Decades, skin color-based face dete

Decades, skin color-based face detection algorithms have been developed by means of various color models. As for skin color characteristics, however, false positive rates would increase and detection rates
decrease when an image contains a complicated background or many
spots whose colors are similar to the skin color. In contrast, as the
appearance-based face detection method based mainly on the sliding window means scans the whole image and utilizes learning data,
it maintains high face detection rates but the computational costs are
also high. Thus, as the size of an image increases, the scanning process involves a lot of computational costs and processing time.
This study suggests a face detector that utilizes the advantages of
the skin color-based face detector and the sliding-based face detector. As for the skin color-based face detection method, a certain skin
color region is separated from the entire image by using the skin color
region classifier, and then the face is detected by using the sliding
window-based face detector, which is one of the appearance-based
face detection methods. Hence, subwindows detect a face only in skin
color regions to reduce the number of subwindows, and the size of
them is also limited by using a skin color region. As a result, at the
same detection rates of the existing sliding-based face detector, false
positive rates are decreased and the detection speed is improved.
This study consists of the following sections: Section 2 presents
explanations on the suggested skin color region classifier. Section 3
presents the sliding window-based face detector with the sliding window-based face detector briefly explained. Section 4 shows
the performance of the suggested algorithm based on experiments.
Section 5 presents the conclusion of this study.
2. Skin color region classifier algorithm
The methodology suggested in this study consists mainly of the
skin color region classifier and the sliding window-based face detector as shown in Fig. 1 below, which presents the entire flow diagram
of the suggested facial detection method. In Fig. 1, Im indicates the
color image of (NXM), Sm a binary image in application of the skin
color segmentation, Sp a binary image after the morphological image
processing, and Ipost an image after the labeling and non-face candidate rejection process. The process of combining skin color regions is
to reduce overlapping areas with the max size of a subwindow limited. Ipost is an image delivered to the sliding window face detector.
The skin color regions delivered along are face area candidates. The
max face window is the largest area among segment sections. With
the max size of a subwindow limited, performance enhancement is
expected. The following sections explain each block.
2.1. Skin color modeling segmentation
Skin color modeling requires the process of selecting used ones
among various color models. Color models include RGB, Normalized
RGB, HIS (hue, saturation, and intensity), HSL (hue, saturation, and
lightness), TSL (tint, saturation, and luminance), and YCbCr. Among
these, a YCbCr color model distinguishes luminance elements from
chrominance elements, and a linear conversion of an RGB color model
is possible, and thus is widely used for skin color models because of
simplicity and minimal operation. This study too utilizes this YCbC

ผลลัพธ์ (ไทย) 1:

ทศวรรษที่ผ่านมา อัลกอริทึมการตรวจจับใบหน้าตามสีผิวได้รับการพัฒนาโดยใช้วิธีการหลากหลายรูปแบบ เช่นลักษณะสีผิว อย่างไรก็ตาม อัตราความผิดพลาดจะเพิ่มขึ้น และอัตราการตรวจจับลดลงเมื่อประกอบด้วยภาพพื้นหลังที่ซับซ้อนหรือหลายจุดที่มีสีจะคล้ายกับสีผิว ตรงกันข้าม เป็นการวิธีตรวจจับใบหน้าตามลักษณะส่วนใหญ่อิงหมายถึงหน้าต่างเลื่อนสแกนภาพทั้งหมด และใช้ข้อมูลการเรียนรู้ยังคงอัตราการตรวจจับใบหน้าสูง แต่มีต้นทุนคำนวณยังสูง ดังนั้น เป็นเพิ่มขนาดของภาพ การสแกนเกี่ยวข้องจำนวนมากคำนวณต้นทุนและระยะเวลาการศึกษานี้แสดงให้เห็นเครื่องตรวจจับใบหน้าที่ใช้ข้อดีของเครื่องตรวจจับใบหน้าตามสีผิวและเครื่องตรวจจับใบหน้าเลื่อนตาม สำหรับวิธีตรวจจับใบหน้าตามสีผิว ผิวบางภูมิภาคสีแยกออกจากภาพ โดยใช้สีผิวลักษณนามภูมิภาค และใบหน้าตรวจพบ โดยใช้การเลื่อนตรวจจับใบหน้าตามหน้าต่าง ซึ่งเป็นหนึ่งในลักษณะตามวิธีการตรวจจับใบหน้า ด้วยเหตุนี้ subwindows พบใบหน้าในผิวเท่านั้นสีภูมิภาคเพื่อลดจำนวนของ subwindows และขนาดของนอกจากนี้พวกเขายังถูกจำกัด โดยใช้บริเวณสีผิว เป็นผล เวลาราคาระดับเดียวกันกับการตรวจหาของอยู่หน้าเลื่อนตามจับ เท็จบวกราคาจะลดลง และมีการปรับปรุงความเร็วในการตรวจจับการศึกษานี้ประกอบด้วยส่วนต่าง ๆ ต่อไปนี้: ส่วนที่ 2 นำเสนอคำอธิบายบนผิวแนะนำสีจำแนกภูมิภาค ส่วนที่ 3นำเสนอการตรวจจับใบหน้าตามหน้าต่างเลื่อนกับเครื่องตรวจจับใบหน้าตามหน้าต่างบานเลื่อนที่อธิบายสั้น ๆ ส่วนที่ 4 แสดงการทำงานของอัลกอริทึมแนะนำคะแนนจากการทดลองส่วนที่ 5 นำเสนอข้อสรุปของการศึกษานี้2. ผิวสีภูมิภาคลักษณนามอัลกอริทึมวิธีที่แนะนำในการศึกษานี้ประกอบด้วยการลักษณนามภูมิภาคสีผิวและเลื่อนหน้าหน้าต่างตามจับตามที่แสดงในรูปที่ 1 ที่นำเสนอแผนการทั้งหมดของวิธีการตรวจจับใบหน้าแนะนำ ในรูปที่ 1, Im บ่งชี้การภาพสี (NXM) S m ภาพไบนารีในแอพลิเคชันของผิวสีแบ่งกลุ่ม S p รูปแบบไบนารีหลังจากรูปสัณฐานการประมวลผล และ Ipost ภาพหลังจากกระบวนการติดฉลาก และไม่ใช่ใบหน้าผู้สมัครปฏิเสธ เป็นกระบวนการรวมภูมิภาคสีผิวการลดพื้นที่ที่ทับซ้อนกัน มีขนาดสูงสุดของ subwindow ที่จำกัด Ipost เป็นภาพส่งไปยังเครื่องตรวจจับใบหน้าหน้าต่างบานเลื่อนภูมิภาคสีผิวที่ส่งไปพร้อมมีผู้สมัครที่บริเวณใบหน้า การหน้าต่างใบหน้าสูงสุดเป็นพื้นที่ที่ใหญ่ที่สุดในหมู่ส่วนเซ็กเมนต์ ด้วยขนาดสูงสุดของ subwindow การจำกัด การเพิ่มประสิทธิภาพเป็นที่คาดไว้ ส่วนต่อไปนี้อธิบายแต่ละบล็อก2.1. ผิวสีโมเดลแบ่งเซ็กเมนต์โมเดลสีผิวจำเป็นต้องใช้ในการเลือกใช้คนในรุ่นสีต่าง ๆ รวมรุ่นสี RGB, NormalizedRGB เขา (สี ความอิ่มตัว และความเข้ม), HSL (สี ความอิ่มตัว และความสว่าง), TSL (สี ความอิ่มตัว และความสว่าง), และสร้าง ในหมู่เหล่านี้ การสร้างสีที่แตกต่างองค์ความสว่างจากองค์ประกอบของ chrominance และการแปลงเชิงเส้นของรุ่นสี RGBเป็นไปได้ และดังนั้นจึง ใช้เป็นรุ่นสีผิวเนื่องจากการความเรียบง่ายและใช้งานน้อยที่สุด การศึกษานี้ใช้ YCbC นี้เกินไป

ผลลัพธ์ (ไทย) 2:

ทศวรรษที่ผ่านมาสีผิวตามขั้นตอนวิธีการตรวจจับใบหน้าได้รับการพัฒนาโดยใช้วิธีการรูปแบบสีต่างๆ ในฐานะที่เป็นลักษณะสีผิว แต่อัตราบวกปลอมจะเพิ่มขึ้นและอัตราการตรวจจับ
ลดลงเมื่อมีภาพพื้นหลังที่ซับซ้อนหรือมีหลาย
จุดที่มีสีคล้ายกับสีผิว ในทางตรงกันข้ามเป็น
ลักษณะตามใบหน้าวิธีการตรวจสอบตามหลักบนหน้าต่างบานเลื่อนหมายถึงการสแกนภาพทั้งหมดและใช้การเรียนรู้ข้อมูลที่
จะรักษาอัตราการตรวจจับใบหน้าสูง แต่ค่าใช้จ่ายในการคำนวณเป็น
ยังสูง ดังนั้นที่ขนาดของการเพิ่มขึ้นของภาพขั้นตอนการสแกนที่เกี่ยวข้องกับการเป็นจำนวนมากของค่าใช้จ่ายในการคำนวณและเวลาการประมวลผล.
การศึกษานี้แสดงให้เห็นเครื่องตรวจจับใบหน้าที่ใช้ข้อดีของ
ผิวสีที่ใช้ตรวจจับใบหน้าและเลื่อนตามตรวจจับใบหน้า ในฐานะที่เป็นสีผิวที่ใช้วิธีการตรวจสอบใบหน้าผิวบาง
ภูมิภาคสีจะถูกแยกออกจากภาพทั้งหมดโดยใช้สีผิว
ภูมิภาคลักษณนามแล้วใบหน้าจะถูกตรวจสอบโดยใช้บานเลื่อน
หน้าต่างที่ใช้ตรวจจับใบหน้าซึ่งเป็นหนึ่งใน ลักษณะตาม
วิธีการตรวจจับใบหน้า ดังนั้น Subwindows ตรวจจับใบหน้าเฉพาะในผิว
ภูมิภาคสีเพื่อลดจำนวนของ subwindows และขนาดของ
พวกเขายังถูก จำกัด โดยใช้เขตสีผิว เป็นผลให้การที่
อัตราการตรวจจับแบบเดียวกันที่มีอยู่เลื่อนตามตรวจจับใบหน้าเท็จ
. อัตราบวกลดลงและความเร็วในการตรวจสอบมีการปรับปรุง
การศึกษาครั้งนี้ประกอบด้วยส่วนต่อไปนี้ส่วนที่ 2 นำเสนอ
คำอธิบายบนผิวปัญหาภูมิภาคสีลักษณนาม ส่วนที่ 3
ที่มีการเลื่อนหน้าต่างที่ใช้ตรวจจับใบหน้ากับหน้าต่างบานเลื่อนที่ใช้ตรวจจับใบหน้าอธิบายสั้น ๆ หมวดที่ 4 การแสดงให้เห็นถึง
ประสิทธิภาพการทำงานของอัลกอริทึมปัญหาบนพื้นฐานของการทดลอง.
มาตรา 5 นำเสนอข้อสรุปของการศึกษาครั้งนี้.
2 สีผิวของอัลกอริทึมภูมิภาคลักษณนาม
วิธีการแนะนำในการศึกษานี้ประกอบด้วยส่วนใหญ่ของ
สีผิวภูมิภาคลักษณนามและหน้าต่างบานเลื่อนที่ใช้ตรวจจับใบหน้าดังแสดงในรูป 1 ด้านล่างที่นำเสนอแผนภาพการไหลทั้งหมด
ของข้อเสนอแนะวิธีการตรวจจับใบหน้า ในรูป 1 อิ่มบ่งชี้
ภาพสีของ (NXM) S? MA ภาพไบนารีในการประยุกต์ใช้ผิว
การแบ่งส่วนสี S? PA ภาพไบนารีหลังจากที่ภาพทางสัณฐานวิทยา
ประมวลผลและ Ipost ภาพหลังจากการติดฉลากและไม่ใช่ใบหน้าขั้นตอนการสมัครที่ปฏิเสธ . กระบวนการของการรวมภูมิภาคสีผิวคือ
เพื่อลดพื้นที่ทับซ้อนที่มีขนาดสูงสุดของหน้าต่างย่อย จำกัด Ipost เป็นภาพที่ส่งไปยังเครื่องตรวจจับเลื่อนหน้าต่างใบหน้า.
ภูมิภาคสีผิวพร้อมส่งมีผู้สมัครที่บริเวณใบหน้า
หน้าต่างสูงสุดใบหน้าเป็นพื้นที่ที่ใหญ่ที่สุดในส่วนส่วน ด้วย
ขนาดสูงสุดของหน้าต่างย่อย จำกัด , การเพิ่มประสิทธิภาพการปฏิบัติงานจะ
คาดว่า ส่วนต่อไปนี้อธิบายแต่ละบล็อก.
2.1 สีผิวการสร้างแบบจำลองการแบ่งส่วน
การสร้างแบบจำลองสีผิวต้องใช้กระบวนการของการเลือกคนที่ใช้
ในหมู่โมเดลสีต่างๆ รูปแบบสี ได้แก่ RGB, ปกติ
RGB ของเขา (สี, ความอิ่มตัวและความรุนแรง) HSL (สี, ความอิ่มตัวและ
ความสว่าง) TSL (สี, ความอิ่มตัวและความสว่าง) และ YCbCr ท่ามกลาง
เหล่านี้เป็นรูปแบบที่แตกต่างสี YCbCr องค์ประกอบความสว่างจาก
องค์ประกอบ chrominance และการแปลงเชิงเส้นของรูปแบบสี RGB
เป็นไปได้และจึงถูกนำมาใช้กันอย่างแพร่หลายสำหรับรุ่นสีผิวเพราะ
ความเรียบง่ายและการดำเนินงานน้อยที่สุด การศึกษาครั้งนี้มากเกินไปใช้ YCbC นี้