One of the commonly used algorithms in computer vision is the human skin segmentation in the image. The most common approach to skin segmentation is training a binary classifier to separate human skin (foreground) pixels from the background ones. In the paper the problem of training such binary classifiers has been discussed. A smoothed ROC curve has been constructed. The recommendations for a test set obtaining for correction comparison of binary classifiers have been given. Using the proposed method the training of single Gaussian and Bayesian classifiers by the proposed method has been carried out. The results of testing and comparison of the obtained classifiers have been given. It has been shown that this method can improve the quality of skin segmentation up to 4 % of TRP metric and up to 10% of FRP. The Bayesian classifier, trained according to the proposed method provides the best segmentation results among all considered classifiers.
Сегментация кожи человека на изображении широко применяется в качестве алгоритмов компьютерного зрения. Наиболее распространенным подходом к повышению качества сегментации кожи является обучение бинарного классификатора, отделяющего цвета кожи человека от цветов фона. В работе рассмотрена проблема обучения бинарных классификаторов. Предложен новый метод получения обучающей выборки с унификацией цветов на каждом изображении. Построена сглаженная ROC-кривая. Даны рекомендации по подготовке тестовой выборки для правильного сравнения бинарных классификаторов. С использованием предложенного метода проведено обучение классификаторов Гаусса и Байеса. Представлены результаты тестирования и сравнения полученных классификаторов. Показано, что рассмотренный метод может улучшить качество сегментации кожи до 4 % по метрике TPR и до 10 % по метрике FPR. Классификатор Байеса, обученный согласно предложенному методу, обеспечивает наилучшие результаты сегментации среди всех рассмотренных классификаторов.