본문 바로가기
HOME> 논문 > 논문 검색상세

논문 상세정보

점증적으로 증가하는 타원형 군집화 : 피부색 영역 검출에의 적용
Elliptical Clustering with Incremental Growth and its Application to Skin Color Region Segmentation

이경미   (덕성여대 컴퓨터과학부  );
  • 초록

    본 논문에서는 군집화 알고리즘을 사용하여 피부색 영역을 분할하는 방법을 제안한다. 기존의 군집화 알고리즘들의 대부분은 주로 구형의 군집을 검출하고, 배치형으로 수행되며, 군집의 개수를 미리정해야 한다는 문제점을 가지고 있다. 본 논문에서는 대표적인 타원형 군집화 알고리즘인 EM 알고리즘을 변형하여, 온라인으로 학습가능하며, 군집의 개수를 자동적으로 찾아낼 수 있는 EAM 알고리즘을 사용하였다. EAM 알고리즘외 유효성은 피부색 영역 분할에 대해 증명되었다. 실험결과는 군집의 개수가 미리 주어지지 않더라도, EAM 알고리즘은 주어진 영상에 대해 자동적으로 옳은 군집의 개수를 찾아냈고, EM 알고리즘과 비교하여 더 좋은 분할 결과를 보여주고 있다. 영역에 대한 조건부 확률을 이용하여 성공적인 피부색 영역의 탐지 및 분할 결과를 얻었다. 또한 사람이 포함된 영상을 분류하는 문제에도 적용하여 좋은 분류 결과를 얻었다.


    This paper proposes to segment skin color areas using a clustering algorithm. Most of previously proposed clustering algorithms have some difficulties, since they generally detect hyperspherical clusters, run in a batch mode, and predefine a number of clusters. In this paper, we use a well-known elliptical clustering algorithm, an EM algorithm, and modify it to learn on-line and find automatically the number of clusters, called to an EAM algorithm. The effectiveness of the EAM algorithm is demonstrated on a task of skin color region segmentation. Experimental results present the EAM algorithm automatically finds a right number of clusters in a given image without any information on the number. Comparing with the EM algorithm, we achieved better segmentation results with the EAM algorithm. Successful results were achieved to detect and segment skin color regions using a conditional probability on a region. Also, we applied to classify images with persons and got good classification results.


  • 주제어

    타원형 군집화 .   EM 알고리즘 .   온라인 학습 .   자원할당 알고리즘 .   피부색 영역 검출.  

  • 참고문헌 (21)

    1. V. Vezhnevets, V. Sazonov, and A, Andreeva, A Survey on Pixel-Based Skin Color Detection Techniques, In Proc. Graphicon-2003, pp. 85-92, 2003 
    2. P. Peer, J. Kovac, and F. Solina, Human skin colour clustering for face detection. In Proc. of International Conference on Computer as a Tool, 2003 
    3. M.J. Jones and J.M. Reng, Statistical color models with application to skin detection, Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, I:274-280, 1999 
    4. L. Sigal, S. Sclaroff, and V. Athitsos, Estimation and prediction of evolving color distributions for skin segmentation under varying illumination. In Proc. IEEE Conf. on Computer Vision and Pattern Recognition, vol. 2, 152-159, 2000 
    5. 이경미, 점증적으로 증가하는 타원형 군집화, 덕성여대 자연과학논문집, 10권, 135-147, 2004 
    6. D. Brown, I. Craw, and J. Lewthwaiye, A SOM based approach to skin detection with application in real time systems. In Proc. of the British Machine Vision Conference, 2001 
    7. J. Y. Lee and S. I. Yoo, An elliptical boundary model for skin color detection. In Proc. of the 2002 International Conference on Imaging Science, Systems, and Technology, 2002 
    8. J.-C. Terrillon, M.N. Shirazi, H. Fukamachi, and S. Akamatsu, Comparative performance of different skin chrominance models and chrominance spaces for the automatic detection of human faces in color images. In Proc. of the International Conference on Face and Gesture Recognition, 54-61, 2000 
    9. J.-M. Jolion, P. Meer, and S. Bataouche, Robust clustering with applications in computer vision, IEEE transactions on pattern analysis and machine intelligence, vol. 13, no. 8, pp. 791-802, 1991 
    10. J. Mao and A.K. Jain, A self-organizing network for hyperellipsoidal clustering (HEC), IEEE transactions on neural networks, vol. 7, no. 1, pp. 16-29, 1996 
    11. A.P. Dempster, N.M. Laird and D.B. Rubin, Maximum likelihood from incomplete data via the EM algorithm (with discussion), Journal of the royal statistical society B, vol. 39, no. 1, pp, 1-38, 1977 
    12. L. Xu, M.I. Jordan, and G.E. Hinton, An alternative model for mixtures of experts, Advances in neural information processing systems, In G. Tesauro, D.S. Touretzky, and T.K. Leen (Eds.), 7:633-640, Cambridge, MA:MIT Press, 1995 
    13. S.J. Nowlan, Soft competitive adaptation: neural network learning algorithms based on fitting statistical mixtures, PhD thesis, School of Computer Science, Carnegie Mellon University, Pittsburgh, PA, 1991 
    14. R.M. Neal and G.E. Hinton, A new view of the EM algorithm that justifies incremental and other variants, Learning in graphical models, pp. 355-368, 1998 
    15. S.D. Backer and P. Scheunders, A competitive elliptical clustering algorithm, Pattern recognition letters, vol. 20, no. 11/13, pp, 1141-1147, 1999 
    16. M. Sato and S. Ishii, On-line EM algorithm for the normalized Gaussian network, Neural computation, vol. 12, no. 2, pp. 407-432, 2000 
    17. P. Sceunders, A comparison of clustering algorithms applied to color image quantization, Pattern recognition letters, vol. 18, no. 11/13, pp. 1379-1384. 1997 
    18. K.-M. Lee and W.N. Street, An adaptive resource-allocating network for automated detection, segmentation, and classification of breast cancer nuclei, IEEE Transactions on neural networks, vol. 14, no. 3, pp, 680-687, 2003 
    19. J. Platt, A resource-allocating network for function interpolation, Neural computation, vol. 3, no. 2, pp. 213-225, 1991 
    20. S. Jrgen, Pattern classification: A unified view of statistical and neural approaches, John Wiley & Sons, NY, 1996 
    21. J. Li and J.Z. Wang, Automatic linguistic indexing of pictures by a statistical modeling approach, IEEE Transactions on Pattern Analysis and Machine' Intelligence, vol. 25, no. 9, pp. 1075-1088, 2003 

 활용도 분석

  • 상세보기

    amChart 영역
  • 원문보기

    amChart 영역

원문보기

무료다운로드
  • NDSL :
유료다운로드

유료 다운로드의 경우 해당 사이트의 정책에 따라 신규 회원가입, 로그인, 유료 구매 등이 필요할 수 있습니다. 해당 사이트에서 발생하는 귀하의 모든 정보활동은 NDSL의 서비스 정책과 무관합니다.

원문복사신청을 하시면, 일부 해외 인쇄학술지의 경우 외국학술지지원센터(FRIC)에서
무료 원문복사 서비스를 제공합니다.

NDSL에서는 해당 원문을 복사서비스하고 있습니다. 위의 원문복사신청 또는 장바구니 담기를 통하여 원문복사서비스 이용이 가능합니다.

이 논문과 함께 출판된 논문 + 더보기