Extraction de l’information de peau dans des images couleur

La caract´erisation de la couleur de peau am`ene deux probl`emes : le choix de l’espace colori-m´etrique et la m´ethode de mod´elisation de la couleur de peau [KMB07].

La colorim´etrie, l’informatique graphique ou encore les standards de transmission vid´eo ont donn´e naissance `a diverses repr´esentations de la couleur. L’espace RGB est tr`es utilis´e pour les applications informatiques et la sauvegarde d’images num´eriques. La forte corr´elation entre les canaux, la non-uniformit´e per¸cue ou encore le m´elange des informations de luminance et de chrominance, n’en font pas un choix int´eressant. Cependant certaines approches de d´etection de

11.1. Estimation conjointe de la forme 3D et des parties de peau peau travaillent sur cet espace [JR02, BM00a]. L’espace RGB normalis´e est une repr´esentation o`u chaque composante de RGB est normalis´ee par la somme des trois valeurs. Pour des surfaces lambertiennes, RGB normalis´e est invariant (sous certaines conditions) `a l’orientation de la surface par rapport aux sources de lumi`ere. Ce type d’espace a notamment ´et´e utilis´e dans les travaux de [BCL01, ZSQ99]. HSV , HSL et HSI sont des espaces colorim´etriques qui s´eparent l’information de teinte, de saturation et de luminance. Ces espaces d´ecrivent la couleur avec des ´el´ements intuitifs, bas´es sur la perception de la couleur. Ceux-ci ont ´et´e utilis´es pour la caract´erisation de la couleur peau [MGR98, SSA00], mais n´ecessitent en g´en´eral une quantit´e de calcul importante. L’espace Y CrCb provient d’un codage non lin´eaire de l’espace RGB, souvent utilis´e dans certains sch´emas de compression d’image. Cet espace propose une alternative int´eressante aux espaces HSx, tout en consommant peu de temps machine [CB00]. Le terme de couleur de peau ne d´efinit pas un propri´et´e physique, mais plutˆot la perception que l’on peut en avoir. Les espaces de couleur perceptuellement uniformes, tels que CIELAB et CIELU V , permettent une bonne caract´erisation de la couleur de la peau [TFAS00,ZSQ99]. Passer de RGB ou Y CrCb `a ce type de repr´esentation n´ecessite une charge intensive de calcul.

Les cam´eras utilis´ees lors des exp´erimentations fournissent un signal Y CrCb. Nous travaille-rons directement dans cet espace, afin de ne pas surcharger la machine calcul et limiter les erreurs dues aux conversions entre espaces. Cet espace fournit la s´eparation de l’information de luminance de l’information de chrominance. Afin de rendre l’extraction de la peau robuste aux conditions d’´eclairage, nous ne travaillerons que sur le plan de chrominance CrCb.

Parmi les mod´elisations de la peau propos´ees dans la litt´erature, les approches peuvent ˆetre class´ees selon plusieurs axes.

Caract´erisation explicite des r´egions de peau

Une m´ethode pour construire un classifieur de peau est de d´efinir explicitement `a travers un ensemble de crit`eres simples, les limites des clusters de peau dans certains espaces de couleur. Le principal avantage de cette approche est la simplicit´e des r`egles de d´etection de peau, qui permettent la construction d’une classifieur rapide [KS03,FFB96]. La plus grande difficult´e pour r´ealiser un bon taux de reconnaissance avec cette m´ethode provient du choix de l’espace de couleur et des r`egles de d´ecision empiriques associ´ees. Certaines approches sont construites sur des algorithmes d’apprentissage qui permettent de d´eterminer automatiquement l’espace colori-m´etrique ainsi que les r`egles de d´etection [GM02]. Ce type d’approche reste de mani`ere g´en´erale, peu robuste aux variations de l’´eclairement et fournit des taux de reconnaissance relativement faibles.

Mod´elisation non-param´etrique de la distribution de peau

L’id´ee cl´e des m´ethodes de mod´elisation non-param´etrique de la peau est d’estimer la dis-tribution de la couleur de la peau `a partir de donn´ees d’apprentissage, sans en extraire un mod`ele explicite. Les r´esultats de ces approches sont parfois appel´es carte de probabilit´e de peau [BM00a, Gom02] en associant une probabilit´e `a chaque point de l’espace couleur discr´etis´e. Les approches de cette classe s’appuient en g´en´eral sur une estimation de la densit´e de proba-bilit´e par histogramme, par apprentissage et classification bayesienne [ZSQ99, SCHG04, CB00] ou encore par des approches par r´eseaux de neurones [BCL01]. Nous nous int´eressons parti-culi`erement aux approches par histogrammes, particuli`erement rapides, ainsi en accord avec la contrainte du temps r´eel.

Plusieurs approches de d´etection de visage et de suivi s’appuient sur un histogramme norma-lis´e afin de segmenter les pixels de couleur de peau [SSA00,SSA04,SH00]. L’espace colorim´etrique, g´en´eralement limit´e au plan de chrominance, est sous-´echantillonn´e en ´el´ements auxquels corres-pondent plusieurs chrominances. Chaque ´el´ement contient la fr´equence d’apparition de chaque chrominance durant l’´etape d’apprentissage. L’histogramme est ensuite normalis´e, de fa¸con `a le convertir en une distribution discr`ete de probabilit´e :

P_c|peau⁼ _{N orme}^{peau[c] (11.1)}

o`u peau[c] est la fr´equence de la couleur c observ´ee, sachant qu’elle est de la couleur de peau et N orme est le coefficient de normalisation correspondant, `a la somme des valeurs de l’histo-gramme [JR02], ou encore `a la valeur maximale de l’histogramme [ZSQ99]. Ainsi P_c|peau^constitue

une mesure de confiance pour une couleur c d’ˆetre une couleur de peau. Cette approche peut ensuite ˆetre ´etendue en calculant l’histogramme ¬peau[c] puis Pc|¬peau ^{de la mˆeme mani`ere.}

Ainsi caract´eriser si une couleur c est couleur de peau peut ˆetre v´erifi´e par le crit`ere suivant : P_c|peau

P_c|¬peau ^{> K (11.2)}

avec K∈ [0, 1] un seuil.

Les deux principaux avantages de ce type d’approche, r´esident `a la fois dans la vitesse de l’apprentissage et d’utilisation, ainsi que sur leur ind´ependance th´eorique `a la distribution de la couleur de peau, ce qui n’est pas le cas pour la majorit´e des mod´elisations param´etriques.

Mod´elisation param´etrique de la distribution de peau

Les approches les plus r´epandues, construites sur des histogrammes, n´ecessitent que le jeu de donn´ees d’apprentissage soit suffisamment repr´esentatif des diff´erents types de peau `a re-connaˆıtre. Il est alors n´ecessaire de d´eterminer une repr´esentation de la peau qui puisse g´ e-n´eraliser et interpoler les donn´ees d’apprentissage. Plusieurs approches param´etriques ont ´et´e

11.1. Estimation conjointe de la forme 3D et des parties de peau

Fig. 11.1 – Repr´esentation fonctionnelle du processus de reconstruction de forme 3D et des parties de peau.

propos´ees. Certaines m´ethodes estiment la distribution de la couleur de peau par une gaus-sienne [TFAS00, HAMJ02]. D’autres mod`eles plus pr´ecis, capables de d´ecrire des distributions complexes, sont bas´es sur l’utilisation de m´elange de gaussiennes [TFAS00, MGR98, YW07]. En observant les distributions de peau et de non peau dans divers espaces de couleur, Lee et Yoo [LY98] ont propos´e un mod`ele `a base d’ellipses, qui offre de meilleurs r´esultats qu’une mod´elisation par une ou plusieurs gaussiennes, avec des temps d’apprentissage et de d´etection inf´erieurs.

Afin de respecter la contrainte du temps r´eel, nous utilisons l’approche construite sur un histogramme normalis´e du plan chromatique CrCb, qui offre un compromis int´eressant entre performance de la caract´erisation et temps de calculs. L’apprentissage de la couleur de peau a ´

et´e r´ealis´e pour un ´echantillon de quelques personnes et fournit dans notre contexte exp´erimental des r´esultats satisfaisants. Dans le cas de l’utilisation ´etendue `a un ensemble de personnes, il devient n´ecessaire de pr´evoir une proc´edure de mise `a jour du mod`ele de peau, afin de l’adapter aux personnages film´es.