D´etection de peau

La d´etection de peau est souvent utilis´ee comme une ´etape de pr´etraitement, permet-tant de restreindre la zone d’int´erˆet, dans les applications de type d´etection ou suivi de personnes. Elle offre la possibilit´e d’extraire, par exemple, une partie du corps humain telle que le visage ou les mains. Elle consiste `a d´etecter les pixels qui correspondent `a la peau dans une image donn´ee. Notre objectif consiste `a tirer profit de la particularit´e de la couleur de la peau qui contient une forte composante rouge par rapport `a l’eau, qui elle, contient une forte composante bleue. Cette d´etection de peau doit permettre dans le cas du nageur de restreindre la zone d’int´erˆet afin d’optimiser le processus de suivi. Pour ce faire, diff´erentes m´ethodes ont ´et´e propos´ees dans la litt´erature et valid´ees pour des applications sp´ecifiques. Dans la suite nous pr´esentons les m´ethodes les plus r´epandues dans l’´etat de l’art.

1.4.2.1 Mod´elisation par une gaussienne

Le mod`ele gaussien [33] est un mod`ele param´etrique qui permet d’estimer la distri-bution des couleurs de la peau par l’estimation de la fonction de densit´e de probabilit´e gaussienne p : p(c|peau) = ¹ 2π^'|σpeau|^e −1 2(c−µpeau)T!−1 peau(c−µpeau) (1.13) Avec, c la variable al´eatoire repr´esentant la couleur, µpeau et σpeau qui repr´esentent res-pectivement la moyenne et la matrice de covariance du mod`ele gaussien. Ces param`etres sont `a estimer lors de la phase d’apprentissage selon les ´equations suivantes :

µpeau = ¹ Npeau & c∈C Npeau(c)c (1.14) σpeau = ¹ Npeau− 1 & c∈C

1.4. PR´ETRAITEMENT Les pixels ayant une couleur proche de la distribution de ce mod`ele gaussien sont consid´er´es comme ´etant de la peau. Cependant, la mod´elisation par une simple gaus-sienne n’est pas toujours suffisante pour mod´eliser la distribution couleur de la peau. En effet, celle-ci est g´en´eralement plus complexe qu’une simple distribution gaussienne.

1.4.2.2 Mod´elisation par un m´elange de gaussiennes

La mod´elisation par un m´elange de gaussiennes, comme nous l’avons pr´esent´e dans la section pr´ec´edente, est une combinaison pond´er´ee de plusieurs gaussiennes. Jones et al. [34] ont propos´e de l’utiliser afin d’am´eliorer la repr´esentation de la peau par un mod`ele de m´elange de gaussiennes, comme le montre l’´equation suivante :

p(c|peau) =

N

&

n=1

ωnpn(c|peau) (1.16)

Avec, pnune distribution gaussienne, ωnle poids de la ni`emegaussienne, o`u la somme des ω est ´egale `a 1, et N le nombre de gaussiennes permettant de mod´eliser la peau. A titre d’exemple Jones et al. [34] ont fix´e la valeur de N `a 16 mais peut varier selon l’espace couleur. Pour l’apprentissage d’un mod`ele de la peau, l’algorithme EM (Expectation Maximisation) [34,35] estime les trois param`etres du mod`ele de m´elange de gaussiennes (µn, σn et ωn). Cette m´ethode a montr´e des r´esultats int´eressants dans la litt´erature mais reste trop complexe pour la d´etection de la peau dans le cas des nageurs et du milieu aquatique.

1.4.2.3 Mod´elisation par une table de correspondance

Cette m´ethode consiste `a repr´esenter les blocs de la peau par un histogramme de couleurs appel´e table de correspondance (lookup table) [36]. Chaque case de cette table contient le nombre de pixels appartenant `a un intervalle de couleur fix´e. Une ´etape d’apprentissage est n´ecessaire pour construire la table de correspondance. Pour chaque image de la base d’apprentissage, la peau est s´electionn´ee et la case correspondant `a l’intervalle de couleurs de chaque pixel est incr´ement´ee. Les valeurs de la table de correspondance sont normalis´ees, afin d’obtenir des valeurs entre 0 et 1, donnant ainsi la probabilit´e qu’un intervalle de couleur repr´esente la peau. Afin de d´etecter cette derni`ere dans une image cible, la table de correspondance est utilis´ee pour d´eterminer la possibilit´e que la couleur d’un bloc corresponde `a la peau. Le crit`ere de d´ecision est bas´e sur un seuil appris lors d’une phase d’apprentissage. ´Etant donn´e que les r´esultats de cette technique d´ependent fortement des donn´ees d’apprentissage nous choisissons de ne pas l’utiliser pour notre cas de d´etection de la peau des nageurs.

1.4.2.4 Mod´elisation bas´ee sur l’appariement d’histogrammes

Cette m´ethode est bas´ee sur la comparaison des histogrammes des images [37]. Elle n´ecessite la s´election d’un bloc de r´ef´erence de peau, aussi appel´e bloc de contrˆole. Puis, une comparaison est faite entre le bloc de r´ef´erence et les blocs, de mˆeme taille, dans l’image cible. Le crit`ere permettant de diff´erencier les blocs ≪ peau ≫ des blocs ≪ non peau ≫ est le score Mc,i calcul´e par la m´ethode d’intersection des histogrammes. Ce score est obtenu comme le montre l’´equation suivante :

Mc,I = (N

i min(Hc(i), HI(i))

Hc(i) ^(1.17)

Avec Hc et HI repr´esentent respectivement les histogrammes du bloc de r´ef´erence et des blocs de l’image cible. N repr´esente le nombre de bins (composantes de l’histogramme). Dans le cas o`u Mc,i d´epasse un certain seuil, le bloc est consid´er´e comme peau. Une analyse des composantes connexes permet alors de d´etecter plus pr´ecis´ement les zones de peau. Cette approche n’est pas ad´equate `a notre sujet car elle n´ecessite une intervention manuelle pour d´eterminer le bloc de contrˆole [43].

1.4.2.5 M´ethodes de segmentation bas´ees sur la d´etermination d’un inter-valle de couleur

Dans les syst`emes qui utilisent la d´etection de peau comme ´etape de pr´etraitement, le crit`ere le plus important est la simplicit´e et la rapidit´e de la d´etection. Afin de satisfaire ces contraintes de temps, la m´ethode de segmentation par intervalle de couleur a ´et´e propos´ee [38, 44]. Elle consiste `a d´efinir empiriquement un intervalle de couleur qui repr´esente la couleur de la peau. Celui-ci est obtenu en s´electionnant, dans une image d’entr´ee, une r´egion de peau permettant de d´efinir les minimums et maximums de chacune des couleurs : rouge, verte et bleu. L’image cible peut alors ˆetre binaris´ee (“peau” et “non peau”) grˆace `a l’´equation suivante :

ImB(i) = %

1 si Rmin, Vmin, Bmin < IR,V,B(i) < Rmax, Vmax, Bmax

0 sinon ^(1.18)

Avec Im(i) et ImB(i) qui repr´esentent respectivement les images avant et apr`es la segmentation et o`u R, V et B sont les composantes rouge verte et bleu du pixel i. Cette m´ethode de segmentation peut ˆetre appliqu´ee sur l’espace de couleur HSV (Hue, Saturation, Value – Teinte, Saturation, Valeur). On note que la composante H repr´esente la partie la plus importante de l’information de couleur lorsqu’elle est s´epar´ee de la saturation et de la brillance. Cette technique est adapt´ee `a notre cas de d´etection de peau des nageurs de part sa simplicit´e et ses bonnes performances [38, 44].

1.4. PR´ETRAITEMENT 1.4.2.6 Autres m´ethodes de d´etection de peau

Finalement, la d´etection de peau a fait l’objet de nombreuses autres ´etudes dans la litt´erature telles que la d´etection de contour [45], la soustraction du fond [46] ou la d´etection de mouvement [47]. Les m´ethodes bas´ees sur la d´etection de contour sont d´edi´ees aux applications sp´ecifiques o`u il est possible d’avoir une connaissance pr´ealable de la forme de la partie du corps `a d´etecter, permettant ainsi de construire un mod`ele g´eom´etrique. Les informations acquises par les techniques de soustraction de fond et de d´etection de mouvement sont souvent insuffisantes car elles ne permettent g´en´eralement pas de diff´erencier les objets en mouvement de la peau. Ainsi, mˆeme si elles sont rapides elles n´ecessitent souvent l’ajout d’information afin de localiser la peau dans la zone en mouvement.

1.4.2.7 Discussion

Notre objectif consiste `a d´etecter la peau des nageurs afin de les pr´e-localiser et de restreindre la zone d’int´erˆet. Pour cela, nous avons ´etudi´e et analys´e diff´erentes techniques de d´etection de peau connues dans la litt´erature. Parmi ces derni`eres, nous retenons la m´ethode de segmentation bas´ee sur la d´etermination d’un intervalle de couleur pour la suite de ce manuscrit pour sa simplicit´e et ses performances. En effet, cette m´ethode `a l’avantage de pouvoir segmenter la peau du nageur en analysant les couleurs de la sc`ene dans un espace donn´e (RGB, HSV, etc).