| Summary: | Submitted by Rafael Estefano Vicentini null (rafaelvicentini@dee.feis.unesp.br) on 2017-12-14T18:01:32Z
No. of bitstreams: 1
DISSERTAÇÃO-RAFAEL ESTÉFANO VICENTINI.pdf: 15039479 bytes, checksum: 43a2765c1d39e13b3435f194a64198ec (MD5) === Approved for entry into archive by Cristina Alexandra de Godoy null (cristina@adm.feis.unesp.br) on 2017-12-18T10:48:16Z (GMT) No. of bitstreams: 1
vicentini_re_me_ilha.pdf: 15039479 bytes, checksum: 43a2765c1d39e13b3435f194a64198ec (MD5) === Made available in DSpace on 2017-12-18T10:48:16Z (GMT). No. of bitstreams: 1
vicentini_re_me_ilha.pdf: 15039479 bytes, checksum: 43a2765c1d39e13b3435f194a64198ec (MD5)
Previous issue date: 2017-10-20 === Na última década, o aumento da capacidade de processamento de informação em computadores e dispositivos de uso pessoal possibilitou o desenvolvimento de filtros e classificadores automatizados que operam em tempo real, aplicados em diversas áreas. No âmbito do Processamento Digital de Imagens associado às Redes Neurais Artificiais, os filtros emulam a percepção humana buscando por padrões para identificação de características de interesse. Filtros que têm por objetivo restringir o acesso a conteúdo impróprio partem da identificação de pele - principal indício de presença humana em uma imagem. Independentemente de sua complexidade e/ou robustez, caso o classificador não seja capaz de identificar as diferentes tonalidades de pele sob diferentes condições de captura, sua eficácia é prejudicada. Frente à diversificada forma de descrever uma tonalidade de pele usando diferentes espaços de cor, neste estudo foram destacados os espaços de cor RGB, YCbCr e HSV, amplamente utilizados em equipamentos de captura (por exemplo câmeras fotográficas e filmadoras digitais). A partir de exemplos apresentados durante a etapa de treinamento, as RNAs devem estar aptas para classificar as tonalidades em dois grupos distintos: pele e não pele. Dentre os espaços de cores indicados, seja utilizando ou descartando o aspecto da iluminação (critério amplamente discutido na literatura), este trabalho busca avaliar qual possui a maior taxa de detecção de pele em uma imagem. === Over the last decade, the increasing capacity of data processing in personal computers and devices could develop filters and automatic classifiers working in real time and applied in several areas. Considering Digital Image Processing and Artificial Neural Networks, these filters emulate the human perception searching for patterns to identify specific features. Filters which the main goal is to restrict the access to inappropriate content starts identifying skin tones - the main evidence of human presence in a picture. Although being complex and robust, if the classifier is not able to identify distinct skin tones under random capture conditions, the accuracy is minimal. Facing several ways on describing skin tones over different color spaces, this work uses the RGB, YCbCr and HSV color spaces which are widely applied in recording devices (photographic and digital cameras for example). Based on the examples shown during the training phase, the ANNs must be able to classify skin tones into two distinct groups: skin and non skin. Among the different color spaces used, considering or not the luminance aspect (widely discussed on papers), this work intends to evaluate which one has the highest detection accuracy to identify skin tone in such a picture.
|
|---|
