RECONOCIMIENTO DE PIEL EN FOTOGRAFAS, MEDIANTE REDES NEURONALES Luis Daniel Barrera Gamboa Universidad de La Frontera, Facultad de Ingeniera, Ciencias

y Administracin, Departamento de Ingeniera Elctrica Introduccin a la Inteligencia Artificial Profesora Millaray Curilem Saldias Abstract: En este trabajo se propone un sistema de reconocimiento de piel, basado en Redes neuronales Artificiales (RNA). Se trabajar en base a una red unidireccional Perceptron Multicapa (MLP), con aprendizaje supervisado; Backpropagation, donde, los datos de entrada y muestra objetivo se obtienen de fotografas en formato RGB. El entrenamiento se realiza con 15 fotografas en diferentes tamaos, con y sin prefiltrado manual antes del pre-procesamiento va software. La validacin es con fotografas de buena resolucin con diversidad de fondos. Se obtuvo un reconocimiento adecuado con poca generalizacin, pero apto para el objetivo buscado. Keywords: RNA, MLP, Backpropagation, formato RGB, entrenamiento, validacin.

1. INTRODUCCIN. En la actualidad existen mltiples aplicaciones que utilizan de cierta forma el reconocimiento de piel como pre-procesamiento para reconocimientos ms especficos, como el reconocimiento de rostro, que es el ms comn en la literatura. En este trabajo se propone un reconocimiento de piel por discriminacin de color, el cual ser determinado en tonalidad RGB y entrenado por redes RNA. Muchos estudios de evaluacin de color de color para la deteccin de la piel se han realizado por (Kakumanuet al, 2007, Phung et al, 2005). El color puede ser descompuesto en tres componentes diferentes; luminosidad y dos componentes de cromacidad, aunque el color de la piel en particular puede variar de un ser humano a otro o incluso en el mismo ser humano debido a factores, tales como el calor, rubor, etc. Varias investigaciones han demostrado que la variacin de los colores de la piel tienen una cierta relacin con la variacin de las componentes cromticas. Otros factores tales como el tono de iluminacin tienen efecto en la componente de luminosidad (Gonzales- Ortega, 2010). Existen mltiples estudios sobre las consideraciones a tener para realizar un buen reconocimiento de piel (Hunke y Waibel, 1994, Yang y Ahuja,1998, Marszalec et al., 2000, Bradski, 1998). Sin embargo, para este trabajo preliminar no se consideraran dichos estudios y se pretende realizar el mnimos de ecuaciones complejas.

2. FUNDAMENTOS TERICOS El reconocimiento se realiza entrenando una RNA del tipo MLP, unidireccional, con aprendizaje supervisado; Backpropagation, cuya arquitectura es de la forma:

Fig. 1. Representacin de una red MLP 2.1 Sistema RGB RGB significa Red (rojo), Green (verde), Blue (azul). Cada color consiste en tres nmeros (uno para el rojo, otro para el verde y el ltimo para el azul) que indican el porcentaje de los colores anteriormente mencionados. La mezcla de esos tres porcentajes origina el color deseado. Los nmeros son del 0 (negro) al 255 (blanco). Provee a la imagen de una enorme cantidad de colores. Es el utilizado en grficos bitmap de alta calidad y en diseos vectoriales sumamente complejos.

3. DESARROLLO Se cuenta con una base de datos de 15 fotografas para entrenamiento y 8 como verificacin, En formato *.Jpg y en resolucin inicial 480x640. 3.1 Pre-procesamiento. Se trabaj con el software Matlab y sus diversos toolbox, tanto de procesamiento de imgenes, como de Redes Neuronales, Adicionalmente se realizan Modificaciones en la fotografas de manera manual, tales como cambio de resolucin (Paint) o Filtrado manual de colores (GIMP). El algoritmo llevado a cabo para incorporar las imgenes a Matlab, sigue la siguiente secuencia:

Fig 5. Imagen obtenida tras etapa de filtrado. Tras la etapa de filtrado se procede a crear las Matrices de datos de entrada y objetivo, las cuales tienen la siguiente forma:

CREACIN MATRICES A PARTIR DE LA BASE DE DATOS

FILTRADO

CREACIN MATRIZ DE DATOS DE ENTRADA

Fig.6. Matrices P y T para la red neuronal. Es necesario sealar que en un comienzo se contaba con ms de un milln de datos, los cuales se redujeron a menos del 10% gracias a los procesamientos de Filtrado, tanto externo como via Matlab. Con las matrices de la Fig.6 se crear y entrenar la Red neuronal, siendo Datosnp_filt; La matriz P, y tf, la matriz T, que el toolbox de Redes neuronales de Matlab requiere. Creacin y Entrenamiento de la Red. Se utiliz el toolbox newff de Matlab, el cual crea una Red MLP backpropagation unidireccional y se crea de la siguiente forma:

FINAL PREPROCESAMIENTO

MATRIS DE DATOS OBJETIVOS

Fig.3 Pasos etapa de pre-procesamiento Inicialmente, se llevan todas las fotografas al espacio matricial de Matlab, creando de forma aparte una matriz de datos con las Imgenes completas y otra matriz con datos de imgenes Objetivos, las cuales son de la siguiente forma:

Fig.7. Creacin y entrenamiento de RNA. Fig.4 Imagen Original vs Imagen Objetivo. Se cuenta con tres neuronas en la capa de entrada, las cuales responden a las tres caractersticas del la matriz P, correspondientes a los parmetros RGB, de la imagen procesada. Se trabaj con una capa oculta y se vari solo la cantidad de neuronas en dicha capa. El entrenamiento realizado corresponde a Backpropagation. RESULTADOS Se obtuvieron diversas combinaciones con resultados aceptables, pero se qued con la red Neuronal con; tres neuronas en la capa de entrada, 5 Neuronas en la Capa Oculta y una neurona en la capa de salida. La verificacin realizada, consta de ocho fotografas representativas, para visualizar poder de generalizacin de la red. Los resultados Obtenidos son los siguientes:

La etapa de filtrado, se realiza tanto de forma externa (GIMP), as como, tambin mediante un filtrado, por Matlab, el cual consiste en tomar el promedio los datos de piel, excluyendo los colores blanco y negro, y darle a ese promedio, un rango suficiente, como para caracterizar bien la imagen, en este caso el margen corresponde a mas menos la mitad del promedio. Obtenindose una imagen filtradas como la siguiente:

La generalizacin obtenida es aceptable, considerando las imgenes de entrenamiento. Se cuenta con un algoritmo capaz de crear bases de datos para futuros trabajos, relacionados. REFERENCIAS List of references arranged alphabetically according to first author, subsequent lines indented. Do not number references. Publications by the same author(s) should be listed in order of year of publication. If there is more than one paper by the same author(s) and with the same date, label them a,b, etc. (Morris et al., 1990a, b). Please note that all references listed here must be directly cited in the body of the text. [1] Brown, F., M.G. Harris and A.N. Other (1994). Name of paper. In: Name of book in italics or underlined (Name(s) of editor(s). (Ed)), page numbers. Publisher, Place of publication. [2] Smith, S.E. (1991). Name of book in italics or underlined, page or chapter numbers if relevant. Publisher, Place of publication. [3] Smith, S.E. and L. Q. Jones (1972). Name of paper. Name of journal in italics or underlined, Volume no in bold, page numbers

Fig. 8. Resultados de validacin. Un resultado especial, es la siguiente figura, ya que implica un aceptable valor de Generalizacin de la red:

Fig.9. Mejor resultado en Verificacin. Tras el proceso de Verificacin, se observa que se ha obtenido un sistema reconocedor de piel bastante aceptable1 CONCLUSIONES Las RNA son una buena forma para realizar un reconocimiento preliminar de piel. El filtro aplicado funcion perfectamente, reduciendo considerablemente la cantidad de datos para el entrenamiento de la red. El reducir el tamao de las fotografas no produjo efecto adverso en el reconocimiento, logrando apresurar el entrenamiento considerablemente.
1

Cabe sealar que falta un valor numrico de error en validacin, ya que se trabaj solo en el mbito visual.