MODELO DE CLASSIFICADOR POR REGRA APLICADO A

DETECÇÃO DE PELE BASEADO EM DISCRIMINANTES DE CORES

Silmara Corrêa de Souza 1

Carlos Bruno Oliveira Lopes 2

Resumo: A detecção de pele é amplamente utilizada em diversas áreas tecnológicas por meio do
processamento de imagens ou da visão computacional. Suas aplicabilidades partem desde a
caracterização de imagem à detecção de doenças de pele. Em seguimento a mesma linha de contexto,
o presente artigo aborda um modelo de Classificador por regra aplicado a Detecção de Pele. Em nosso
esquema utilizamos quatros classificadores, três para classificação parcial e um para classificação final.
O nosso método combina a informação dos três classificadores parciais passando usados como entrada
para a classificação final que, por regra de votação, agrupa os pixels da imagem como pele se o resultado
for maior ou igual 2, e agrupa como “não pele”, caso contrário. A classificação parcial foi construída
com dois classificadores Bayesianos com discriminantes baseados em espaço de cores distintos (Lab e
YCbCr), e um classificador explícito de regiões de pele definido por uma regra de classificação no
espaço de cores RGB.

Palavras chave: Detecção de Pele; Espaço de Cores; Discriminantes; Classificadores.

Abstract: Skin detection is widely used in several technological areas through image processing or
computer vision. Its applicability varies from the image characterization to the detection of skin diseases.
Following the same context line, this article presents a Classifier model per rule applied to Skin
Detection. In our approach, we used four classifiers, three for partial classification and one for final
classification. Our method combines the information from the three partial classifiers that it used as
input to the final classification. This last is did by voting rule that groups the pixels of the image as skin
if the result is greater than or equal to 2 or groups as "not skin", for otherwise. The partial classification
was constructed with two Bayesian classifiers that it uses as discriminants distinct color spaces (Lab and
YCbCr), and an explicit classifier of skin regions defined by a classification rule in the RGB color space.

Keywords: Skin detection; Color space; Discriminants, Classifiers.

1
Docente no Curso de Licenciatura em Computação pelo Centro Universitário Estácio da Amazônia,
carlos.bruno@estacio.br
2
Licenciada em Licenciatura em Computação pelo Centro Universitário Estácio da Amazônia, sil.pjm@gmail.com
-1- Revista Multidisciplinar Pey Këyo
1 INTRODUÇÃO

A pele é uma característica que pode ser utilizada em muitas aplicações

computacionais envolvendo o reconhecimento e a aprendizagem de máquina, como, no
reconhecimento automático de faces, rastreamento de gesto, detectores de feições, dentre outros
(YANG e AHUJA, 1999). Em geral, sua aplicabilidade está vinculada com a capacidade de ter
seus pixels detectados em imagens ou vídeos para que possam ser utilizados como informação
(VEZHNEVETS, SAZONOV e ANDREEVA, 2003). Portanto, o objetivo da detecção de pele
é construir uma regra de decisão, que irá discriminar entre pixels de pele e não-pele, geralmente,
tomando como métricas as intensidades ou tons de cor apresentados na imagem (CASATI,
2013).
Uma forma prática de se realizar a detecção de pele é pela abordagem baseada em
pixels, considerando assim, os seus valores de cor (intensidades) individualmente e
classificando-os como pele ou não pele (VEZHNEVETS, SAZONOV e ANDREEVA, 2003).
Essa abordagem é muito utilizada na maioria das aplicações de detecção de pele humana em
imagens (CASATI, 2013). Outra maneira de realizar a classificação desses pixels, é pela
utilização de classificadores probabilísticos que fazem o uso da regra de Bayes para construir
mapas de regiões de alta probabilidade que, são usadas para classificar os pixels nas imagens
analisadas (LOPES, 2013). No entanto, em ambos os processos de detecção de pele há inúmeros
problemas que prejudicam a detecção destas zonas, tais como, a baixa luminosidade do
ambiente, ruídos que degradam a imagem no momento de sua captura, e principalmente, as
similaridades entre objetos que possuem cores parecidas ou próximas ao tom de pele podendo
ocasionar resultados inesperados pelo classificador (LOPES, 2013) (MEDEIROS, 2013). Em
nossa abordagem pretendemos contorna esse problema realizando a combinação de
classificadores fracos para gerar um classificador forte.
A abordagem apresentada propõe um algoritmo de detecção de pele baseado na
utilização de dados de cromaticidades como discriminantes. Esses dados são obtidos dos
valores de intensidades de pixels no espaço de cores RGB, Lab e YCbCr, que serão submetidos
a três classificadores parciais que somarão seus resultados. Então, esses resultados são usados
como entrada para o quarto classificador que ponderará se um pixel é pele ou não pele por meio
da regra de decisão por votação.

-2-
2 FUNDAMENTAÇÃO TEÓRICA

2.1 Classificador e Regra Bayes (Probabilidade a Posteriori)

A detecção de pele pode ser implementada por diferentes ferramentes e métodos a

partir das características de cor que são usadas como seu discriminante do resto da imagem. Em
geral, pesquisas propõem modelos universais e estáticos de discriminantes que se baseiam em
diferentes espaços de cores, como, RGB, HSV, YCbCr, Lab e RGB normalizado (CASATI,
2013). Esses discriminantes podem ser utilizados como dados que alimentam modelos de
algoritmos para aprendizado de máquina supervisionados que são aplicados a implementação
do classificador de Bayes (estimador) usados para agrupar dados (MEDEIROS, 2013).

O classificador de Bayes é um estimador ou regra de decisão que mapeia um dado

observado para uma classe apropriada (LOPES, 2013). O Teorema ou Regra de Bayes descreve
a probabilidade de um evento ocorrer baseado em uma condição que está relacionada ao evento.
Esta probabilidade é chamada de posterior e é descrita pela equação demonstrada a seguir:

𝑝(𝑥|𝜔)𝑝(𝜔)
𝑝(𝜔|𝑥) = (1)
𝑝(𝑥)

onde, 𝑝(𝑥|𝜔) é a probabilidade de um evento 𝑥 ocorrer dado que 𝜔 é verdade (ou ocorre) –
Função de Densidade Probabilística (PDF); 𝑝(𝜔) e 𝑝(𝑥) são as probabilidades de 𝜔 e 𝑥 sem
considerar um ao outro – probabilidade a priori – ; e 𝑝(𝜔|𝑥) é a probabilidade de um evento 𝜔
ocorrer dado que 𝑥 é verdade – probabilidade a posterior (LOPES, 2013).

O Classificador Bayes opera de forma a descriminar, avaliar e classificar os dados

modelados e disponíveis. Ele possibilita a construção de mapas probabilísticos de cada classe,
que são usados para estimar a que classe o dado avaliado tem maior probabilidade de pertencer
(LOPES, 2013). Assim, ele descreve de forma generalizada e “universal” os dados que estão
sendo avaliados para classificação (MEDEIROS, 2013).

2.2 Classificador Explícito de Regiões de Pele

O Classificador Explícito é uma classificação baseado em regras de decisões que

são usadas para separar os 𝜔𝑖 grupos, onde, 𝑖 = 0, 1, . . . , 𝑁 identifica os 𝑖-ésimo grupo
(VEZHNEVETS, SAZONOV e ANDREEVA, 2003).

-3-
 O Classificador de pele explícito é definido por um conjunto de regras aplicados
aos pixels da imagem sobre o espaço de cor RGB definido pelas seguintes regras:

R > 95 𝑒 G > 40 𝑒 B > 20 𝑒

max{R, G, B} − min{R, G, B} > 15 𝑒 (2)
|R − G| > 15 𝑒 R > G 𝑒 R > B

onde, R, G e B são os níveis de energia (canais de cores) de um pixel avaliado; max e min são
o maior e o menor valor entre os canais, respectivamente. O classaficador define um pixel,
como pele, se a regra descrita pelas inequações e operações lógicas em (2) for verdadeira, e em
caso contrário, ele irá classifica-los como não-pele.

Figura 1 – Exemplo de detecção de pele. A imagem à esquerda é passada com entrada para algoritmo que gera
como saída a imagem à direita.
Fonte: Imagem de entrada: web, Resultado: própria

3 ABORDAGEM PROPOSTA

A abordagem proposta realiza a detecção de pixels de pele em imagens coloridas

por meio da combinação dos resultados de três classificadores; dois classificadores de Bayes e
Classificador Explicito; aplicados a um quarto classificador por regras de votação que, irá
ponderar se pixel pertence à classe pele ou não pele. A visão geral do funcionamento do método,
previamente descrito anteriormente, é ilustrada na Figura 2. Um exemplo de nossos resultados

-4-
alcançados com a aplicação do método é demonstrado por meio da Figura 1 que ilustra a
imagem de entrada à esquerda, e sua respectiva saída após o processamento, o resultado de
detecção de pele na imagem segmentada à direita (regiões de pele dentro da imagem).

Figura 2 – Diagrama arquitetural do algoritmo. 𝐼𝑖𝑛 é a imagem de entrada (sinal) para os classificadores 𝑅1 , 𝑅2 e
𝑅3 . Os classificadores 𝑅1 , 𝑅2 e 𝑅3 realizam a classificação parcial da imagem gerando como saída imagens as
binárias 𝐼𝑏1 , 𝐼𝑏2 , 𝐼𝑏3 que são somadas gerando o sinal 𝐼Σ (imagem). Este último sinal é passado como entrada para
o classificador 𝐹 que aplica a regra de ponderação sobre 𝐼Σ para identificar quais são os pixels de pele da imagem
original resultando na saída 𝐼𝑜𝑢𝑡 (imagem segmentada em regiões de pele).
Fonte: Própria

Como descrito previamente e ilustrado pelo Diagrama arquitetural do algoritmo

demostrado da Figura 1, o modelo realiza uma pré-classificação (ou classificação parcial) por
meio dos classificadores 𝑅1 , 𝑅2 e 𝑅3 . Os classificadores 𝑅1 e 𝑅2 são classificadores Bayesianos
que geram mapas de alta probabilidade da imagem de entrada aplicando-se o Teorema de
Bayes, como, se segue:

𝑝(v
⃗ |𝜔)𝑝(𝜔)
𝐼𝑀𝑃 (𝑥, 𝑦) = (3)
⃗)
𝑝(v

onde, 𝑝(v ⃗ ) são as probabilidades

⃗ |𝜔) é a Função de Densidade Probabilística (PDF); 𝑝(𝜔) e 𝑝(v
a priori de classe 𝜔 – pixeis de pele – e v
⃗ é o vetor de ocorrência de intensidades dos pixels da
imagem; e 𝐼𝑀𝑃 (𝑥, 𝑦) é a imagem que contém as regiões de alta probabilidade, onde, cada
posição espacial da imagem, armazena um valor da probabilidade a posterior calculado – ou
seja, 𝑥 e 𝑦 representam suas coordenadas espaciais.

A Função de Densidade Probabilística (PDF) é baseada na distribuição Gaussiana

(normal) (LOPES, 2013), sendo calculada, através seguinte da equação:

1 1
(v
− ⃗ −𝜇𝜔 )𝑇 (Σ𝜔 )−1 (v
⃗ −𝜇𝜔 )
𝑝(v
⃗ |𝜔) = 1 exp
2 (4)
(2𝜋)𝑑/2 |Σ𝜔 |2

-5-
onde, 𝜔 representa a classe de interesse com os parâmetros de vetor de média 𝜇𝜔 e a matriz de
covariância Σ𝜔 que o define; v
⃗ representa o vetor bidimensional de intensidades do pixel.

Os parâmetros 𝜇𝜔 e Σ𝜔 podem ser obtidos por meio de treinamento supervisionado

utilizando o algoritmo EM (Máxima Esperança, do inglês, Expectation Maximization)
(VEZHNEVETS, SAZONOV e ANDREEVA, 2003) para gaussianas multimodais ou
calculados de forma direta para gaussianas unimodais. Em nosso trabalho os classificadores de
Bayes foram modelados como Gaussians unimodais utilizando o calculo direto para
treinamento.

O vetor v
⃗ representa os dados bidimensionais de intensidades de pixels e, são
utilizados como discriminantes para o reconhecimento dos pixels de pele em ambos os
classificadores 𝑅1 e 𝑅2 . O classificador 𝑅1 utiliza como informação discriminante os canais de
𝑎
cores a e b do espaço de cores Lab, sendo, o vetor de v ⃗ representado como v⃗ = [ ]. Já o
𝑏
classificador 𝑅2 utiliza como informação discriminante, os canais de cores cb e cr do espaço de
𝐶𝑏
cores YCbCr, sendo, o vetor de v
⃗ representado como v
⃗ =[ ].
𝐶𝑟

Figura 3 – A imagem à esquerda exibe um mapa de regiões de alta probabilidade. A imagem à direita demonstra
uma imagem binária que foi gerada após a aplicação do classificador 𝑅1 .
Fonte: Própria

Os classificadores 𝑅1 e 𝑅2 classificam um pixel aplicando-se um limiar de 0.8 sobre

os mapas de probabilidades gerados, como se segue:

-6-
 1, se 𝐼𝑀𝑃 (𝑥, 𝑦) ≥ 8.0
𝐼𝑏𝑖 (𝑥, 𝑦) = { (5)
0, caso contrário

onde, 𝐼𝑀𝑃 (𝑥, 𝑦) é a imagem de alta probabilidades; e 𝐼𝑏𝑖 (𝑥, 𝑦) é a imagem binária – 𝑖 específica
de qual classificador foi gerado essa imagem; e os valores 1 e 0 representa pele e não pelo,
respectivamente. A Figura 3 ilustra o resultado da geração da uma imagem com o mapa de
regiões de alta probabilidade de pixels de pele e uma imagem binária.

O classificador Explícito 𝑅3 é um classificador por regra que utiliza todos os canais

do espaço de cores RGB como discriminantes de classes (clusters). A classificação é realizada
aplicando-se a seguinte equação parcial baseada em regras:

1, se Equação (2) for verdadeira

𝐼𝑏𝑖 (𝑥, 𝑦) = { (6)
0, caso contrário

onde, 𝐼𝑏𝑖 (𝑥, 𝑦) é a imagem binária, sendo que, o valor 1 representa as regiões de pele e, 0 as
regiões que não os são.

As imagens binárias 𝐼𝑏1 , 𝐼𝑏2 e 𝐼𝑏3 resultantes dos classificadores 𝑅1 , 𝑅2 e 𝑅3 ,

respectivamente, são somados pixel a pixel, como se segue:

𝐼Σ (𝑥, 𝑦) = 𝐼𝑏1 (𝑥, 𝑦) + 𝐼𝑏2 (𝑥, 𝑦) + 𝐼𝑏3 (𝑥, 𝑦) (7)

onde, 𝐼Σ (𝑥, 𝑦) é uma imagem (matriz) com a soma dos resultados das imagens binárias 𝐼𝑏1 , 𝐼𝑏2
e 𝐼𝑏3 .

O classificador 𝐹 realiza a classificação final tomando como entrada a imagem

𝐼Σ (sinal), e aplicando-se sobre ela a seguinte regra:

1, se 𝐼Σ (𝑥, 𝑦) ≥ 2
𝐼𝐵𝐹 (𝑥, 𝑦) = { (8)
0, caso contrário

onde, 𝐼𝐵𝐹 (𝑥, 𝑦) é uma imagem binária que contém as regiões de pixels de pele indicado pelo
valor 1. A obtenção final da imagem segmentada e colorida é dado por:

𝐼𝑜𝑢𝑡 = 𝐼𝑖𝑛 × 𝐼𝐵𝐹 (9)

onde, 𝐼𝑖𝑛 é a imagem de entrada original; 𝐼𝐵𝐹 é a imagem binária com os valores 1 representando
as regiões de pixels de pele. 𝐼𝑜𝑢𝑡 é a imagem segmentada resultante.
-7-
 3.1 Treinamento dos Parâmetros do Modelo Gaussiano

O treinamento foi composto de duas etapas: recolhimento de amostras e cálculo dos

parâmetros do modelo de distribuição gaussiana aplicado aos pixels de pele.

Figura 4 – Imagem contida no BDI. Fonte: Própria

a) Recolhimento de Amostras (Amostragem): Para amostragem dos dados utilizou-se um Banco

de Dados de Imagem (BDI) com 200 imagens. Este banco de imagens foi criado
especificamente para realização de treinamento, testes e experimentos para o desenvolvimento
deste trabalho. As imagens que constam no BDI foram selecionadas aleatoriamente da web,
tendo como único critério, que as mesmas tivessem regiões de pele humana em seu conteúdo.
A Figura 4 ilustra uma das imagens que consta no BDI criado.

A partir das imagens arquivadas no BDI, foram selecionadas 50 delas

aleatoriamente para o treinamento. Essa seleção foi realizada com o auxílio da ferramenta
MATLAB (Matrix Laboratory) utilizando-se a função rand para selecionar uma imagem
qualquer dentre as 200 existentes no BDI, tomando-se a precaução de não selecionar imagens
repetidas.
Finalizada a etapa de sorteio, onde selecionou-se 50 imagens, foram realizados
sobre todas elas a seleção (ou recorte de sub-imagens) de 4 sub-regiões com dimensão de 50 ×
50 pixels com toda sua extensão obrigatoriamente composta de pixels de pele. Ao final desse
processo, obtiveram-se 200 imagens de tamanho 50 × 50 para o treinamento como ilustrado
pela Figura 5 que demonstra algumas das imagens obtidas com o processo de amostragem que
foi aplicado.

-8-
 É importante ressaltar que as imagens digitais selecionadas aleatoriamente eram
compostas de pessoas de diversas etnias, e, portanto com diferentes tons de pele. Além disso,
elas estão sujeitas à diferentes tipos de iluminação, foco e ângulos da visão de captura não
controlados, o que podem alterar e afetar a tonalidade real da cor de pele.

Figura 5 – Imagens usadas como amostragem para o treinamento contendo apenas regiões de pele.
Fonte: Própria

b) Treinamento dos Parâmetros da Gaussiana: O uso do modelo Gaussiano de distribuição no

cálculo das regiões de alta probabilidade exige a obtenção dos parâmetros de descrição da
distribuição normal: vetor de média e matriz de covariância. Esses parâmetros podem ser
obtidos através de treinamento, onde, toma-se uma amostra da população alvo com as
características desejadas para se realizar o cálculo de obtenção do vetor de média e da matriz
de covariância (VEZHNEVETS, SAZONOV e ANDREEVA, 2003) (YANG e AHUJA, 1999).
O vetor de médias pode ser obtido calculando-se:
N
1
𝜇 = ∑ A𝑗 (10)
N
j=1

onde, 𝑁 é a quantidade total de amostras; Aj é a j-ésima amostra de pixel de pele representado

por um vetor bidimensional de intensidades de cor; e 𝜇 é o vetor de médias (VEZHNEVETS,
SAZONOV e ANDREEVA, 2003).
A matriz de covariância é uma matriz bidimensional, pois, o modelo Gaussiano
construído é bivariado, ou seja, ℝ2 . Dessa forma, o parâmetro de matriz covariância foi
calculado por meio da equação:
N
1 T
Σ⃗ = ∑(Aj − 𝜇 )(Aj − 𝜇 ) (11)
N−1
j=1
-9-
onde, N é a quantidade total de amostras; Aj é a j-ésima amostra de pixel de pele; 𝜇 é o vetor de

média, respectivamente; Σ⃗ é a matriz de covariância (VEZHNEVETS, SAZONOV e

ANDREEVA, 2003).
Os dados amostrais foram agrupados em uma matriz Aij de tamanho i = 2 e
j = 200, onde, i representa as características ou discriminantes usados para construção do
modelo; e j representa a j-ésima amostra selecionada para o treinamento.

4 ANÁLISE E RESULTADOS

A avaliação da abordagem proposta para detecção de pele deu-se pela métrica de taxas
de erros dos pixels que foram classificados como Falsos Positivos (FP), Falsos Negativos (FN)
e Erro Total (ET).

Falsos positivos são pixels que foram classificados como sendo de pele, mas, não os
são. Falsos negativos são os pixels que deveriam ter sidos classificados como pele, mas, não os
foram.

Na metodologia aplicada para o cálculo das taxas de erros, selecionamos 20 imagens

aleatórias do banco de imagens - equivalente à 10% do total de imagens contidas no BDI, que
são de 200 imagens - para serem aplicadas o método de detecção de pele, e podermos calcular
a taxa de erros sobre os resultados obtidos com a classificação.

Para cada imagem individualmente foi calculado as taxas de erros de falsos positivos,
falsos negativos e erro total. Além disso, calculou-se as taxas de erro médio de falsos positivos,
falsos negativos e erro total levando em consideração todas as imagens segmentadas. Para cada
imagem selecionada para segmentação gerou-se o seu conjunto verdade (groundTruth), ou seja,
segmentou-se manualmente as regiões de pele. A imagem (a) e (b) da Figura 6 ilustra uma das
imagens que foram selecionadas e o seu conjunto verdade.

- 10 -
Figura 6 – Em (a) representa a imagem de entrada. Em (b) o conjunto verdade (groundTruth) de (a). Em (c) e (d)
temos o resultado da segmentação realizado pelo detector de pele representado por uma imagem binária e por uma
colorida, respectivamente.
Fonte: Própria

O cálculo da taxa de erro dos falsos positivos é dado por:

PFP
TFP = (12)
Pnp

onde, PFP é quantidade de pixels detectados como pele que, no entanto, não os são; e Pnp é
quantidade total de pixels de não-pele existente na imagem avaliada.

O cálculo da taxa de erro dos falsos negativos é dado por:

PFN
TFN = (13)
Pp

onde, PFN é quantidade pixels que deveriam ter sidos detectados como pele, mas, não os foram;
e Pp é quantidade total de pixels de pele existente na imagem avaliada.

O cálculo da taxa de erro total é dado por:

PFP + PFN
TET = (14)
N

onde, N é quantidade total de pixels na imagem avaliada.

A tabela 1 demonstra os resultados de taxas de erros obtidos sobre cada uma das
imagens selecionadas para teste, e informa a média desses erros sobre os FP, FN e ET.

- 11 -
 Tabela 1 – Taxa de erros de Falsos Positivos, Falsos Negativos e Erro Total.

Fonte: própria

Os resultados alcançados pela Tabela 1 demonstra que a abordagem tem baixo índice
de taxa de erro médio de Falsos Positivos. O classificador tende não classificar um pixel que
não é pele como pele. Observando a taxa de erros médio de Falsos Negativos evidencia-se uma
taxa de erros em torno de 35%, o que não é um resultado muito satisfatório, pois, o classificador
tende a não identificar os pixels que são pele. Já, o erro total médio ficou em torno de 15%, no
entanto, esse índice não revela onde o classificador errou, pois, seu resultado é influenciado
pelos diferentes tamanhos de imagens selecionadas. Portanto, ele leva em consideração a
classificação de todos os pixels das imagens sem identifica se o classificador errou em não
classificar pixels como pele ou errou classificando pixels como pele sendo que eles não os são.

5 CONSIDERAÇÕES

O trabalho desenvolvido apresentou um modelo de detecção de pele baseados na

combinação de quatro modelos de classificadores, onde, três são usados como detectores
parciais e um é usado como moderador dos resultados obtidos com os três classificadores
anteriores. Os resultados alcançados com essa metodologia foram bons no aspecto geral, pois,

- 12 -
a taxa média de Erro Total fica em torno de 15%. No entanto, quando analisamos os resultados
dentro dos aspectos individuais relativos aos erros de Falsos Positivos e Falsos Negativos,
averiguamos que a resultados demonstrados pela Tabela 1 da seção 4 que a combinação de
classificadores minimiza o erro de classificação de Falsos Positivos com uma taxa média de
erros 8%. No entanto, o classificador possui uma taxa razoável de acertos na classificação de
pixels como pele, pois, a taxa de erros médio de Falsos negativos possui uma taxa média de
erros em torno de 35%. Esse fato, demonstra que para trabalhos futuros pode-se focar em
métodos que possam minimizar a taxa de erros de Falsos Negativos. Dessa forma, uma possível
modificação no método que possa resolver esse problema é acoplar dois classificadores a mais
ao modelo. Esses dois novos classificadores receberiam como entrada a saída do modelo atual
e se focariam em corrigir os resultados pela identificação dos erros, ou seja, um dos
classificadores ficaria responsável em detectar os Falsos Positivos, e ou outros em detectar os
Falsos Negativos. Além disso, para trabalhos futuros poderiam aplicar um modelo de mistura
de gaussianas com função de densidade probabilística, o que poderia melhorar a fronteira de
separabilidades entres os conjuntos pele e não pele.

- 13 -
REFERÊNCIAS

CARVALHO, F. J. S.; TAVARES, J. M. R. S. Detecção de Faces em Imagens baseada na Identificação da

Pele e dos Olhos. Tekhné – Revista de Estudos Politécnicos, v. VI, n. 9, p. 266-291, Junho 2008.
Disponivel em: <http://www.scielo.mec.pt/scielo.php?pid=S1645-99112008000100014&script=sci_a
bstract&tlng=p>.

CASATI, J. P. B. Método para segmentação de pele humana em imagens faciais baseado em

informações de cor e textura, São Carlos, 10 dez. 2013. Disponivel em:
<http://www.teses.usp.br/teses/disponiveis/18/18152/tde-30012014-152011/pt-br.php>. Acesso
em: 2015.

LOPES, C. B. O. Detecção visual de atividade de voz com base na movimentação labial, Porto Alegre,
2013. Disponivel em: <http://hdl.handle.net/10183/72922>. Acesso em: 2014.

MEDEIROS, R. S. Detecção de pele humana utilizando modelos estocásticos multi-escala de textura,

Porto Alegre, 2013. Disponivel em: <https://lume.ufrgs.br/handle/10183/70193>. Acesso em: 2015.

VEZHNEVETS, V.; SAZONOV, V.; ANDREEVA, A. A Survey on Pixel-Based Skin Color Detection
Techniques. IN PROC. GRAPHICON-2003, p. 85-92, 2003.

YANG, M.-H.; AHUJA, N. Gaussian Mixture Model for Human Skin Color and Its Applications in Image
and Video Databases. Storage and Retrieval for Image and Video Databases, v. 3656, p. 458-466,
1999.

- 14 -