Identyfikacja koloru skóry dłoni w różnych przestrzeniach barw

• Autorzy: Kapuściński T. , Wysocki M.

Warianty tytułu

EN

Hand skin color identification in different color spaces

• Języki publikacji: PL

Abstrakty

PL

Ważnym zadaniem związanym z rozpoznawaniem gestów wykonywanych rękami jest wyodrębnienie dłoni na obrazach cyfrowych na podstawie koloru skóry. Jakość segmentacji zależy od przestrzeni barw, w której reprezentowany jest obraz. Niniejsza praca nawiązuje do tego zagadnienia. Omówiono wyniki eksperymentów wykorzystując przygotowaną przez autorów bazę danych uwzględniającą różne warunki oświetlenia. Rozważano znormalizowaną przestrzeń RGB oraz osiem innych przestrzeni, w których uwzględniono tylko składowe chromatyczne. Wykorzystywano cztery metody segmentacji dłoni. Dwie z nich polegały na zbudowaniu dwuwymiarowego obrazu prawdopodobieństwa przynależności pikseli do skóry i binaryzacji tego obrazu. Obraz prawdopodobieństwa uzyskiwano na podsawie modelu rozkładu koloru skóry w formie histogramu w przestrzeni 2D, bądż jego aproksymacji rozkładem Gaussa. Pozostałe dwie to metody bayesowskie: największej wiarygodności i maksimum prawdopodobieństwa a posteriori, oparte również na histogramach 2D.

EN

Detection of skin in video is an important component of hand gesture recognition systems. Quality of skin-color based hand segmentation depends on the color space used. This article presents a comparative evaluation of pixel classification performance. Dataset prepared for different illumination conditions, four detection methods and ten color spaces have been used. To reduce the sensitivity of the segmentation to changes in illumination normalized RGB chrominance space and chromatic coordinates of other spaces have been taken into consideration. The detection methods base on 2D histogram models of the skin color distribution. Two of them use 2D pictures of distribution of the probability that corresponding pixels of the analyzed image belong to the skin. The remaining two methods, the maximum likelihood and the maximum a posteriori probability estimation make use of Bayesian decision theory.

• Wydawca: Instytut Informatyki Teoretycznej i Stosowanej Polskiej Akademii Nauk
• Czasopismo: Archiwum Informatyki Teoretycznej i Stosowanej
• Rocznik: 2001
• Tom: T. 13, z. 1
• Strony: 53--68
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Kapuściński T.

• Katedra Informatyki i Automatyki Politechnika Rzeszowska ul. W.Pola 2 35-959 Rzeszów

autor

Wysocki M.

• Katedra Informatyki i Automatyki Politechnika Rzeszowska ul. W.Pola 2 35-959 Rzeszów

Bibliografia

• [1}. J. Boehipe, U. D. Braumann. A. Brakensiek, A. Corradini, M. Krabbes, H.-M. Gross, User localisation for Visually-based Human-Machine-Interaction, Proceedings of the rd Int. Conf. on Automatic Face and Gesture Recognition, Nara, Japan 1998, pp. 486-491.
• [2] R. Cutler, M. Turk, View-based Interpretation of Real-time Optical Flow for Gesture Recognition, Proceedings of the 2'1 Int. Conf. on Automatic Face and Gesture Recognition, Nara, Japan 1998, pp. 416-421.
• [3] M. Domański. Zaawansowane techniki kompresji obrazów i sekwencji wizyjnych, Wyd. Pol. Poznańskiej, Poznan 2000
• [4] K. Fukunaga, Introduction to statistical patern recognition, Acad. Press, New York 1972.
• [5] M. J. Jones, J. M. Rehg, Statistical Color Models with Application to Skin Detection, Proc. of the 18th Conf. Computer Vision and Pattern Recognition, Fort Collins, Colorado 1999, pp. 1-7.
• [6] T. Kapugcirlski, J. Mamik, M. Wysocki, Problemy rozpoznawania gest& wykonywanych rekami, Pomiary, Automatyka, Kontrola 8/1999, pp. 22-25.
• [7] R. Redner, H. Walker, Mixture densities, maximum likelihood and the EM algorithm, SIAM Review, 26, 1994, pp. 195-239.
• [8] S. J. Sangwine, R. E. N. Home (Eds.), Colour Image Processing, Chapman and Hall, London 1998.
• [9] M. Sonka, V. Hlavac, R. Boyle, Image processing: Analysis and Machine Vision, Chapman and Hall, London 1994.
• [10] R. Tadeusiewicz, P. Korohoda, Algorytmy i metody komputerowej analizy i przetwarzania obrazow, Mat. Szkoly Letniej TEMPUS S. JEP-07181-94, Activity 6: Computer Vision, Krakow 1997.
• [11] J.-G. Terrillon, M.N. Shirazi, H. Fukamachi, S. Akamatsu, Comparative Performance of Different Skin Chrominance Models and Chrominance Spaces for the Automatic Detection of Human Faces in Color Images, Proc.of the 4th Int. Conf. on Automatic Face and Gesture Recognition, Grenoble, France 2000, pp. 54-61.
• [12] J.Triesch, Ch. Von der Malsburg, A Gesture Intoface for Human-Robot Interaction, Proc. of the 2nd Int. Conf. on Automatic Face and Gesture Recognition. Nara, Japan 1998, pp. 546-551.
• [13] M. Yamada. K. Ebihara, J. Ohya, A New Robust Real-time Method for Extracting Human Silhouettes from Color Images, Proc. of the 2nd Int. Conf. on Automatic Face and Gesture Recognition, Nara, Japan 1998. pp. 528-533.
• [14] B. D. Zarit, B. J. Super, F. K. H. Quek, Comparition of Five Color Models in Skin Pixel Classification, Int. Workshop on Recognition Analysis and Tracking of Faces and Getures in Real-Time Systems, Corfu, Greece 1999.