Détection de la peau humaine dans des images couleurs à l'aide de la régression logistique bayésienne a noyau multinomiale

Abstract

La détection de la peau est une étape importante dans de nombreux algorithmes de vision par ordinateur. Il est habituellement un processus qui commence au niveau du pixel et qui implique un pré-processus de transformation colorimétrique suivie par un processus de classification. Il s'agit d'une tâche préliminaire de base utilisée dans de nombreux domaines comme en télésurveillance et en reconnaissance de forme. Nous présentons dans ce mémoire un détecteur de peau basé sur une approche nommée régression logistique bayésienne à noyaux (RLBN). Dans le cadre de cette approche, le noyau de Fisher est exploité pour faire une projection des données d'origines présentées dans l'espace de couleur d'origine dans un nouvel espace de dimension beaucoup plus grande appelé espace de caractéristiques (feature space) de telle manière à pouvoir discriminer les classes considérées (classe peau et classe non peau) linéairement d'une manière plus efficace. La régression logistique sert de modèle de prédiction et s'emploie dans le cadre de la discrimination des pixels peau et ceux de non peau. Le théorème de Bayes est utilisée afin d'estimer les valeurs optimales des paramètres de l'équation logistique. Nous nous sommes intéressés à traiter trois types de couleurs de peau appartenant à différentes races ethniques: la race jaune, la race noire et la race blanche. A cet effet, nous avons construit un classifieur spécifique à chaque race puis nous avons combiné les trois classifieurs en un seul dit classifieur de synthèse dédié à la détection de tout type de peau. Nous avons utilisé la base d'image Compaq pour évaluer notre classifieur et les résultats obtenus sur les performances de détection de notre classifieur montrent son efficacité en comparaison avec ceux obtenus par les classifieurs basés sur des méthodes proposées précédemment et évalués sur la même base d'images que la notre.