu da hay khơng [1, 5, 7] Đây là phân loại nhị phân, dựa trên xác suất điều kiện P(skin | c) theo luật Bayes [12] (cơng thức 13) từ giá trị Pskin(c) đã cĩ

P c skin P skin

P skin c

P c skin P skin P c skin P skin



(13)

P(c | skin) và P(c | skin) được tính trực tiếp từ histogram của màu da và khơng phải màu da, cịn P(skin) và P(skin) được ước lượng từ mẫu huấn luyện Đồng thời cũng phải xác định một ngưỡng , nằm trong khoảng [0,1] nếu P(skin | c)  , thì điểm ảnh đang xét cĩ màu là màu da người

Thay vì chúng ta phải tính theo cơng thức 13, thì cũng cĩ thể tính tỉ lệ xác suất

như công thức 14

( | ) ( | ) ( )

( | ) ( | ) ( )

P skin c P c skin P skin

P skin c  P c skin P skin  (14)

Nếu tỉ lệ này lớn hơn ngưỡng , thì

điểm ảnh này có màu là màu da người Đôi

khi ta cũng có thể dùng hình thái khác,

công thức 15, xác định điểm ảnh có phải

mang màu da người hay không

P c skin

P c skin

P skin K

P skin











 (15)

Ta sẽ chọn K như thế nào để phù hợp

với ngưỡng  mình mong muốn Đây chính

là bài toán khả năng cực đại cần xem xét

Khi dùng mô hình này, thì vấn đề phức tạp

như điều kiện ánh sáng, chủng tộc, quần áo

sẽ được khắc phục phần nào nhờ vào xác

suất điều kiện, đồng thời không cần dữ liệu

quá lớn vẫn có thể áp dụng được Chúng ta

cũng có thể dùng thêm phương pháp học

tăng cường mỗi khi xác định được các

điểm ảnh có màu da người hay không phải

để xác suất càng chính xác hơn

3.2.3 Ánh xạ tự tổ chức

Vào thập niên tám mươi Kohonen đề

xuất ánh xạ tự tổ chức (Self-Organizing Map

- SOM) [35], và nó đã trở thành một trong

những loại phổ biến hiện nay – mạng neural

nhân tạo không giám sát Brown [28] dùng

một phương thức xác định màu da người

trên cơ sở SOM Có hai loại được dùng, một

là chỉ dùng thông tin về màu da, cái thứ hai

dùng cả hai thông tin về màu da và thông tin

không phải là màu da, trên nhiều không gian

màu như: NCC, họ HS, TSL, để kiểm tra

Theo tác giả, kết quả để phát hiện điểm ảnh

có phải có giá trị là màu da người hay không

thì khá tốt, nhưng lại không tốt bằng phương

pháp dùng histogram trên không gian màu RGB với dữ liệu của Compaq [1] Các tác giả cũng nhấn mạnh phương pháp SOM [15] không cần nhiều dữ liệu mẫu như phương pháp histogram và các mô hình hỗn hợp, và rất hiệu quả về mặt thời gian thực hiện khi cài đặt

3.3 Mô hình phân bố màu da có tham số

Các mô hình màu da không tham số dựa trên histogram thông dụng nhất cần rất nhiều không gian lưu trữ và phụ thuộc rất nhiều hình thái của tập dữ liệu ảnh dùng để huấn luyện Chúng ta cần mô hình màu da compact, hơn nữa để các ứng dụng sử dụng

mô hình màu da sẽ tốt hơn Mô hình này cần tổng quát và có khả năng nội suy để hiệu chỉnh các tham số của các mô hình phân bố màu da người

Ngoài các phương pháp nêu trên có vài tác giả dùng một số phương pháp tích hợp các kĩ thuật khác nhau Kết hợp thuật toán gán nhãn vùng, kĩ thuật khả năng dựa trên khoảng cách Mahalanobis [2] và ngưỡng phân đoạn Dùng không gian màu ST và khoảng cách Mahalanobis [18] Tìm quỹ tích màu da trong không gian màu NCC rồi dùng histogram và các phép toán trong Morphology [17] Xác định giá trị ngưỡng phân đoạn và cập nhật liên tục khi xử lí từ đây tách làm hai nhóm: màu da và không phải màu da thông qua một mặt phẳng phân chia [16], …

3.3.1 Gauss

Có thể dùng hàm mật độ xác suất (probability density function - pdf) Gauss

có dạng ellipse để mô hình hoá phân bố màu da người do khi quan sát trên biểu đồ các tác giả thấy phân bố của màu da người gần giống phân bố Gauss [3], được định nghĩa theo công thức 16

2 1/ 2

1

2

T

s









(16)

với c là vector màu sắc, s và s là

tham số phân bố (vector trung bình và ma

trận hiệp phương sai) Các tham số được

ước lượng từ dữ liệu huấn luyện bằng công

thức 17

1

1

1

1

n

j

n

T

s

j

c

n

n













(17)

với n là tổng số mẫu để huấn luyện

màu da người, các mẫu là cj P(c | skin) là

xác suất có thể dùng để xem màu c gần

giống màu da người hay không, hoặc dùng

khoảng cách Mahalanobis [18] từ vector

màu c đến giá trị trung bình s để xác định

màu c có phải là màu da người hay không

dựa trên ma trận hiệp phương sai

1

(18)

Mô hình này được nhiều người dùng

[2, 20] và thành công trong ứng dụng của

họ

3.3.2 Gauss hỗn hợp

Chúng ta cần một mô hình tinh vi hơn,

mô hình Gauss hỗn hợp (Gaussian Mixture

Model - GMM) có khả năng mô tả các

phân bố có hình dạng phức tạp Mô Gauss

hỗn hợp được tổng quát hoá từ mô hình

Gauss với pdf trong trường hợp này sẽ là:

1

( | ) k i ( |i )

i



(19)

Trong công thức 19, k là số lượng các

thành phần hỗn hợp, i là các tham số hỗn

hợp và được chuẩn hoá

1

1

k i i







 , và Pi(c | skin) là các pdf với mô hình Gauss, mỗi phần Pi(c | skin) này có một giá trị trung bình và ma trận hiệp phương sai của chính

nó Khi huấn luyện, tại mỗi bước lặp dùng thuật toán cực đại hoá kì vọng (Expectation Maximization - EM) [3], với số lượng các thành phần k phải xác định trước Chi tiết của mô hình huấn luyện với EM[14, 29, 30] Khi huấn luyện xong, để phân loại ta dùng P(c | skin) so sánh với ngưỡng định trước để xác định xem màu c có phải là màu của da người hay không [22]

Việc chọn số lượng các thành phần k rất quan trọng, nếu chọn lớn quá sẽ tốn chi phí tính toán khá cao, nếu chọn nhỏ quá thì mức độ chính xác không còn cao Việc chọn k sẽ phụ thuộc vào kinh nghiệm người dùng cũng như tuỳ vào ứng dụng Đồng thời phải mô tả chính xác mô hình dựa trên dữ liệu huấn luyện mà đừng để xảy ra tình trạng quá khớp dữ liệu Thông thường các tác giả chọn k từ hai [29] cho đến mười sáu [1], nhưng có tác giả chọn k bằng tám (trung bình) [30] và ông nói mô hình khi chọn k bằng tám gần giống trong thực tế nhất

3.3.3 Gom nhóm dựa trên đa thành phần Gauss

Phung [19, 31] dùng xấp xỉ gom nhóm màu da người với ba thành phần 3D Gauss trong không gian màu YCbCr Một dạng khác của thuật toán gom nhóm dữ liệu k-trung bình (k-mean clustering) cho các nhóm Gauss dùng để huấn luyện cho mô hình Một điểm ảnh được phân loại là thuộc nhóm có màu là màu da người, nếu khoảng cách Mahalanobis từ vector màu c đến tâm gần nhất của nhóm trong mô hình

dưới một ngưỡng định nghĩa trước

3.3.4 Mô hình bao dạng ellipse

Khi kiểm tra các phân bố màu da

người và không phải màu da người trong

vài không gian màu, Lee và Yoo [32] có

kết luận nhóm màu da người có hình dạng

gần như một hình ellipse và thật sự không

thể dùng duy nhất một mô hình Gauss để

xấp xỉ mô hình màu da người Do tính

nhóm màu da người bất đối xứng và đặc

biệt đối với mật độ tại đỉnh nên khi dùng

mô hình Gauss đơn giản sẽ dẫn đến tỉ lệ sai

khá cao Hai tác giả đã đề xuất một phương

pháp thay thế mà họ gọi là mô hình bao

dạng ellipse (Elliptic Boundary Model), mà

mô hình này nhanh và đơn giản trong huấn

luyện như mô hình Gauss đơn giản và

Gauss hỗn hợp, đồng thời lại cho kết quả

xác định cao hơn trên cùng cơ sở dữ liệu

của Compaq [1] Mô hình bao dạng ellipse

được định nghĩa như sau:

1

( ) ( c c  )T  ( c  )

    

Tiến trình huấn luyện cho hệ thống

gồm hai bước: đầu tiên, loại bỏ các mẫu

huấn luyện màu có tần số thấp (khi dùng

bộ dữ liệu là màu da người thì những mẫu

có tần số thấp chính là những mẫu có số

lượng ít – hay nói cách khác những mẫu

này có thể là nhiễu hay dữ liệu không phù

hợp) để loại bỏ bớt nhiễu và dữ liệu không

phù hợp, tỉ lệ loại bớt cho phép đến 5%

Sau đó các tham số của mô hình ( và )

được tính theo công thức 21 như sau:

1

T

N



(21)

với n là tổng số các vector màu riêng

biệt ci của tập điểm ảnh có màu chính là

màu da người dùng để huấn luyện (không phải tổng số điểm ảnh dùng để huấn luyện), và fi là số lượng các mẫu có màu da người dùng huấn luyện có cùng màu với vector màu ci, vậy N chính là tổng số mẫu dùng để huấn luyện Một điểm ảnh có màu

c được xem là cùng màu với màu da khi

(c) < , với  là một ngưỡng Các tác giả khẳng định mô hình xấp xỉ của họ tốt hơn

mô hình Gauss bởi vì dữ liệu bị nghiêng không ảnh hưởng đến tâm  của mô hình

3.4 Mô hình hỗn hợp

Có nhiều tác giả tích hợp nhiều phương pháp để tìm mô hình màu da người như Kakumanu [8] sử dụng các kênh màu (như CbCr) mà không dùng kênh ánh sáng (vì kênh này sẽ bị ảnh hưởng của môi trường rất nhiều) để xác định thông qua các mạng neural, mà các mạng neural này được huấn luyện để có thể dự đoán trực tiếp cho việc ước lượng ánh sáng Các mạng được huấn luyện bằng các dữ liệu được chọn ngẫu nhiên các ảnh có màu da người ở các điều kiện khác nhau Tác giả xây dựng mạng đa tầng có hai lớp ẩn, tầng nhập có

1600 neuron, lớp ẩn đầu tiên có 48 neuron, lớp ẩn thứ hai có 8 neuron, và tầng xuất có

2 neuron Tác giả dùng không gian màu con của không gian màu NCC, đó là không gian chỉ có r và g Không gian con này được chia làm 40*40 (1600) các phần rời rạc, mỗi phần có histogram tương ứng đó

là một neuron để đưa vào mạng neural, có giá trị là 1 hay 0 để mô tả phần histogram này có hay không có trong ảnh Tác giả dùng thuật toán học lan truyền ngược, dùng khoảng cách Euclide để tính lỗi Ông xây dựng đồng thời hai mạng: một dùng để ước lượng ánh sáng, hai để xác định có phải là màu da hay không

Leonid [7] sử dụng mô hình Markov

(20)

kết hợp histogram Đầu tiên ông dùng lại

mô hình histogram của Jones và Rehg [1]

trong không gian màu NCC, từ các giá trị

nhận được ông dùng mô hình Markov để

học và điều chỉnh các tham số cần thiết và

làm cho mô hình càng ngày càng tốt hơn

Mohamed Hammami [9] dùng phương

pháp khai khoáng dữ liệu để tìm luật trong

bộ dữ liệu quan hệ màu da người của ông

Từ luật này ông xây dựng cây quyết định

để phân loại một màu w có phải là màu da

người hay không

Qiang Zhu [6], tác giả dùng một phân

loại màu da thô thông qua không gian tựa

màu da người, sau đó dùng mô hình Gauss

hỗn hợp để tinh chế lại với thuật toán EM

Sau đó tác giả dùng SVM (Support Vector

Machine) để phân loại màu da từ GMM (có

hai thành phần) đã được huấn luyện trước

đó bằng thông tin của hình dáng và không

gian màu của các điểm ảnh

Huicheng Zheng [15] xây dựng mô

hình entropy cực đại để xác định màu của

điểm ảnh có phải là màu da người hay

không Mô hình này lợi dụng gượng ép

trên các phân bố ở biên là khác nhau Từ

đây ước lượng các tham số thông qua xấp

xỉ hay nói cách khác khi biết một điểm ảnh

có màu là màu da làm sao ta biết được

những điểm lân cận có phải có màu là màu

da hay không? Thường khi xuất hiện trên

ảnh sẽ là một vùng da chứ không thể chỉ có

một điểm, dựa trên tính chất này tác giả

xây dựng một xấp xỉ trên cây của lưới các

điểm để lan truyền, đồng thời tác giả dùng

thuật toán lan truyền niềm tin dựa trên xác

suất để chọn Trong khi ước lượng tác giả

đã xây dựng mô hình Markov ẩn để tìm

ranh giới qua việc học dữ liệu

Nicu Sebe, Ira Cohen, Thomas S

Huang, và Theo Gevers xây dựng bộ phân

loại một điểm ảnh có sắc màu có phải là

màu da người hay không dựa trên mạng Bayes đã được huấn luyện trước đó [33] Gần đây Moon Hwan Kim, Jin Bae Park và Young Hoon Joo xây dựng mô hình màu da người dựa trên logic mờ [34] Các tác giả xây dựng bộ điều khiển mờ từ

dữ liệu các điểm ảnh có màu là màu da người, rồi từ đây xây dựng một bộ gom nhóm (clustering) mờ dùng cho việc xác định vùng nào có cùng màu với màu da người sau này

3.5 Mô hình phân bố màu da động

Một lớp các phương thức để mô hình hoá màu da người được xây dựng và làm cho phù hợp với bài toán xác định vị trí trong ảnh có màu là màu da người để theo vết khuôn mặt con người Để xây dựng, các tác giả chọn phân tích các ảnh tĩnh từ vài khía cạnh Khía cạnh đầu tiên, mô hình màu da người có thể ít tổng quát (quá cụ thể), đây là phần chính Thứ hai, có thể khởi động quá trình xử lí, khi một vùng mặt được phân biệt từ phần hình nền bằng

bộ phân loại khác hay làm bằng tay Điều này cho ta một xác suất để mô hình phân loại màu da người, nếu ta có được các điều kiện (người, camera, ánh sáng, hình nền) thì mô hình sẽ có được tính tối ưu Nên chúng ta không cần mô hình tổng quát, mà chúng ta cũng có thể có được tỉ lệ xác định màu da người cao hơn với tỉ lệ xác định sai

sẽ thấp khi so sánh với các mô hình màu da người tổng quát dùng để phân loại màu da trong tập các ảnh tự nhiên [giống 1] Mặt khác, phân bố màu da người có thể thay đổi theo thời gian do điều kiện ánh sáng hoặc camera, vì vậy mô hình nên cập nhật liên tục để phù hợp với các điều kiện xung quanh thay đổi Ngoài ra, mô hình huấn luyện và phân loại theo thời gian trở nên khá quan trọng

Các tính chất quan trọng nhất của mô

hình màu da người dùng để theo vết khuôn

mặt người: thứ nhất, trong cả hai trạng thái

huấn luyện và phân loại thì xử lí phải

nhanh và thứ hai, hệ thống nên được cập

nhật liên tục để phù hợp với các điều kiện

thay đổi [7] Nhiều tác giả đã quan tâm đến

khía cạnh này nên đã chọn mô hình màu da

người theo hướng các tham số đơn giản để

dễ dàng cập nhật, cũng như xử lí nhanh và

không gian lưu trữ ít Thường các tác giả ít

quan tâm đến tỉ lệ xác định sai – trong mô

hình màu da người có tham số

Có nhiều tác giả xây dựng riêng cho

ứng dụng của mình một mô hình màu da

người, nhưng các phương pháp đều xuất

phát từ các phương pháp nêu trên khi điều

chỉnh hay thay đổi tham số mà thôi

4 KẾT LUẬN Theo các nghiên cứu thì mô hình màu

da người chính là mô hình phân bố Gauss, nhưng hiện nay có một số nghiên cứu mới đang xem xét và đưa ra giả thuyết: mô hình màu da người chỉ tựa Gauss, để giải thích khi dùng phân bố Gauss để mô hình hoá sẽ dẫn đến một số lỗi khi phân đoạn màu da trên ảnh

Trên đây là các phương pháp và các không gian màu hay dùng để xác định một vùng trong ảnh có sắc màu có phải là sắc màu da người hay không Hi vọng sẽ giúp ích cho những người nghiên cứu các lãnh vực có liên quan đến màu da người

TÀI LIỆU THAM KHẢO

Michael J Jones and James M Rehg, “Statistical Color Models with Application to Skin Detection”, Int’l J Computer Vision, vol 6, no 1, pp 81-96, 2002

Mohammad Al-aqrabawi and Fangfang Du, “Human Skin Detection Using Color Segmentation”, Internet, https://courseware.vt.edu/users/abbott/5554/SkinReport.pdf Jie Yang, Weier Lu, Alex Waibe, “Skin-Color Modeling and Adaptation”, LNCS, vol

1352, pp 687-694, Springer-Verlag Berlin Heidelberg, 1998

Moritz Storring, “Computer Vision and Human Skin Color”, Ph.D Thesis, Aalborg

University 2004

Antonis A Argyros and Manolis I.A Lourakis, “Real-Time Tracking of Multiple Skin-Colored Objects with a Possibly Moving Camera”, ECCV 2004, LNCS 3023, pp

368-379, Springer-Verlag Berlin Heidelberg, 2004

Qiang Zhu, Kwang-Ting Cheng, Ching-Tung Wu, and Yi-Leh Wu, “Adaptive Learning of

an accurate Skin-Color Model”, Proceedings of the Sixth IEEE International

Conference on Automatic Face and Gesture Recognition (FGR’04), IEEE, 2004

Leonid Sigal, Stan Sclaroff, and Vassilis Athitsos, “Estimation and Prediction of Evolving Color Distributions for Skin Segmentation Under Varying Illumination”, Proc IEEE

Conf on Computer Vision and Pattern Recognition (CVPR 2000), IEEE, 2000

P Kakumanu, S Makrogiannis, R Bryll, N Bourbakis, “Image Chromatic Adaptation using ANNs for Skin Color Adaptation”, Proceeding of the 16th IEEE International

Conference on Tools with Artificial Intelligence (ICTAI 2004), IEEE, 2004

Mohamed Hammami, Dzmitry Tsishkou, and Liming Chen, “Data-Mining Based