膚色區域偵測實驗結果

膚色區域之偵測，在膚色背景教室和非膚色背景教室中狀況相當不同。非膚 色背景教室中，膚色顯示的顏色變異較大，若是在不同照明條件之下，顏色的分 布就更為複雜。然而，經過膚色範圍的動態調整和 graph cut 演算法的增強，即 使是在較為陰暗的非膚色背景教室，所偵測的膚色區域依然十分完整。

至於在膚色背景教室中，雖然膚色的分布較為集中，但由於背景幾乎都是膚 色，經由 graph cut 的增強之後容易產生一些細碎的雜訊。這些雜訊和人臉區域 若有重疊，會讓人臉區域的形狀變的不規則，而降低之後人臉偵測的正確率。這 個缺點也是本研究未來主要努力的方向之一。

正確率的計算與前景擷取類似，以像素為基礎，並且以自製的 ground truth 做為比較標準，數據如表 6.2 所示。

73

表 6.2 膚色區域偵測之實驗結果

影片 教室 照明情

況

影像張數 膚色背景 Precision Recall F-measure

265

S101 陰暗 1304 否 88.47% 77.91% 0.8256

266

B101 略暗 4488 是 67.33% 88.49% 0.7635

288

B1 演講廳 正常 866 否 62.34% 66.43% 0.6393

292

B102 正常 1200 是 78.03% 81.73% 0.7948

301

C209 正常 5641 否 83.41% 87.31% 0.8526

303

S101 正常 5226 否 86.93% 71.91% 0.7859

307

B1 演講廳 略暗 6227 否 91.57% 66.99% 0.7722

由數據來看，整體的準確率比前景擷取低許多。除了膚色範圍的定義的確比 前景背景的區分困難之外，主要的原因其實是在於，影像中的膚色所占面積不 多，pixel based 的計算方法在這種情況下會放大小區域錯誤所佔的比例。另外，

如前段所述，在膚色背景教室中，graph cut 演算法所造成的細碎雜訊較多，因此 也顯著地拉低了正確率。以下為各影片的膚色偵測圖例以及說明：

74

265: 此影片的陰暗程度較高，所偵測到的膚色像素較少因此 recall 較低，不 過由於膚色與非膚色的界線明顯，因此偵測錯誤的機率也較低，

precision 反而較高。

266: 膚色背景的教室環境由於光反射的原理，會有類似膚色增強的效果，因 此本影片的偵測結果中，recall 是相當高的，也就是說很少膚色 pixel 未偵測到。不過也因為這樣的效果，使得此影片之 precision 明顯低於 非膚色背景教室。

288: 由於此間教室的背景為藍色與灰黑色，因此膚色顯現出偏綠的效果，對 於本研究所提出的偵測方法來說是屬於較為不利的狀況，因此 precision 和 recall 都偏低。不過，對於實驗數據影響最大的應是左下角女同學的 髮色被歸類為膚色所致。

292: 此為膚色背景教室，不過由於日光燈全開，白平衡並未受到膚色影背景 影響太多，正確率在膚色背景教室相對高一些。

301: 非膚色背景教室，不過原木色的桌面亦為膚色，對於膚色偵測的結果也 有些許影響。

303: 此影片之實驗結果顯現出本方法的優點，儘管膚色偏白，經由動態調整 膚色範圍的過程，解決此一問題，並維持了較高的正確率。

307: 由於膚色偏綠的緣故，此間教室所偵測的膚色區域會較 ground truth 略 為收縮，這個現象為 recall 偏低的主因。不過，缺少了染色頭髮的干擾，

儘管偏暗，所得到的正確率仍然高於 288 甚多。

75

圖 6.19 影片 265 之輸入影像

圖 6.20 影片 265 之膚色區域偵測結果

76

圖 6.21 影片 266 之輸入影像

圖 6.22 影片 266 之膚色區域偵測實驗結果

77

圖 6.23 影片 288 之輸入影像

圖 6.24 影片 288 之膚色區域偵測結果

78

圖 6.25 影片 292 之輸入影像

圖 6.26 影片 292 之膚色區域偵測結果

79

圖 6.27 影片 301 之輸入影像

圖 6.28 影片 301 之膚色區域偵測結果

80

圖 6.29 影片 303 之輸入影像

圖 6.30 影片 303 之膚色區域偵測結果

81

圖 6.31 影片 307 之輸入影像

圖 6.32 影片 307 之膚色區域偵測結果

82