In this paper, we have presented an

In this paper, we have presented an extensive survey of the up-to-date techniques for skin detection using color information in the visual spectrum for 2D images. A good skin classifier must be able to discriminate between skin and non-skin pixels for a wide range of people with different skin types such as white, yellow, brown and dark and be able to perform well under different illumination conditions such as indoor, outdoor and with white and non-white illumination sources. We reviewed the following critical issues regarding skin detection:

•
Choice of appropriate color space: The color space representation is often lead by the skin detection methodology and the application. Non-parametric methods such as histogram-based methods are not affected by the color space representation. However, parametric modeling techniques such as Gaussian modeling are affected by the choice of color space. It should be noted that the parametric models are also affected by the amount and the quality of the training data available. The choice of color space should also depend on the available image format and the necessity of a particular color space in post-processing steps. For example, some non-linear color space transformations are too computational expensive to be used in real-time. Dropping the intensity component so as to obtain robust parameters against illumination conditions as approached in many of the works actually reduces the skin detection performance.
•
Skin-color modeling and classification techniques: The histogram-based Bayes classifier is feasible for skin detection only with large datasets. Also, this method has very high storage requirements when compared to mixture or NN models. The performance of mixture and NN models is comparable to that of histogram methods even when small datasets are available.
•
Color constancy and dynamic adaptation approaches: Obtaining robust color representations against varied illumination conditions is still a major problem. However, the application of color constancy techniques as a preprocessing step to skin-color modeling proved to improve the performance. The NN-based color constancy techniques are very promising as they do not make any explicit assumptions about the scene content. Dynamic adaptation techniques which transform the existing color models so as to adapt to the changing viewing conditions are also available. However, the problem with these approaches is that if we lose track of ground truth, the adaptive model might adapt to non-skin image regions. The problem domain factors such as the characteristics of the data set, the real-time considerations and the skin detection method should lead the choice of one of the illumination adaptation methods.
Most of the skin detection techniques discussed in literature are used a preprocessor for face detection and tracking systems. Though skin color analysis often produces high TPRs, it also produces high FPRs when the image contains cluttered background and shadows. To improve the accuracy of the classifier, various other features such as shape, spatial and motion information can be used along with skin-color information. In the past decade significant advancement has been made in skin detection using color information in the visual spectrum. However, to build an accurate classifier which can detect all the skin types under different illuminations, shadows, cluttered backgrounds and makeup is still an unsolved problem. For example, it is extremely hard to build a skin classifier which can distinguish human skin color from dyes designed to mimic skin color. Many of the problems encountered in visual spectrum can be overcome by using non-visual spectrum methods such as infrared (IR) and spectral imaging. The non-visual spectrum methods though immune to illumination conditions and makeup are very expensive and bulky, and hence are not suitable to many applications such as Tyflos [97] and iLearn [98]. Often the applications demand certain constraints on the skin detection methodology. When these methods are used in real-time, meeting computational and storage requirements is extremely important. Sometimes, accuracy may need to be sacrificed when the skin detection strategy is used only as a preprocessing step to face detection.

ผลลัพธ์ (ไทย) 1:

ในกระดาษนี้ เราได้นำเสนอการสำรวจอย่างกว้างขวางของเทคโนโลยีที่ทันสมัยสำหรับการตรวจสอบผิวที่ใช้ข้อมูลสีในสเปคตรัม visual สำหรับภาพ 2D ลักษณนามเป็นผิวที่ดีต้องสามารถแยกแยะระหว่างผิวและพิกเซลไม่ใช่ผิวที่หลากหลายของคนที่มีผิวที่แตกต่าง เช่นสีขาว สีเหลือง สีน้ำตาลเข้ม และสามารถทำได้ดีภายใต้สภาพแสงที่แตกต่างกัน เช่นในร่ม กลางแจ้ง กับแหล่งแสงสว่างสีขาว และสีขาว เราตรวจสอบปัญหาสำคัญเกี่ยวกับการตรวจสอบผิว:•เลือกสีที่เหมาะสม: การแสดงพื้นที่สีมักจะเป็นลูกค้าเป้าหมาย โดยวิธีตรวจผิวและแอพลิเคชัน วิธีการไม่ใช่พาราเมตริกเช่นฮิสโตแกรมที่มีพัฒนาวิธีการไม่ได้รับผลจากการแสดงพื้นที่สี อย่างไรก็ตาม เทคนิคการสร้างโมเดลพาราเมตริกเช่นโมเดลนที่จะมีผลกระทบ โดยพื้นที่สี มันควรจะสังเกตว่า รูปแบบพาราเมตริกยังได้รับผลจากปริมาณและคุณภาพของข้อมูลการฝึกอบรม การเลือกสีควรพึ่งรูปภาพที่มีความจำเป็นของพื้นที่โดยเฉพาะสีในขั้นตอนประมวลผล ตัวอย่างเช่น แปลงบางพื้นที่สีสมบัติจะคำนวณเกินไปแพงที่จะใช้ในแบบเรียลไทม์ วางคอมโพเนนต์ความเข้มเพื่อรับพารามิเตอร์ที่แข็งแกร่งกับไฟเงื่อนไขที่ทาบทามในหลายผลงานจริงลดประสิทธิภาพการตรวจจับที่ผิว•เทคนิคการสร้างโมเดลและการจัดประเภทสีผิว: ลักษณนาม Bayes คะแนนฮิสโตแกรมเป็นไปได้สำหรับการตรวจสอบผิวเท่ากับชุดข้อมูลขนาดใหญ่ นอกจากนี้ วิธีการนี้มีความต้องการจัดเก็บสูงมากเมื่อเทียบกับส่วนผสมหรือรุ่น NN ประสิทธิภาพของส่วนผสมและรุ่น NN คือเทียบได้กับวิธีฮิสโตแกรมที่แม้ว่าจะมีชุดข้อมูลขนาดเล็ก•สีความมั่นคงและแนวทางการปรับตัวแบบไดนามิก: รับรับรองสีทนทานกับสภาพแสงที่หลากหลายยังคงเป็นปัญหาสำคัญ อย่างไรก็ตาม การประยุกต์ใช้เทคนิคความมั่นคงสีเป็นตัวประมวณเพื่อสีผิวโมเดลพิสูจน์เพื่อเพิ่มประสิทธิภาพ เทคนิคสีตาม NN ความมั่นคงมีแนวโน้มมากไม่ให้สมมติฐานใด ๆ ชัดเจนเกี่ยวกับเนื้อหาฉาก ยังมีเทคนิคดัดแปลงแบบไดนามิกซึ่งเปลี่ยนรูปแบบที่มีอยู่เพื่อปรับให้เข้ากับสภาพการเปลี่ยนแปลง อย่างไรก็ตาม ปัญหาของวิธีการเหล่านี้คือ ว่า ถ้าเสียหายติดตามความจริงดิน รุ่นปรับอาจปรับให้เข้ากับภาพผิวไม่ใช่ภูมิภาค ปัญหาโดเมนปัจจัยเช่นลักษณะของชุดข้อมูล การพิจารณาแบบเรียลไทม์ และวิธีการตรวจสอบผิวควรนำอันหนึ่งของวิธีการปรับความสว่างส่วนใหญ่การตรวจพบผิวเทคนิคที่กล่าวถึงในวรรณคดีมีใช้ preprocessor ที่ตรวจจับใบหน้าและระบบการติดตาม แม้ว่าการวิเคราะห์สีผิวมักจะสร้างสูง TPRs มันยังผลิต FPRs สูงเมื่อประกอบด้วยภาพพื้นหลังเล็ก ๆ แสนแออัดและเงา ปรับปรุงความแม่นยำของลักษณนาม คุณสมบัติอื่น ๆ เช่นรูปร่าง เชิงพื้นที่และข้อมูลการเคลื่อนไหวใช้พร้อม ด้วยข้อมูลของสีผิว ในทศวรรษ ก้าวหน้าครั้งสำคัญได้จากตรวจผิวที่ใช้ข้อมูลสีในสเปกตรัมมองเห็น อย่างไรก็ตาม เพื่อสร้างเป็นลักษณนามถูกต้องซึ่งสามารถตรวจพบผิวภายใต้แสงไฟต่าง ๆ เงา พื้นหลังเล็ก ๆ แสนแออัด และแต่งหน้ายังคงเป็นปัญหาไม่มี เช่น มันเป็นยากมากเพื่อสร้างจำแนกผิวซึ่งสามารถแยกสีผิวจากสีย้อมสีผิวเลียนแบบ ปัญหาที่พบในภาพสเปกตรัมที่สามารถเอาชนะ โดยใช้วิธีการไม่ใช่ visual spectrum เช่นอินฟราเรด (IR) และการถ่ายภาพสเปกตรัม วิธีสเปกตรัม visual ไม่คุ้มแม้ว่าสภาพแสงและแต่งหน้ามีราคาแพงมาก และขนาดใหญ่ และดังนั้น ไม่เหมาะที่จะใช้งานจำนวนมากเช่น Tyflos [97] [98] iLearn มักจะใช้งานต้องการข้อจำกัดบางอย่างวิธีการตรวจสอบผิว เมื่อใช้วิธีการเหล่านี้ในแบบเรียลไทม์ ประชุมเชิงคำนวณและเก็บข้อมูล ความต้องเป็นสิ่งสำคัญมาก บางครั้ง ความถูกต้องอาจจำเป็นต้องมีการเสียสละเมื่อกลยุทธ์การตรวจจับผิวเป็นตัวประมวณเพื่อตรวจจับใบหน้า

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เราได้นำเสนอการสำรวจที่กว้างขวางของเทคนิคขึ้นไปวันสำหรับการตรวจสอบโดยใช้ข้อมูลที่ผิวสีในสเปกตรัมภาพสำหรับภาพ 2D ลักษณนามผิวที่ดีจะต้องสามารถแยกแยะระหว่างผิวหนังและผิวที่ไม่ใช่พิกเซลสำหรับหลากหลายของผู้ที่มีสภาพผิวที่แตกต่างกันเช่นสีขาว, สีเหลือง, สีน้ำตาลและสีเข้มและสามารถที่จะทำงานได้ดีภายใต้เงื่อนไขการส่องสว่างที่แตกต่างกันเช่นในร่ม, กลางแจ้ง และแหล่งที่มาของการส่องสว่างสีขาวและไม่ใช่สีขาว เราได้ตรวจสอบปัญหาที่สำคัญดังต่อไปนี้เกี่ยวกับการตรวจสอบผิวหนัง: • เลือกพื้นที่สีที่เหมาะสม: การแสดงพื้นที่สีมักจะนำไปสู่วิธีการตรวจสอบผิวและการประยุกต์ใช้ วิธีการที่ไม่ใช่พาราเช่นวิธีการ histogram ตามจะไม่ได้รับผลกระทบจากการเป็นตัวแทนพื้นที่สี อย่างไรก็ตามเทคนิคแบบจำลองคณิตศาสตร์เช่นการสร้างแบบจำลองแบบเกาส์ได้รับผลกระทบโดยทางเลือกของพื้นที่สี มันควรจะตั้งข้อสังเกตว่ารุ่นพาราได้รับผลกระทบจากปริมาณและคุณภาพของข้อมูลการฝึกอบรมที่มีอยู่ ทางเลือกของพื้นที่สีนอกจากนี้ยังควรขึ้นอยู่กับรูปแบบภาพที่มีอยู่และความจำเป็นของพื้นที่สีโดยเฉพาะอย่างยิ่งในขั้นตอนการโพสต์การประมวลผล ตัวอย่างเช่นบางที่ไม่ใช่เชิงเส้นแปลงพื้นที่สีมีการคำนวณราคาแพงเกินไปที่จะใช้ในเวลาจริง การวางองค์ประกอบความรุนแรงเพื่อให้ได้ค่าพารามิเตอร์ที่แข็งแกร่งกับเงื่อนไขการส่องสว่างเป็นเข้าหาในหลายผลงานจริงลดประสิทธิภาพการทำงานการตรวจสอบผิว. • การสร้างแบบจำลองผิวสีและการจำแนกเทคนิคการ histogram ตาม Bayes ลักษณนามเป็นไปได้สำหรับการตรวจสอบผิวเท่านั้นที่มีขนาดใหญ่ ชุดข้อมูล นอกจากนี้วิธีการนี้มีความต้องการจัดเก็บข้อมูลที่สูงมากเมื่อเทียบกับการผสมหรือรุ่น NN ประสิทธิภาพการทำงานของส่วนผสมและรุ่น NN ก็เปรียบได้กับว่าวิธีใดวิธี histogram แม้ในขณะที่ชุดข้อมูลขนาดเล็กที่มีอยู่. • ความมั่นคงสีและการปรับตัวแบบไดนามิกวิธีการ: การได้รับการแสดงสีที่แข็งแกร่งกับเงื่อนไขการส่องสว่างที่แตกต่างกันก็ยังคงเป็นปัญหาสำคัญ อย่างไรก็ตามการประยุกต์ใช้เทคนิคความมั่นคงสีเป็นขั้นตอนการประมวลผลเบื้องต้นการสร้างแบบจำลองผิวสีพิสูจน์ให้เห็นว่าการปรับปรุงประสิทธิภาพการทำงาน NN-ตามเทคนิคมั่นคงสีที่มีแนวโน้มมากที่พวกเขาไม่ทำให้สมมติฐานที่ชัดเจนใด ๆ เกี่ยวกับเนื้อหาที่เกิดเหตุ เทคนิคการปรับตัวแบบไดนามิกซึ่งเปลี่ยนรูปแบบสีที่มีอยู่เพื่อให้เป็นไปปรับให้เข้ากับการเปลี่ยนแปลงเงื่อนไขการรับชมนอกจากนี้ยังมี อย่างไรก็ตามปัญหาด้วยวิธีการเหล่านี้ก็คือว่าถ้าเราสูญเสียการติดตามของความจริงพื้นดินรูปแบบการปรับตัวอาจจะปรับให้เข้ากับภูมิภาคที่ไม่ใช่ภาพผิว ปัจจัยโดเมนปัญหาดังกล่าวเป็นลักษณะของชุดข้อมูลที่ควรพิจารณาในเวลาจริงและวิธีการตรวจสอบผิวจะนำไปสู่ทางเลือกของวิธีใดวิธีหนึ่งส่องสว่างที่ปรับตัวได้. ส่วนใหญ่ของเทคนิคการตรวจสอบผิวที่กล่าวถึงในวรรณคดีมีการใช้ preprocessor สำหรับใบหน้า การตรวจสอบและการติดตามระบบ แม้ว่าการวิเคราะห์สีผิวมักจะก่อให้ดาวน์โหลด TPRs สูงก็ยังผลิต FPRs สูงเมื่อภาพพื้นหลังมีรกและเงา เพื่อปรับปรุงความถูกต้องของลักษณนามคุณสมบัติอื่น ๆ เช่นรูปร่างข้อมูลเชิงพื้นที่และการเคลื่อนไหวที่สามารถนำมาใช้พร้อมกับข้อมูลที่ผิวสี ในทศวรรษที่ผ่านมาก้าวหน้าที่สำคัญได้รับการทำในการตรวจสอบโดยใช้ข้อมูลที่ผิวสีในสเปกตรัมภาพ อย่างไรก็ตามเพื่อสร้างลักษณนามที่ถูกต้องซึ่งสามารถตรวจจับผิวทุกประเภทภายใต้แสงวาบที่แตกต่างกัน, เงา, พื้นหลังรกและแต่งหน้ายังคงเป็นปัญหาที่ยังไม่แก้ ยกตัวอย่างเช่นมันเป็นเรื่องยากมากที่จะสร้างลักษณนามผิวซึ่งสามารถแยกความแตกต่างของสีผิวของมนุษย์จากการย้อมสีการออกแบบมาเพื่อเลียนแบบสีผิว หลายปัญหาที่พบในสเปกตรัมภาพสามารถเอาชนะโดยใช้วิธีการที่ไม่ใช่คลื่นความถี่ภาพเช่นอินฟราเรด (IR) และการถ่ายภาพสเปกตรัม วิธีสเปกตรัมไม่เห็น แต่มีภูมิคุ้มกันต่อเงื่อนไขการส่องสว่างและการแต่งหน้ามีราคาแพงมากและขนาดใหญ่และด้วยเหตุนี้ไม่เหมาะกับการใช้งานหลายอย่างเช่น Tyflos [97] และ iLearn [98] บ่อยครั้งที่การใช้งานเรียกร้องข้อ จำกัด บางอย่างในวิธีการตรวจสอบผิว เมื่อวิธีการเหล่านี้ถูกนำมาใช้ในเวลาจริง, ห้องประชุม, คำนวณและจัดเก็บข้อมูลความต้องการเป็นสิ่งสำคัญมาก บางครั้งความถูกต้องอาจจะต้องเสียสละเมื่อกลยุทธ์การตรวจสอบผิวจะใช้เป็นขั้นตอนประมวลผลเบื้องต้นที่จะเผชิญกับการตรวจสอบ

ผลลัพธ์ (ไทย) 3:

ในบทความนี้เราได้นำเสนอมีการสำรวจที่กว้างขวางของเทคนิคที่ทันสมัยสำหรับผิวตรวจจับโดยใช้ข้อมูลสีในสเปกตรัมที่มองเห็นได้สำหรับ 2D ภาพ แบบผิวที่ดีต้องสามารถที่จะแยกแยะระหว่างผิวหนังและเซลผิวไม่สำหรับหลากหลายของผู้ที่มีสภาพผิวที่แตกต่างกัน เช่น ขาว เหลือง น้ำตาล และดำ และ สามารถทำงานได้ดีภายใต้สภาพแสงที่แตกต่างกัน เช่น ร่ม กลางแจ้ง และมีสีขาวไม่ขาวส่องสว่างและแหล่งที่มา เราต้องตรวจสอบต่อไปนี้ประเด็นสำคัญเกี่ยวกับการตรวจสอบผิว-ทางเลือกที่เหมาะสมของพื้นที่สี : สีพื้นที่การแสดงมักจะนำโดยผิวหนังการตรวจสอบวิธีการและการประยุกต์ใช้ วิธีการที่ไม่ใช้พารามิเตอร์ เช่น กราฟตามวิธีการไม่ได้รับผลกระทบ โดยสีพื้นที่ตัวแทน อย่างไรก็ตาม เทคนิคการสร้างแบบจำลองพารามิเตอร์เช่นแบบจำลองเกาส์ได้รับผลกระทบ โดยเลือกพื้นที่สี มันควรจะสังเกตว่ารุ่นพารายังได้รับผลกระทบจากปริมาณและคุณภาพของการฝึกอบรมข้อมูลพร้อมใช้งาน ทางเลือกของสีก็ยังขึ้นอยู่กับของรูปแบบภาพและความจำเป็นของพื้นที่สีเฉพาะในการประมวลผลขั้นตอน ตัวอย่างเช่นบางเส้นสีพื้นที่แปลงด้วยคอมพิวเตอร์ราคาแพงเพื่อใช้ในเวลาจริง วางองค์ประกอบเพื่อให้ได้ความเข้มของแสงที่เข้ามาในความคงทนต่อสภาวะหลายงานลดจริงผิวการตรวจสอบประสิทธิภาพ-นางแบบผิวสีและประเภทเทคนิค : histogram Bayes ลักษณนามใช้เป็นไปได้สำหรับการตรวจจับผิวเฉพาะกับชุดข้อมูลที่มีขนาดใหญ่ นอกจากนี้ วิธีนี้มีความต้องการกระเป๋าสูงมากเมื่อเทียบกับแบบผสมหรือ NN . ประสิทธิภาพของรูปแบบผสม และ nn คือเทียบเท่ากับที่ของวิธีการกราฟแม้ว่าข้อมูลขนาดเล็กมี-ความจงรักภักดีสีและแบบไดนามิกการปรับตัววิธีการได้รับที่แข็งแกร่งกับสีแทนสภาพแสงแตกต่างกัน ยังคงเป็นปัญหาสำคัญ อย่างไรก็ตาม การใช้สี ความจงรักภักดี เทคนิคขั้นตอนการเตรียมผิวเป็นสีแบบพิสูจน์เพื่อปรับปรุงประสิทธิภาพ การใช้เทคนิคสีไม่คงที่มากมีแนวโน้มที่พวกเขาไม่ทำให้ชัดเจนสมมติฐานเกี่ยวกับฉาก เนื้อหา พลวัตการปรับตัวเทคนิคที่เปลี่ยนสีที่มีอยู่ รูปแบบเพื่อปรับตัวให้เข้ากับการเปลี่ยนแปลงเงื่อนไขการแสดง นอกจากนี้ยังมี อย่างไรก็ตาม ปัญหาด้วยวิธีนี้คือ ถ้าเราสูญเสียการติดตามของความจริงพื้นรูปแบบการปรับตัวอาจปรับผิวบนพื้นที่ภาพ ปัญหาโดเมน ปัจจัย เช่น ลักษณะของชุดข้อมูล การพิจารณาแบบเรียลไทม์ และผิวหนังควรนำวิธีการตรวจเลือกหนึ่งของการปรับวิธีการที่สุดของเทคนิคที่กล่าวถึงในวรรณคดีมีผิวการใช้พรีโพรเซสเซอร์สำหรับใบหน้าและตรวจจับการติดตามระบบ แม้ว่าการวิเคราะห์สีผิวมักจะผลิต tprs สูง มันยังสร้าง fprs สูงเมื่อภาพมีพื้นหลังรกและเงา เพื่อปรับปรุงความถูกต้องของการจำแนกคุณสมบัติอื่น ๆเช่น รูปร่าง การเคลื่อนไหว และข้อมูลเชิงพื้นที่ที่สามารถใช้พร้อมกับข้อมูลสีผิว ความก้าวหน้าที่สำคัญในทศวรรษที่ผ่านมาได้รับการทำในการตรวจสอบสภาพผิวโดยใช้ข้อมูลสีในสเปกตรัมที่มองเห็น อย่างไรก็ตาม การสร้างแบบที่ถูกต้องซึ่งสามารถตรวจจับทุกประเภทผิวภายใต้แหล่งกำเนิดแสงที่แตกต่างกันพื้นหลังเงา ไม่แต่งหน้าก็ยังเป็นปัญหายังไม่แก้ ตัวอย่างเช่นมันเป็นการยากมากที่จะสร้างผิวแบบซึ่งสามารถแยกแยะสีจากสีที่ออกแบบมาเพื่อเลียนแบบผิวหนังของมนุษย์ผิวสีรถ หลายปัญหาภาพสเปกตรัมสามารถเอาชนะโดยการใช้วิธีการแบบไม่มีภาพเช่นอินฟราเรด ( IR ) และการถ่ายภาพสเปกตรัม . ไม่ใช่ภาพสเปกตรัมแม้ว่าภูมิคุ้มกัน เงื่อนไขและวิธีการการแต่งหน้าจะแพงมาก และเทอะทะ และดังนั้น จะไม่เหมาะกับการใช้งานมาก เช่น tyflos [ 97 ] และ ilearn [ 98 ] บ่อยครั้งที่การใช้งานความต้องการข้อจำกัดบางอย่างในผิว การตรวจสอบต่อไป เมื่อวิธีการเหล่านี้จะใช้ในการประชุมแบบเรียลไทม์ คำนวณและความต้องการจัดเก็บข้อมูลเป็นเรื่องสำคัญมาก บางครั้งความถูกต้องอาจต้องสละเมื่อผิวกลยุทธ์การตรวจสอบถูกใช้เป็นเพียงการเตรียมขั้นตอนเพื่อใบหน้า