TỔNG QUAN CÁC KĨ THUẬT XÁC ĐỊNH ĐIỂM ẢNH CÙNG SẮC MÀU VỚI MÀU DA NGƯỜI

1 TỔNG QUAN CÁC KĨ THUẬT XÁC ĐỊNH ĐIỂM ẢNH CÙNG SẮC MÀU VỚI MÀU DA NGƯỜI PHẠM THẾ BẢO (*) LÊ ĐÌNH NGÂN (**) TÓM TẮT Tính chất sắc màu của da đã được dùng để xác định khuôn mặt người, nhận biết ngôn ngữ từ hình dạng bàn tay, theo vết chuyển động khuôn mặt, theo vết chuyển động mắt, xác định vùng hình khoả thân trong ảnh rất hiệu quả. Các chuyên gia dùng mô hình màu da người để xác định các vùng ứng viên để làm đầu vào cho bài toán cụ thể của mình, lúc này không gian tìm kiếm đã thu hẹp đáng kể. Chúng tôi cố gắng trình bày một cách tổng quan nhất các kĩ thuật xác định điểm ảnh cùng sắc màu với màu da người. ABSTRACT The nature of skin color has been used effectively to identify a human face, learn the language of hand shapes, track facial motions, eye movements, and identify the nudity area in the picture. Some professionals use skin color models to identify the search regions as input to their specific problems, which helps to reduce the search space. We try to present the overview of the techniques to identify pixels of the same color as human skin. 1. GIỚI THIỆU * Trong các bài toán: xác định khuôn mặt người, xác định bàn tay, theo vết, v.v. Kĩ thuật xác định một vùng nào có thể là vùng da người thông qua sắc màu được xem như là kĩ thuật thiết yếu để giảm bớt không gian tìm kiếm (xử lí). Hơn một thập kỉ qua, có rất nhiều nghiên cứu đến bài toán làm sao mô hình hoá được màu da của con người. Nhiều phương pháp được áp dụng và thu được kết quả đáng kể. Các phương pháp nằm rải rác ở các bài báo, công trình nghiên cứu khác nhau nên gây khó khăn cho việc tìm kiếm những kết quả mới đó. Chúng tôi cố gắng tập hợp và trình bày một cách cô đọng trong bài báo này những phương pháp đó. (*) TS, Trường Đại học Khoa học Tự nhiên, TP.HCM (**) ThS, Trường Đại học Tài chính Marketing Trong bài này, chúng tôi xin trình bày hai phần chính: các không gian màu thường dùng và các mô hình màu da người từ đơn giản đến phức tạp. 2. KHÔNG GIAN MÀU Có nhiều cách biểu diễn màu sắc khác nhau trong ảnh màu kĩ thuật số. Tên gọi cho cách biểu diễn màu là mô hình màu hay không gian màu, nó sẽ phụ thuộc vào ứng dụng hay người dùng [23]. Trong bài này, chúng tôi chỉ dùng khái niệm không gian màu. Không gian màu [11] là một phương thức để giải thích các thuộc tính hay hành vi của màu sắc trong một ngữ cảnh cụ thể. Mục đích là có sự tiện lợi trong các gam màu, xem như một tập con của các màu sắc mà con người có thể nhìn được [23]. Các màu sắc mà mắt người có thể nhìn thấy có bước sóng từ 400nm đến 700nm trong quang phổ [3]. Biểu đồ của màu sắc 2 là một phân bố của màu sắc trong không gian màu, được dùng nhiều trong thị giác máy tính khi phân tích ảnh. Đây là một công cụ chính. 2.1. Không gian màu RBG Không gian màu RGB (Red, Green, Blue) là không gian màu được biết đến nhiều nhất, được dùng trong nhiều thiết bị như: thiết bị chụp ảnh, thiết bị xử lí. Một đa dạng trong các phân bố quang phổ của ánh sáng có thể cho ta nhận thức được màu sắc. Võng mạc con người có ba loại tế bào hình nón để cảm nhận ánh sáng, mà có thể cảm nhận được bức xạ liên quan của các quang phổ tương ứng khác nhau. Dựa trên cơ sở hệ thống nhận biết màu sắc của con người, chúng ta chỉ cần ba thành phần (mỗi thành phần là một con số) – ba con số – đủ để mô tả một màu, thông qua các hàm số cho biết giá trị các quang phổ. Trên lí thuyết, chúng ta có thể xem màu sắc là tích các số nguyên của hàm quang phổ tác nhân U(n) với các hàm độc lập tuyến tính tương ứng [3]. Ta có các giá trị màu được biểu diễn theo công thức 1, với  là tần số của tác nhân ánh sáng. 2 1 2 1 2 1 ( ) ( ) ( ) ( ) ( ) ( ) R r U d G g U d B b U d                         (1) Không gian màu RGB được áp dụng trên hệ toạ độ Cartesian. Từ ba thành phần chính R, G, B, chúng ta sẽ có đầy đủ các màu mà mắt người có thể thấy, hình1, khi tổ hợp các giá trị của RGB. Hình1: Không gian màu RGB. Mặc dù không gian màu RGB được sử dụng trên nhiều thiết bị, nhưng khi dùng để xử lí có phụ thuộc vào độ sáng thì sẽ gặp nhiều khó khăn vì độ sáng được ẩn dưới các giá trị của RGB. 2.2. Không gian màu YUV Trong các ứng dụng hay thiết bị có dùng hai tín hiệu PAL và NTSC, người ta thường dùng không gian màu YUV, với Y mô tả như thành phần về độ sáng, trong khi U và V là các thành phần màu sắc khác. Do vậy, YUV rất phù hợp cho phân đoạn ảnh theo thời gian thực, cũng như các xử lí có tác động của độ sáng. Nhiều tác giả đã thành công khi dùng không gian màu này để phân tích ảnh màu theo thời gian thực, như Wren [24] theo vết chuyển của con người. Trong khi đó Qian [25] chuẩn hoá RG thì thấy tốt hơn YUV. 2.3. Không gian màu YCbCr Cũng giống như không gian màu YUV, không gian YCbCr cũng tách hai thành phần màu và độ sáng riêng biệt. Các thành phần YCbCr được tính theo công thức 2, như sau: 22 22          r g b B b R r Y c R c G c B BY C c RY C c (2) với các tham số c r , c g , và c b lấy giá trị ở bảng 1. Không gian này được dùng khá nhiều hiện nay để phân tích ảnh màu. Chai ( ),rv ( ),gv ()bv 3 và Ngan [21] thành công khi dùng không gian màu này để phân đoạn ảnh. Bảng 1: Các giá trị của các tham số để chuyển không gian màu từ RGB sang YCbCr c r c g c b Re c 601-1 0.298 9 0.586 6 0.114 5 Re c 709 0.212 6 0.715 2 0.072 2 IT U 0.222 0 0.706 7 0.071 3 Hay chúng ta có thể đổi trực tiếp từ RGB sang YCbCr, công thức 3, và ngược lại theo công thức 4. 6 65.481 128.553 24.966 128 37.797 74.203 112 128 112 93.786 18.214 YR Cb G Cr B                                              (3) 0.00456621 0 0.00625893 16 0.00456621 0.00153632 0.00318811 128 0.00456621 0.00791071 0 128 RY G Cb B Cr                                                  (4) 2.4. Không gian màu HSI Không gian màu HSI (Hue, Saturation, Intensity) và các không gian màu cùng một họ như HSV (Hue, Saturation, Value), HDI (Hue, Distance, Intensity), HLS (Hue, Lightness, Saturation) được dùng nhiều trong các ứng dụng về thị giác. Hue mô tả màu sắc (vàng, xanh, đỏ, …), Saturation mô tả mức độ màu (vàng tươi, đỏ đậm), còn Intensity mô tả mức độ sáng tối của màu (xanh sáng, xanh tối). Hình 2 minh hoạ không gian màu HSI. Với một màu x, H là góc giữa sắc đỏ và x, S là tỉ lệ giữa màu thật sự trên cạnh của tam giác và x, I là khoảng cách từ điểm (0,0,0) trên đường chéo xám. Chúng ta dùng công thức 5 để chuyển đổi từ RGB sang HSI, như sau: 2 2 2 3 atan (R-I) / 2 khi G-B 3 /2 khi 2 1 khi ( ) ( ) ( ) ( ) 3 GB H G B H G B S R G B RG RB GB R G B I                      (5) Hình 2: Không gian màu HIS. 2.5. Không gian màu NCC Không gian màu NCC (Normalized Color Components – các thành phần màu được chuẩn hoá), hình 3, là mô hình màu đơn giản nhất để khử thành phần cường độ màu. Công thức chuyển đổi khá đơn giản từ không gian màu RGB, công thức 6. Với điều kiện R+G+B  0. R r R G B G g R G B B b R G B       (6) Hình 3: Không gian màu NCC. 4 2.6. Không gian màu TSL Không gian màu TSL (Tint, Saturation, Lightness) là một biến thể của không gian màu NCC [2], theo công thức 7. 22 9/5( ' ' ) arctan( '/ ')/ 2 1/4 khi g'>0 arctan( '/ ')/ 2 3/ 4 khi g'<0 0 khi g'=0 L=0.299R+0.587G+0.114B           S r g rg T r g (7) với r’=r-1/3, g’=g-1/3. 2.7. Không gian màu LUX Lievin và Luthon [26] trình bày một không gian màu phi tuyến cho xác định màu da người, các tác giả gọi là LUX (Logarithmic hUe eXtention), được tính theo công thức 8 sau đây: 0.3 0.6 0.1 ( 1) ( 1) ( 1) 1 1 khi R<L 21 1 khi R L 21 1 khi B<L 21 1 khi B L 21                                              L R G B MR L U ML M R MB L X ML M R (8) với M là phạm vi linh hoạt, ví dụ dữ liệu 8Bit thì phạm vi là [0,255] và M=255. UX là các thành phần màu sắc. Các tác giả cho biết không gian màu này hiệu quả khi tìm độ tương phản giữa màu da người, môi và các loại khác hơn không gian màu YCbCr. 3. CÁC MÔ HÌNH MÀU DA NGƯỜI Mục đích chính của xác định màu da người là xây dựng một bộ luật để quyết định làm sao xác định các điểm ảnh nào là da người và các điểm ảnh nào không phải là da người. Thông thường để giải quyết được vấn đề trên, người ta xem xét một độ đo để đo khoảng cách các điểm ảnh màu đến sắc thái của màu da. Hiện nay có rất nhiều nghiên cứu xây dựng mô hình màu da người, như thu thập và xác định một khoảng biến thiên của da người, dựa trên phân bố Gauss, xác suất điều kiện, lí thuyết Bayes, xây dựng ngưỡng dựa trên các kĩ thuật: Goodness-of- fit, Cực đại hoá khả năng, khoảng cách Mahalanobis, Histogram, cực đại triển vọng, dùng mạng neural đã được huấn luyện, khai khoáng dữ liệu, PCA, Entropy, gom nhóm, hoặc kết hợp nhiều phương pháp, v.v. [11, 19]. 3.1. Phạm vi vùng màu da Một phương thức cơ bản là xây dựng một số điều kiện biên để kiểm tra một điểm ảnh có thuộc điều kiện đó thì điểm ảnh đó có thể là da người [10, 13, 27]. Có nhiều cách để xây dựng, có thể thu thập các điểm ảnh mình biết chắc là da người rồi từ đây xây dựng điều kiện, công thức 9.   95 vaø 40 vaø B>20 vaø max{R,G,B}-min{R,G,B}>15 vaø R-G 15 vaø R>G vaø R>B RG (9) Có rất nhiều nghiên cứu theo hướng này [11], cho nhiều kết quả khả quan. Gần đây có một nghiên cứu [18] cho ta điều kiện tốt hơn công thức 9, công thức 10. Nhưng cũng có tác giả khác chọn điều kiện, công thức 11, kết hợp với công thức 9 và công thức 10 để xét điều kiện một điểm ảnh có phải có màu là màu da hay không. 5 (B>160 vaø R<180 vaø G<180) hay (G>160 vaø R<180 vaø B<180) hay (B<100 vaø R<100 vaø G<100) hay (G>200) hay (R+G>400) hay (G>150 vaø B<90) hay (B/(R+G+B)>.40) hay (G/(R+G+B)>.40) hay (R<102 vaø G>100 vaø B>110 vaø G<140 vaø B<160) (10) 45 &&Y<252 Cb>-60 && Cb<10.3 Cr>10 && Cr<60 Y       (11) Bao [10] xây dựng một phạm vi màu da người dựa trên PCA (Principal Component Analysis) để có được các điều kiện biên đơn giản hơn. Đồng thời xem xét quan hệ của các thành phần sắc màu trong không gian màu YCbCr. Tuy nhiên, các giá trị biên này không hoàn toàn chính xác, mà còn phụ thuộc rất nhiều vào thiết bị, điều kiện môi trường như: ánh sáng, khung cảnh xung quanh, người được lấy mẫu thuộc chủng tộc gì, quần áo đang mặc, v.v. Và nếu muốn độ chính xác cao thì phải có nhiều điều kiện, nếu nhiều điều kiện thì dẫn đến phức tạp hơn khi tính toán, cũng như dữ liệu để tìm điều kiện phải nhiều, càng nhiều càng tốt nên không gian lưu trữ sẽ tăng lên. 3.2. Mô hình phân bố màu da không có tham số Ý tưởng chính cho phương thức mô hình hoá màu da không có tham số là ước lượng phân bố màu da từ dữ liệu thu thập được (dữ liệu huấn luyện) mà không có một mô hình màu da rõ ràng. Kết quả đôi khi xem như xây dựng ánh xạ xác suất màu da (Skin Probability Map - SPM) 3.2.1. Bảng tra cứu đã được chuẩn hóa Một vài thuật toán xác định khuôn mặt và theo vết khuôn mặt dùng biểu đồ để phân đoạn màu da [7]. Thường chỉ dùng duy nhất mặt phẳng màu trong không gian màu để xử lí, sau khi huấn luyện, biểu đồ sẽ được chuẩn hoá để có được phân bố xác suất rời rạc: skin[c] () Norm skin Pc (12) với skin [c] biểu đồ của từng kênh màu, tương ứng vector màu c và Norm là các giá trị được chuẩn hoá (tổng của các giá trị của biểu đồ được chuẩn hoá [1]). Trong không gian màu RGB, nếu dùng cả ba giá trị R, G, B thì c[0,256 3 ] số lượng c sẽ vào khoảng 16.7 triệu giá trị, còn nếu ta chỉ dùng hai giá trị R, G thì c[0,256 2 ]. Nhưng trong thực tế ta có thể giảm số lượng c bằng cách dùng phân loại Bayes. 3.2.2. Phân loại Bayes Từ các mô hình histogram (biểu đồ) da người và không phải da người qua huấn luyện (công thức 12), tác giả xây dựng một phân loại điểm ảnh có phải màu da hay không [1, 5, 7]. Đây là phân loại nhị phân, dựa trên xác suất điều kiện P(skin | c) theo luật Bayes [12] (công thức 13) từ giá trị P skin (c) đã có. ( | ) ( ) ( | ) ( | ) ( ) ( | ) ( ) P c skin P skin P skin c P c skin P skin P c skin P skin     (13) P(c | skin) và P(c | skin) được tính trực tiếp từ histogram của màu da và không phải màu da, còn P(skin) và P(skin) được ước lượng từ mẫu huấn luyện. Đồng thời cũng phải xác định một ngưỡng , nằm trong khoảng [0,1] nếu P(skin | c)  , thì điểm ảnh đang xét có màu là màu da người. Thay vì chúng ta phải tính theo công thức 13, thì cũng có thể tính tỉ lệ xác suất 6 như công thức 14. ( | ) ( | ) ( ) ( | ) ( | ) ( ) P skin c P c skin P skin P skin c P c skin P skin     (14) Nếu tỉ lệ này lớn hơn ngưỡng , thì điểm ảnh này có màu là màu da người. Đôi khi ta cũng có thể dùng hình thái khác, công thức 15, xác định điểm ảnh có phải mang màu da người hay không. ( | ) ( | ) 1 ( ) () P c skin P c skin P skin K P skin       (15) Ta sẽ chọn K như thế nào để phù hợp với ngưỡng  mình mong muốn. Đây chính là bài toán khả năng cực đại cần xem xét. Khi dùng mô hình này, thì vấn đề phức tạp như điều kiện ánh sáng, chủng tộc, quần áo sẽ được khắc phục phần nào nhờ vào xác suất điều kiện, đồng thời không cần dữ liệu quá lớn vẫn có thể áp dụng được. Chúng ta cũng có thể dùng thêm phương pháp học tăng cường mỗi khi xác định được các điểm ảnh có màu da người hay không phải để xác suất càng chính xác hơn. 3.2.3. Ánh xạ tự tổ chức Vào thập niên tám mươi Kohonen đề xuất ánh xạ tự tổ chức (Self-Organizing Map - SOM) [35], và nó đã trở thành một trong những loại phổ biến hiện nay – mạng neural nhân tạo không giám sát. Brown [28] dùng một phương thức xác định màu da người trên cơ sở SOM. Có hai loại được dùng, một là chỉ dùng thông tin về màu da, cái thứ hai dùng cả hai thông tin về màu da và thông tin không phải là màu da, trên nhiều không gian màu như: NCC, họ HS, TSL, để kiểm tra. Theo tác giả, kết quả để phát hiện điểm ảnh có phải có giá trị là màu da người hay không thì khá tốt, nhưng lại không tốt bằng phương pháp dùng histogram trên không gian màu RGB với dữ liệu của Compaq [1]. Các tác giả cũng nhấn mạnh phương pháp SOM [15] không cần nhiều dữ liệu mẫu như phương pháp histogram và các mô hình hỗn hợp, và rất hiệu quả về mặt thời gian thực hiện khi cài đặt. 3.3. Mô hình phân bố màu da có tham số Các mô hình màu da không tham số dựa trên histogram thông dụng nhất cần rất nhiều không gian lưu trữ và phụ thuộc rất nhiều hình thái của tập dữ liệu ảnh dùng để huấn luyện. Chúng ta cần mô hình màu da compact, hơn nữa để các ứng dụng sử dụng mô hình màu da sẽ tốt hơn. Mô hình này cần tổng quát và có khả năng nội suy để hiệu chỉnh các tham số của các mô hình phân bố màu da người. Ngoài các phương pháp nêu trên có vài tác giả dùng một số phương pháp tích hợp các kĩ thuật khác nhau. Kết hợp thuật toán gán nhãn vùng, kĩ thuật khả năng dựa trên khoảng cách Mahalanobis [2] và ngưỡng phân đoạn. Dùng không gian màu ST và khoảng cách Mahalanobis [18]. Tìm quỹ tích màu da trong không gian màu NCC rồi dùng histogram và các phép toán trong Morphology [17]. Xác định giá trị ngưỡng phân đoạn và cập nhật liên tục khi xử lí từ đây tách làm hai nhóm: màu da và không phải màu da thông qua một mặt phẳng phân chia [16], … 3.3.1. Gauss Có thể dùng hàm mật độ xác suất (probability density function - pdf) Gauss có dạng ellipse để mô hình hoá phân bố màu da người do khi quan sát trên biểu đồ các tác giả thấy phân bố của màu da người gần giống phân bố Gauss [3], được định nghĩa theo công thức 16. 7 1 1 ( ) ( ) 2 1/ 2 1 ( | ) 2 T ss s cc s P c skin e          (16) với c là vector màu sắc,  s và  s là tham số phân bố (vector trung bình và ma trận hiệp phương sai). Các tham số được ước lượng từ dữ liệu huấn luyện bằng công thức 17. 1 1 1 1 ( )( ) 1 n sj j n T j s j s s j c n cc n            (17) với n là tổng số mẫu để huấn luyện màu da người, các mẫu là c j . P(c | skin) là xác suất có thể dùng để xem màu c gần giống màu da người hay không, hoặc dùng khoảng cách Mahalanobis [18] từ vector màu c đến giá trị trung bình  s để xác định màu c có phải là màu da người hay không dựa trên ma trận hiệp phương sai. 1 ( ) ( ) ( ) T s s s s c c c         (18) Mô hình này được nhiều người dùng [2, 20] và thành công trong ứng dụng của họ. 3.3.2. Gauss hỗn hợp Chúng ta cần một mô hình tinh vi hơn, mô hình Gauss hỗn hợp (Gaussian Mixture Model - GMM) có khả năng mô tả các phân bố có hình dạng phức tạp. Mô Gauss hỗn hợp được tổng quát hoá từ mô hình Gauss với pdf trong trường hợp này sẽ là: 1 ( | ) . ( | ) k ii i P c skin P c skin     (19) Trong công thức 19, k là số lượng các thành phần hỗn hợp,  i là các tham số hỗn hợp và được chuẩn hoá 1 1 k i i     , và P i (c | skin) là các pdf với mô hình Gauss, mỗi phần P i (c | skin) này có một giá trị trung bình và ma trận hiệp phương sai của chính nó. Khi huấn luyện, tại mỗi bước lặp dùng thuật toán cực đại hoá kì vọng (Expectation Maximization - EM) [3], với số lượng các thành phần k phải xác định trước. Chi tiết của mô hình huấn luyện với EM[14, 29, 30]. Khi huấn luyện xong, để phân loại ta dùng P(c | skin) so sánh với ngưỡng định trước để xác định xem màu c có phải là màu của da người hay không [22]. Việc chọn số lượng các thành phần k rất quan trọng, nếu chọn lớn quá sẽ tốn chi phí tính toán khá cao, nếu chọn nhỏ quá thì mức độ chính xác không còn cao. Việc chọn k sẽ phụ thuộc vào kinh nghiệm người dùng cũng như tuỳ vào ứng dụng. Đồng thời phải mô tả chính xác mô hình dựa trên dữ liệu huấn luyện mà đừng để xảy ra tình trạng quá khớp dữ liệu. Thông thường các tác giả chọn k từ hai [29] cho đến mười sáu [1], nhưng có tác giả chọn k bằng tám (trung bình) [30] và ông nói mô hình khi chọn k bằng tám gần giống trong thực tế nhất. 3.3.3. Gom nhóm dựa trên đa thành phần Gauss Phung [19, 31] dùng xấp xỉ gom nhóm màu da người với ba thành phần 3D Gauss trong không gian màu YCbCr. Một dạng khác của thuật toán gom nhóm dữ liệu k- trung bình (k-mean clustering) cho các nhóm Gauss dùng để huấn luyện cho mô hình. Một điểm ảnh được phân loại là thuộc nhóm có màu là màu da người, nếu khoảng cách Mahalanobis từ vector màu c đến tâm gần nhất của nhóm trong mô hình 8 dưới một ngưỡng định nghĩa trước. 3.3.4. Mô hình bao dạng ellipse Khi kiểm tra các phân bố màu da người và không phải màu da người trong vài không gian màu, Lee và Yoo [32] có kết luận nhóm màu da người có hình dạng gần như một hình ellipse và thật sự không thể dùng duy nhất một mô hình Gauss để xấp xỉ mô hình màu da người. Do tính nhóm màu da người bất đối xứng và đặc biệt đối với mật độ tại đỉnh nên khi dùng mô hình Gauss đơn giản sẽ dẫn đến tỉ lệ sai khá cao. Hai tác giả đã đề xuất một phương pháp thay thế mà họ gọi là mô hình bao dạng ellipse (Elliptic Boundary Model), mà mô hình này nhanh và đơn giản trong huấn luyện như mô hình Gauss đơn giản và Gauss hỗn hợp, đồng thời lại cho kết quả xác định cao hơn trên cùng cơ sở dữ liệu của Compaq [1]. Mô hình bao dạng ellipse được định nghĩa như sau: 1 ( ) ( ) ( ) T c c c        Tiến trình huấn luyện cho hệ thống gồm hai bước: đầu tiên, loại bỏ các mẫu huấn luyện màu có tần số thấp (khi dùng bộ dữ liệu là màu da người thì những mẫu có tần số thấp chính là những mẫu có số lượng ít – hay nói cách khác những mẫu này có thể là nhiễu hay dữ liệu không phù hợp) để loại bỏ bớt nhiễu và dữ liệu không phù hợp, tỉ lệ loại bớt cho phép đến 5%. Sau đó các tham số của mô hình ( và ) được tính theo công thức 21 như sau: 11 11 11 .( )( ) 1 nn T i i i i ii nn i i i ii c f c c nN f c N f N               (21) với n là tổng số các vector màu riêng biệt c i của tập điểm ảnh có màu chính là màu da người dùng để huấn luyện (không phải tổng số điểm ảnh dùng để huấn luyện), và f i là số lượng các mẫu có màu da người dùng huấn luyện có cùng màu với vector màu c i , vậy N chính là tổng số mẫu dùng để huấn luyện. Một điểm ảnh có màu c được xem là cùng màu với màu da khi (c) < , với  là một ngưỡng. Các tác giả khẳng định mô hình xấp xỉ của họ tốt hơn mô hình Gauss bởi vì dữ liệu bị nghiêng không ảnh hưởng đến tâm  của mô hình. 3.4. Mô hình hỗn hợp Có nhiều tác giả tích hợp nhiều phương pháp để tìm mô hình màu da người như Kakumanu [8] sử dụng các kênh màu (như CbCr) mà không dùng kênh ánh sáng (vì kênh này sẽ bị ảnh hưởng của môi trường rất nhiều) để xác định thông qua các mạng neural, mà các mạng neural này được huấn luyện để có thể dự đoán trực tiếp cho việc ước lượng ánh sáng. Các mạng được huấn luyện bằng các dữ liệu được chọn ngẫu nhiên các ảnh có màu da người ở các điều kiện khác nhau. Tác giả xây dựng mạng đa tầng có hai lớp ẩn, tầng nhập có 1600 neuron, lớp ẩn đầu tiên có 48 neuron, lớp ẩn thứ hai có 8 neuron, và tầng xuất có 2 neuron. Tác giả dùng không gian màu con của không gian màu NCC, đó là không gian chỉ có r và g. Không gian con này được chia làm 40*40 (1600) các phần rời rạc, mỗi phần có histogram tương ứng đó là một neuron để đưa vào mạng neural, có giá trị là 1 hay 0 để mô tả phần histogram này có hay không có trong ảnh. Tác giả dùng thuật toán học lan truyền ngược, dùng khoảng cách Euclide để tính lỗi. Ông xây dựng đồng thời hai mạng: một dùng để ước lượng ánh sáng, hai để xác định có phải là màu da hay không. Leonid [7] sử dụng mô hình Markov (20) 9 kết hợp histogram. Đầu tiên ông dùng lại mô hình histogram của Jones và Rehg [1] trong không gian màu NCC, từ các giá trị nhận được ông dùng mô hình Markov để học và điều chỉnh các tham số cần thiết và làm cho mô hình càng ngày càng tốt hơn. Mohamed Hammami [9] dùng phương pháp khai khoáng dữ liệu để tìm luật trong bộ dữ liệu quan hệ màu da người của ông. Từ luật này ông xây dựng cây quyết định để phân loại một màu w có phải là màu da người hay không. Qiang Zhu [6], tác giả dùng một phân loại màu da thô thông qua không gian tựa màu da người, sau đó dùng mô hình Gauss hỗn hợp để tinh chế lại với thuật toán EM. Sau đó tác giả dùng SVM (Support Vector Machine) để phân loại màu da từ GMM (có hai thành phần) đã được huấn luyện trước đó bằng thông tin của hình dáng và không gian màu của các điểm ảnh. Huicheng Zheng [15] xây dựng mô hình entropy cực đại để xác định màu của điểm ảnh có phải là màu da người hay không. Mô hình này lợi dụng gượng ép trên các phân bố ở biên là khác nhau. Từ đây ước lượng các tham số thông qua xấp xỉ hay nói cách khác khi biết một điểm ảnh có màu là màu da làm sao ta biết được những điểm lân cận có phải có màu là màu da hay không? Thường khi xuất hiện trên ảnh sẽ là một vùng da chứ không thể chỉ có một điểm, dựa trên tính chất này tác giả xây dựng một xấp xỉ trên cây của lưới các điểm để lan truyền, đồng thời tác giả dùng thuật toán lan truyền niềm tin dựa trên xác suất để chọn. Trong khi ước lượng tác giả đã xây dựng mô hình Markov ẩn để tìm ranh giới qua việc học dữ liệu. Nicu Sebe, Ira Cohen, Thomas S. Huang, và Theo Gevers xây dựng bộ phân loại một điểm ảnh có sắc màu có phải là màu da người hay không dựa trên mạng Bayes đã được huấn luyện trước đó [33]. Gần đây Moon Hwan Kim, Jin Bae Park và Young Hoon Joo xây dựng mô hình màu da người dựa trên logic mờ [34]. Các tác giả xây dựng bộ điều khiển mờ từ dữ liệu các điểm ảnh có màu là màu da người, rồi từ đây xây dựng một bộ gom nhóm (clustering) mờ dùng cho việc xác định vùng nào có cùng màu với màu da người sau này. 3.5. Mô hình phân bố màu da động Một lớp các phương thức để mô hình hoá màu da người được xây dựng và làm cho phù hợp với bài toán xác định vị trí trong ảnh có màu là màu da người để theo vết khuôn mặt con người. Để xây dựng, các tác giả chọn phân tích các ảnh tĩnh từ vài khía cạnh. Khía cạnh đầu tiên, mô hình màu da người có thể ít tổng quát (quá cụ thể), đây là phần chính. Thứ hai, có thể khởi động quá trình xử lí, khi một vùng mặt được phân biệt từ phần hình nền bằng bộ phân loại khác hay làm bằng tay. Điều này cho ta một xác suất để mô hình phân loại màu da người, nếu ta có được các điều kiện (người, camera, ánh sáng, hình nền) thì mô hình sẽ có được tính tối ưu. Nên chúng ta không cần mô hình tổng quát, mà chúng ta cũng có thể có được tỉ lệ xác định màu da người cao hơn với tỉ lệ xác định sai sẽ thấp khi so sánh với các mô hình màu da người tổng quát dùng để phân loại màu da trong tập các ảnh tự nhiên [giống 1]. Mặt khác, phân bố màu da người có thể thay đổi theo thời gian do điều kiện ánh sáng hoặc camera, vì vậy mô hình nên cập nhật liên tục để phù hợp với các điều kiện xung quanh thay đổi. Ngoài ra, mô hình huấn luyện và phân loại theo thời gian trở nên khá quan trọng. Các tính chất quan trọng nhất của mô 10 hình màu da người dùng để theo vết khuôn mặt người: thứ nhất, trong cả hai trạng thái huấn luyện và phân loại thì xử lí phải nhanh và thứ hai, hệ thống nên được cập nhật liên tục để phù hợp với các điều kiện thay đổi [7]. Nhiều tác giả đã quan tâm đến khía cạnh này nên đã chọn mô hình màu da người theo hướng các tham số đơn giản để dễ dàng cập nhật, cũng như xử lí nhanh và không gian lưu trữ ít. Thường các tác giả ít quan tâm đến tỉ lệ xác định sai – trong mô hình màu da người có tham số. Có nhiều tác giả xây dựng riêng cho ứng dụng của mình một mô hình màu da người, nhưng các phương pháp đều xuất phát từ các phương pháp nêu trên khi điều chỉnh hay thay đổi tham số mà thôi. 4. KẾT LUẬN Theo các nghiên cứu thì mô hình màu da người chính là mô hình phân bố Gauss, nhưng hiện nay có một số nghiên cứu mới đang xem xét và đưa ra giả thuyết: mô hình màu da người chỉ tựa Gauss, để giải thích khi dùng phân bố Gauss để mô hình hoá sẽ dẫn đến một số lỗi khi phân đoạn màu da trên ảnh. Trên đây là các phương pháp và các không gian màu hay dùng để xác định một vùng trong ảnh có sắc màu có phải là sắc màu da người hay không. Hi vọng sẽ giúp ích cho những người nghiên cứu các lãnh vực có liên quan đến màu da người. TÀI LIỆU THAM KHẢO Michael J. Jones and James M. Rehg, “Statistical Color Models with Application to Skin Detection”, Int’l J. Computer Vision, vol. 6, no. 1, pp. 81-96, 2002. Mohammad Al-aqrabawi and Fangfang Du, “Human Skin Detection Using Color Segmentation”, Internet, https://courseware.vt.edu/users/abbott/5554/SkinReport.pdf Jie Yang, Weier Lu, Alex Waibe, “Skin-Color Modeling and Adaptation”, LNCS, vol. 1352, pp. 687-694, Springer-Verlag Berlin Heidelberg, 1998. Moritz Storring, “Computer Vision and Human Skin Color”, Ph.D. Thesis, Aalborg University 2004. Antonis A. Argyros and Manolis I.A. Lourakis, “Real-Time Tracking of Multiple Skin- Colored Objects with a Possibly Moving Camera”, ECCV 2004, LNCS 3023, pp. 368-379, Springer-Verlag Berlin Heidelberg, 2004. Qiang Zhu, Kwang-Ting Cheng, Ching-Tung Wu, and Yi-Leh Wu, “Adaptive Learning of an accurate Skin-Color Model”, Proceedings of the Sixth IEEE International Conference on Automatic Face and Gesture Recognition (FGR’04), IEEE, 2004. Leonid Sigal, Stan Sclaroff, and Vassilis Athitsos, “Estimation and Prediction of Evolving Color Distributions for Skin Segmentation Under Varying Illumination”, Proc. IEEE Conf. on Computer Vision and Pattern Recognition (CVPR 2000), IEEE, 2000. P. Kakumanu, S. Makrogiannis, R. Bryll, N. Bourbakis, “Image Chromatic Adaptation using ANNs for Skin Color Adaptation”, Proceeding of the 16th IEEE International Conference on Tools with Artificial Intelligence (ICTAI 2004), IEEE, 2004. Mohamed Hammami, Dzmitry Tsishkou, and Liming Chen, “Data-Mining Based Skin- [...]... in Industrial Inspection IX, Proceedings of SPIE, vol 4301, pp 102-112 Quan Huynh-Thu, Mitsuhiko Meguro, and Masahide Kaneko, “Skin-Color Extraction in Images with Complex Background and Varying Illumination”, Proceedings of the Sixth IEEE Workshop on Application of Computer Vision (WACV’02), IEEE, 2002 Huicheng Zheng, Mohamed Daoudi, “From Maximum Entropy to Belief Propagation: An Application to Skin... Vision Conference, London, United Kingdom, September 7th – 9th, 2004 Kyung-Min Cho, Jeong-Hun Jang, and Ki-Sang Hong, “Adaptive Skin-Color Filter”, the Journal of Pattern Recognition Society, Elsevier Science, 2001 Maricor Soriano, Birgitta Martinkauppi, Sami Huovinen, and Mika Laaksonen, “Adaptive Skin-Color Modeling Using the Skin Locus for Selecting Training Pixels”, the journal of Pattern Recognition... Logic”, The 2005 International symposium on Intelligent Signal Processing and Communication Systems, IEEE CNF, 2005 Foley J., van Dam A., Feiner S., and Hughes J., Computer Graphics: Principles and Practice, p 1174, Addison-Wesley Publishing Company, 1996 11 Wren C., Azarbeyejani A., Darrell T., and Pentland A., “Pfinder: Real-Time Tracking of the Human Body”, IEEE Transactions on Pattern Analysis and Machine... Systems”, Proc Of the British Machine Vision Conference, 2001 Yang M and Ahuja N., “Gaussian Mixture model for Human Skin Color and its Application in Image and Video Databases”, Proc Of the SPIE: Conf on Storage and Retrieval for Image and Video Databases, vol 3656, pp 458-466, 1999 Terrillon J.C., Shirazi M.N., Fukamachi H., and Akamatsu S., “Comparative Performance of Difference Skin Chrominance Models...Color Modeling Using the ECL Skin-Color Images Database”, ICCS 2004, LNCS 3036, pp 310-317, Springer-Verlag Berlin Heidelberg, 2004 Pham The Bao, “Analysis Skin Color by PCA and Relations in YCbCr Color Space”, The 21st International Technical Conference... Color Model in YCbCr Color Space and its Application to human Face Detection”, IEEE Int Conference on Image Processing (ICIP’2002), vol.1, pp 289-292, IEEE, 2002 Lee J.Y and Yoo S.I., “An Elliptical Boundary Model for Skin Color Detection”, Proc of the 2002 International Conference on Imaging Science, System, and Technology, 2002 Nicu Sebe, Ira Cohen, Thomas S Huang, and Theo Gevers, “Skin Detection: . 1 TỔNG QUAN CÁC KĨ THUẬT XÁC ĐỊNH ĐIỂM ẢNH CÙNG SẮC MÀU VỚI MÀU DA NGƯỜI PHẠM THẾ BẢO (*) LÊ ĐÌNH NGÂN (**) TÓM TẮT Tính chất sắc màu của da đã được dùng để xác định khuôn mặt người, . thể có được tỉ lệ xác định màu da người cao hơn với tỉ lệ xác định sai sẽ thấp khi so sánh với các mô hình màu da người tổng quát dùng để phân loại màu da trong tập các ảnh tự nhiên [giống. màu da người, môi và các loại khác hơn không gian màu YCbCr. 3. CÁC MÔ HÌNH MÀU DA NGƯỜI Mục đích chính của xác định màu da người là xây dựng một bộ luật để quyết định làm sao xác định các