Uso de redes neurais artificiais para detecção de pele em imagens digitais

Detalhes bibliográficos
Ano de defesa: 2017
Autor(a) principal: Vicentini, Rafael Estéfano [UNESP]
Orientador(a): Lotufo, Anna Diva Plasencia [UNESP]
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Estadual Paulista (Unesp)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Redes neurais artificiais
Reconhecimento de padrões
Processamento digital de imagens
Artificial neural networks
Palavras-chave em Inglês:
Resilient backpropagation
Pattern recognition
Digital image processing
Link de acesso: http://hdl.handle.net/11449/152329
Resumo: 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.
id UNSP_59aa04a4e80851e332c32f7665d8ecf2
oai_identifier_str oai:repositorio.unesp.br:11449/152329
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str
spelling Vicentini, Rafael Estéfano [UNESP]Universidade Estadual Paulista (Unesp)Lotufo, Anna Diva Plasencia [UNESP]2017-12-18T10:48:16Z2017-12-18T10:48:16Z2017-10-20http://hdl.handle.net/11449/15232900089518333004099080P0Na 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.porUniversidade Estadual Paulista (Unesp)Redes neurais artificiaisReconhecimento de padrõesProcessamento digital de imagensArtificial neural networksResilient backpropagationPattern recognitionDigital image processingUso de redes neurais artificiais para detecção de pele em imagens digitaisArtificial neural networks for skin detection in digital imagesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESPEngenharia Elétrica - FEISAutomaçãoSistemas InteligentesUniversidade Estadual Paulista (UNESP), Faculdade de Engenharia, Ilha SolteiraOnline6022112355517660[1]0000-0002-0192-2651[1]Publication85b724f4-c5d4-4984-9caf-8f0f0d076a19virtual::175272-185b724f4-c5d4-4984-9caf-8f0f0d076a19virtual::175272-1909f8040-719f-42cf-a550-e298b801fcebvirtual::188990-1909f8040-719f-42cf-a550-e298b801fcebvirtual::188990-1ORIGINALvicentini_re_me_ilha.pdfvicentini_re_me_ilha.pdfapplication/pdf15039479https://repositorio.unesp.br/bitstreams/850079e2-919e-44ef-ba2a-ef9bf9adb89b/download43a2765c1d39e13b3435f194a64198ecMD53trueAnonymousREADLICENSElicense.txtWritten by org.dspace.content.LicenseUtilstext/plain; charset=utf-83058https://repositorio.unesp.br/bitstreams/6ebc8550-2b43-41a0-818e-8dd4dc2f5c62/download9f1a56716ba794d5dce9b19b5353ad32MD52falseAnonymousREADTEXTvicentini_re_me_ilha.pdf.txtWritten by FormatFilter org.dspace.app.mediafilter.TikaTextExtractionFilter on 2023-10-04T06:03:39Z (GMT).Extracted texttext/plain102972https://repositorio.unesp.br/bitstreams/f7957745-1a4e-4df2-a5d6-7ec55c4b59f2/downloadd3ea4c7e2ec6e6505d19bb68a379b67cMD56falseAnonymousREADTHUMBNAILvicentini_re_me_ilha.pdf.jpgWritten by FormatFilter org.dspace.app.mediafilter.ImageMagickPdfThumbnailFilter on 2017-12-19T05:01:45Z (GMT).IM Thumbnailimage/jpeg4246https://repositorio.unesp.br/bitstreams/b3400c30-68e5-42d3-b7dd-18e040ced4ca/download6ec5746de843f95a7eca81b403149196MD55falseAnonymousREAD11449/1523292026-01-26T12:55:00.254229Zopen.accessoai:repositorio.unesp.br:11449/152329https://repositorio.unesp.brRepositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462026-01-26T12:55Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)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
dc.title.pt.fl_str_mv Uso de redes neurais artificiais para detecção de pele em imagens digitais
dc.title.alternative.en.fl_str_mv Artificial neural networks for skin detection in digital images
title Uso de redes neurais artificiais para detecção de pele em imagens digitais
spellingShingle Uso de redes neurais artificiais para detecção de pele em imagens digitais
Vicentini, Rafael Estéfano [UNESP]
Redes neurais artificiais
Reconhecimento de padrões
Processamento digital de imagens
Artificial neural networks
Resilient backpropagation
Pattern recognition
Digital image processing
title_short Uso de redes neurais artificiais para detecção de pele em imagens digitais
title_full Uso de redes neurais artificiais para detecção de pele em imagens digitais
title_fullStr Uso de redes neurais artificiais para detecção de pele em imagens digitais
title_full_unstemmed Uso de redes neurais artificiais para detecção de pele em imagens digitais
title_sort Uso de redes neurais artificiais para detecção de pele em imagens digitais
author Vicentini, Rafael Estéfano [UNESP]
author_facet Vicentini, Rafael Estéfano [UNESP]
author_role author
dc.contributor.institution.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Vicentini, Rafael Estéfano [UNESP]
dc.contributor.advisor1.fl_str_mv Lotufo, Anna Diva Plasencia [UNESP]
contributor_str_mv Lotufo, Anna Diva Plasencia [UNESP]
dc.subject.por.fl_str_mv Redes neurais artificiais
Reconhecimento de padrões
Processamento digital de imagens
Artificial neural networks
topic Redes neurais artificiais
Reconhecimento de padrões
Processamento digital de imagens
Artificial neural networks
Resilient backpropagation
Pattern recognition
Digital image processing
dc.subject.eng.fl_str_mv Resilient backpropagation
Pattern recognition
Digital image processing
description 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.
publishDate 2017
dc.date.accessioned.fl_str_mv 2017-12-18T10:48:16Z
dc.date.available.fl_str_mv 2017-12-18T10:48:16Z
dc.date.issued.fl_str_mv 2017-10-20
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/11449/152329
dc.identifier.aleph.none.fl_str_mv 000895183
dc.identifier.capes.none.fl_str_mv 33004099080P0
url http://hdl.handle.net/11449/152329
identifier_str_mv 000895183
33004099080P0
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
bitstream.url.fl_str_mv https://repositorio.unesp.br/bitstreams/850079e2-919e-44ef-ba2a-ef9bf9adb89b/download
https://repositorio.unesp.br/bitstreams/6ebc8550-2b43-41a0-818e-8dd4dc2f5c62/download
https://repositorio.unesp.br/bitstreams/f7957745-1a4e-4df2-a5d6-7ec55c4b59f2/download
https://repositorio.unesp.br/bitstreams/b3400c30-68e5-42d3-b7dd-18e040ced4ca/download
bitstream.checksum.fl_str_mv 43a2765c1d39e13b3435f194a64198ec
9f1a56716ba794d5dce9b19b5353ad32
d3ea4c7e2ec6e6505d19bb68a379b67c
6ec5746de843f95a7eca81b403149196
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv repositoriounesp@unesp.br
_version_ 1878343242770022400

Registros relacionados