WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Apprentissage des réseaux d'ondelettes bêta basé sur la théorie des frames : application à  la détection de visages

( Télécharger le fichier original )
par Faouzi Hajjem
Université de Gabés - Mastère de recherche en informatique 2008
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

b. Approches basées sur la couleur de la peau :

Dans cette approche, la couleur de peau humaine a été employée comme un dispositif efficace pour la détection de visage, et les applications reliées. Bien que la couleur de peau diffère d'un individu à un autre, plusieurs études ont prouvé que la différence principale existe dans l'intensité plutôt que la chrominance. Plusieurs espaces de couleur ont été employés pour marquer des pixels de peau comprenant RVB [4, 39], NRGB (RVB normal) [4, 26], HSV [4, 18] ...

J.C. Terrillon et al. [4, 46] ont présenté une étude comparative de plusieurs espaces de couleur largement répandus pour la détection de visages. Dans cette étude, les auteurs comparent les espaces chrominance en modelant des distributions de couleur de peau à un modèle gaussien. Dans leur essai de détection de visages, l'espace normal de TSL fournit les meilleurs résultats, cependant, leur conclusion générale est au sujet du critère le plus important pour la couleur de peau filtrant, qui est le degré du chevauchement entre la peau et les distributions de non-visages dans un espace donné (et ceci dépend fortement du nombre d'échantillons disponibles de peau et de non-visages). La segmentation de couleur peut fondamentalement être effectuée en utilisant les seuils appropriés de couleur de peau où elle est modelée par des histogrammes ou des diagrammes [4, 16, 17].

Dans des méthodes plus complexes, N. Oliver et al. [4, 26] et Yang et al. [4, 19] utilisent une distribution gaussienne pour représenter un faisceau de couleur de peau, se composant de milliers d'échantillons, pris des différentes races humaines. La distribution gaussienne est simplement caractérisée par sa matrice moyenne et de covariance. N'importe quelle couleur de pixel d'une image d'entrée est comparée au modèle de couleur de peau en calculant la distance de Mahalanobis [4, 21]. Cette distance donne une idée sur la ressemblance entre la couleur de pixel et la couleur de peau du modèle.

Quoique l'information de couleur semble être un outil efficace pour identifier des secteurs faciaux, les modèles de couleur de peau peuvent échouer quand le spectre (la température corrélée de couleur) de la source lumineuse change de manière significative. En outre, les caractéristiques du dispositif d'acquisition (équilibre spécifiquement blanc) effectueront également la transformation de couleur entre l'environnement et l'image.

En général, les filtres de couleur de peau sont construits en employant des seuils fixes pour des distributions de pixels témoins dans l'espace de couleurs.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"L'ignorant affirme, le savant doute, le sage réfléchit"   Aristote