In consequence, we decided to use t

In consequence, we decided to use the following for face
detection:
1) Use color segmentation to find skin pixels
2) Use morphological operations to eliminate isolated
pixels (false acceptances in 1)
3) Use template matching to extract only the face,
which we will use for face recognition.
IV.1 COLOR SEGMENTATION
Detection of skin color in color images is a very popular and
useful technique for face detection. In the skin color
detection process, each pixel was classified as skin or nonskin based on its color components values.
To reduce the computation time, we first down sample the
image by a factor of 8. This is done without pre-filtering to
avoid the extra computation required; the aliasing introduced
is negligible. Scale-by-max color balancing is also performed
to reduce the effects of illumination variations. Scale-by-max
was chosen over gray-world because it can be done in the
gamma pre-distorted world and the gray-world assumption is
not quite true for face pictures.
In the literature, the color segmentation can be done in many
different ways, with some very advanced methods to process
the images in extreme illumination conditions or with a
cluttered background. Here we looked for a simple rule to
detect the skin pixels as fast as possible. Two methods in
particular were explored.
First we can work in the RGB space to avoid any calculation.
We modified a rule from [2]:
A pixel with color values (R, G, B) is classified as skin if:
- R > 95 and G > 40 and B > 20 and
- R > G and R > B and
- R-G > 15
This algorithm performed well in general, but we wanted to
explore other options, in particular because the speed of the
RGB classifier was slower than expected. Other widely used
color segmentation methods are based on Cr or Hue
classifiers. We tested various rules for Hue, but the
classification can be too strict or on the contrary too loose for
some lighting conditions.
Figure 2: Example of bad performance for the Hue classifier
Finally, a Cr classifier was derived from [Chai and Ngan,
1999]: A pixel is considered as skin if Cr [ א136 173]. As Cr
component is easy to compute from RGB (affine
transformation) and there are only two tests to perform, the
classification is really fast, and surprisingly good results
were obtained. So, we adopted this last classifier.
IV.2 MORPHOLOGICAL IMAGE PROCESSING
After color segmentation, a mask of non-skin pixels i

Kết quả (Việt) 1:

Quả là, chúng tôi quyết định sử dụng sau đây cho khuôn mặtphát hiện:1) sử dụng màu sắc phân khúc để tìm da pixel2) sử dụng hình thái hoạt động để loại bỏ cô lậppixel (sai acceptances trong 1)3) sử dụng mẫu phù hợp để giải nén chỉ mặt,mà chúng tôi sẽ sử dụng để nhận dạng khuôn mặt.IV.1 MÀU PHÂN KHÚCPhát hiện màu da trong những hình ảnh màu sắc là rất phổ biến vàkỹ thuật hữu ích cho việc phát hiện khuôn mặt. Màu daquá trình phát hiện, mỗi pixel được phân loại như là da hoặc nonskin dựa trên giá trị thành phần màu của nó.Để giảm thời gian tính toán, chúng tôi lần đầu tiên xuống mẫu cáchình ảnh của một yếu tố của 8. Điều này được thực hiện mà không có sẵn bộ lọc đểtránh những tính toán phụ yêu cầu; răng cưa giới thiệulà không đáng kể. Quy mô của tối đa màu sắc cân bằng cũng đã thực hiệnđể giảm những tác động của biến thể chiếu sáng. Quy mô của maxđược chọn màu xám-thế giới bởi vì nó có thể được thực hiện theo cácthế giới Pre-méo gamma và giả định thế giới màu xám làkhông khá đúng đối với khuôn mặt hình ảnh.Trong văn học, phân khúc màu sắc có thể được thực hiện trong nhiềunhững cách khác nhau, với một số phương pháp rất tiên tiến để xử lýnhững hình ảnh trong điều kiện ánh sáng khắc nghiệt hoặc với mộtnền lộn xộn. Ở đây chúng tôi đã tìm kiếm một quy tắc đơn giảnphát hiện các điểm ảnh da càng nhanh càng tốt. Hai phương pháp ởđặc biệt đã được khám phá.Trước tiên, chúng tôi có thể làm việc trong không gian RGB để tránh bất kỳ tính toán.Chúng tôi sửa đổi quy định từ [2]:Một pixel với giá trị màu (R, G, B) được phân loại là da nếu:-R > 95 và G > 40 và B > 20 và-R > G và R > B và-R G > 15Thuật toán này thực hiện tốt trong tổng hợp, nhưng chúng tôi muốnkhám phá các tùy chọn khác, đặc biệt bởi vì tốc độ của cácRGB loại là chậm hơn so với dự kiến. Khác sử dụng rộng rãimàu sắc phân khúc phương pháp dựa trên Cr hoặc HuếMáy phân loại. Chúng tôi thử nghiệm các quy tắc khác nhau cho Huế, nhưng cácphân loại có thể được quá nghiêm ngặt hoặc ngược lại quá lỏng chomột số điều kiện ánh sáng.Hình 2: Ví dụ về các hiệu suất xấu cho loại HuếCuối cùng, một loại Cr được bắt nguồn từ [Chai và Ngan,1999]: điểm ảnh được coi là da nếu Cr [א136 173]. Là Crthành phần dễ dàng tính toán từ RGB (afinchuyển đổi) và có những chỉ có hai bài kiểm tra để thực hiện, cácphân loại là thực sự nhanh chóng, và kết quả đáng ngạc nhiên tốtđã thu được. Vì vậy, chúng tôi chấp nhận này loại cuối cùng.XỬ LÝ ẢNH HÌNH THÁI IV.2Sau khi phân khúc màu, một mặt nạ của điểm ảnh-da tôi

Kết quả (Việt) 2:

Vì thế, chúng tôi quyết định sử dụng sau đây cho khuôn mặt
phát hiện:
1) Sử dụng phân đoạn màu để tìm pixel da
2) Sử dụng các hoạt động về hình thái học để loại bỏ cách ly
pixel (chấp nhận thanh toán sai trong 1)
3) Sử dụng mẫu phù hợp để chỉ trích xuất các mặt,
trong đó chúng tôi sẽ sử dụng cho mặt công nhận.
IV.1 cOLOR PHÂN ĐOẠN
phát hiện màu da trong ảnh màu là rất phổ biến và
kỹ thuật hữu ích để phát hiện khuôn mặt. Trong màu da
quá trình phát hiện, mỗi điểm ảnh được phân loại như da hoặc nonskin dựa trên các thành phần màu sắc giá trị của nó.
Để giảm thời gian tính toán, chúng tôi lần đầu tiên xuống lấy mẫu các
hình ảnh do một yếu tố của 8. Điều này được thực hiện mà không có tiền lọc để
tránh các tính toán bổ sung cần thiết; răng cưa giới thiệu
là không đáng kể. Quy mô-by-max cân bằng màu sắc cũng được thực hiện
để giảm tác động của biến thể chiếu sáng. Quy mô-by-max
đã được lựa chọn qua xám trên thế giới vì nó có thể được thực hiện trong
gamma pre-méo thế giới và giả màu xám-thế giới là
không hoàn toàn đúng đối với hình ảnh khuôn mặt.
Trong văn học, các phân khúc màu sắc có thể được thực hiện trong nhiều
khác cách, với một số phương pháp rất tiên tiến để xử lý
hình ảnh trong điều kiện ánh sáng cực hay với một
nền lộn xộn. Ở đây chúng ta tìm kiếm một quy tắc đơn giản để
phát hiện các điểm ảnh da càng nhanh càng tốt. Hai phương pháp trong
. Đặc biệt đã được khảo sát
. Đầu tiên chúng ta có thể làm việc trong không gian RGB để tránh bất kỳ tính toán
Chúng tôi sửa đổi một quy tắc từ [2]:
Một điểm ảnh với giá trị màu (R, G, B) được phân loại như da nếu:
- R> 95 và G> 40 và B> 20
- R> G và R> B và
- RG> 15
thuật toán này được thực hiện tốt nói chung, nhưng chúng tôi muốn
khám phá các lựa chọn khác, đặc biệt là bởi vì tốc độ của các
phân lớp RGB là chậm hơn so với kỳ vọng. Sử dụng rộng rãi khác
phương pháp phân chia màu sắc dựa trên Cr hay Huế
phân loại. Chúng tôi đã kiểm tra quy tắc khác nhau cho Huế, nhưng các
phân loại có thể là quá chặt chẽ hay ngược lại quá lỏng lẻo đối với
một số điều kiện ánh sáng.
Hình 2: Ví dụ về hiệu suất kém cho việc phân loại Huế
Cuối cùng, một bộ phân loại Cr được bắt nguồn từ [Chai và Ngân,
1999 ]: Một điểm ảnh được coi là làn da nếu Cr [א 136 173]. Như Cr
thành phần dễ dàng tính từ RGB (affine
chuyển đổi) và chỉ có hai bài kiểm tra để thực hiện,
phân loại thực sự là nhanh, và ngạc nhiên kết quả tốt
đã thu được. Vì vậy, chúng tôi thông qua phân loại cuối cùng này.
IV.2 hình thái IMAGE PROCESSING
Sau khi phân màu, một mặt nạ của điểm ảnh không-da i