Pengesanan kulit manusia merupakan langkah pra-pemprosesan yang penting dalam pelbagai aplikasi yang melibatkan imej seperti pengesanan wajah, pengesanan isyarat dan pengesanan bogel. Warna adalah sumber maklumat yang penting untuk pengesanan kulit manusia, dan beberapa kajian telah membincangkan kesan ruang warna ke atas pengesanan kulit. walan bagaimanapun, masih tiada kata sepakat ke atas ruang warna yang paling sesuai untuk pengesanan warna kulit. Tambahan pula, prestasi yang baik oleh aplikasi-aplikasi berkenaan bergantung kepada pengelas kulit yang boleh dipercayai, yang sepatutnya boleh membezakan piksel kulit dan bukan kulit untuk pelbagai jenis orang tanpa mengira umur, jantina dan kaum. Pelbagai pengelas termasuk pengelas pintar telah digunakan untuk pengesanan kulit manusia dengan kelemahan tersendiri seperti ketepatan yang rendah. Dalam kerja ini, satu kajian perbandingan menyeluruh menggunakan Rangkaian Neural Buatan Perceptron Berbilang Lapisan (MLP ANN) telah dijalankan ke atas pelbagai ruang warna (RGB, RGB ternormal, YCbCr, YIQ, HSV, YUV, YDbDr, dan CIE L*a*b) bagi menentukan ruang warna yang paling optimum. Tambahan pula, kesan menggabungkan maklumat tekstur dengan maklumat warna telah dikaji bertujuan untuk meningkatkan prestasi pengelas kulit. Algoritma Evolusi Berbeza (DE) digunakan dalam kerja ini untuk memilih maklumat warna dan tekstur yang optimum untuk mencapai tindak balas yang optimum. Keputusan eksperimen menunjukkan bahawa ruang warna YIQ memberikan pemisahan yang ketara di antara piksel kulit dan bukan kulit, bagi ruang-ruang warna yang berbeza yang diuji menggunakan ciri-ciri warna. Tambahan pula, keputusan yang diperolehi juga mendedahkan bahawa penggabungan warna dan ciri tekstur menjurus kepada pengesanan kulit yang lebih tepat dan efisien. Berdasarkan keputusan pengekstrakan ciri ini, satu sistem hibrid berasaskan penggabungan MLP ANN dan kaedah pengelompokan K-means yang menggunakan ruang warna YIQ dan ciri statistik kulit manusia sebagai masukan telah dibangunkan untuk pengesanan kulit manusia. Prestasi sistem yang dibangunkan telah dibandingkan dengan sistem-sistem pengesan kulit pintar sedia ada. Keputusan eksperimen menunjukkan bahawa algoritma yang dibangunkan ini mampu mencapai ketepatan 87.82% pengukur-F1 berdasarkan imej-imej daripada pangkalan data ECU. Ini menunjukkan bahawa pemilihan ciri optima dan sistem pintar gabungan ini mampu mempertingkatkan ketepatan dan kebolehpercayaaan pengesanan kulit manusia secara ketara.
__________________________________________________________________________________
Human skin detection is an important preprocessing step in many applications involving images such as face detection, gesture tracking, and nudity detection. Color is a significant source of information for human skin detection, and some studies have discussed the effect of color space on skin detection. However, there is no consensus on which color space is the most appropriate for skin color detection. In addition, good performance of such applications depends on reliable skin classifiers that must be able to discriminate between skin and non-skin pixels for a wide range of people, regardless of age, gender, or race. Many classifiers including intelligent classifiers have been utilized for human skin detection with a few limitations such as low accuracy. In this work, a comprehensive comparative study using the Multilayer Perceptron Artificial Neural Network (MLP ANN) is performed on various color spaces (RGB, normalized RGB, YCbCr, YIQ, HSV, YUV, YDbDr, and CIE L*a*b) to determine the optimum color space. Additionally, the effect of combining texture information with color information is investigated with the aim of boosting the performance of skin classifiers. The Differential Evolution Algorithm (DE) is used in this work to select the optimum color and texture information to achieve the optimum response. The experimental results show that the YIQ color space yields the highest separability between skin and non-skin pixels among the different color spaces tested using color features. In addition, the results reveal that combining color and texture features leads to more accurate and efficient skin detection. Based on these feature extraction results, a system based on a combination of an MLP ANN and k-means clustering which employs the YIQ color space and the statistical features of human skin as inputs is developed for human skin detection. The performance of the developed system has been compared with the existing intelligent skin detection systems. The experimental results reveal that the developed algorithm is able to achieve an accuracy of 87.82% F1-measure based on images from the ECU database. This result demonstrates that optimum feature selection and combination intelligent system are able to enhance the accuracy and reliability of human skin detection significantly.