本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別是涉及一種自動(dòng)人像分割方法。

背景技術(shù)：

近年來(lái)，隨著科技的發(fā)展，每天都有大量的數(shù)字圖片產(chǎn)生，而各種圖像處理技術(shù)也是層出不窮。其中，對(duì)人像的個(gè)性化處理更是一個(gè)極富活力的研究領(lǐng)域。從美膚、五官美化、背景替換，每一步都為人像美化提供了助力。而快速準(zhǔn)確的人像分割正是前述背景替換模塊的關(guān)鍵步驟。分割的準(zhǔn)確性直接影響了背景替換的質(zhì)量與多樣性，同時(shí)，也影響了美膚的一致性。

目前，存在很多人像分割算法，比如早期的交互式分割graphcut等，基于crf的分割，近期等基于深度學(xué)習(xí)的fcn等。交互式方法，往往需要用戶對(duì)圖像分割有一定的了解，可以畫出比較好的分割線，用戶體驗(yàn)稍差，且分割速度較慢，通常需要幾十秒的時(shí)間；基于crf的分割同樣是速度較慢；而fcn方法存在的問(wèn)題主要有三點(diǎn)，一是模型尺寸較大，通常有幾百兆，不利于用于移動(dòng)端，二是計(jì)算量較大，速度非常慢，通常需要幾秒到幾十秒；三是計(jì)算過(guò)程中涉及到pooling層計(jì)算，影響了分割的精度。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述問(wèn)題，本發(fā)明提出了一種自動(dòng)人像分割方法，能夠自動(dòng)且準(zhǔn)確的進(jìn)行人像分割，耗時(shí)短且占用空間小，適用于移動(dòng)客戶端。

為達(dá)到上述目的，本發(fā)明采用的技術(shù)方案是：

一種自動(dòng)人像分割方法，包括步驟模型訓(xùn)練、人像初步分割和人像精確分割；

所述模型訓(xùn)練包括步驟：獲取訓(xùn)練數(shù)據(jù)；將訓(xùn)練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)得到網(wǎng)絡(luò)參數(shù)模型；當(dāng)神經(jīng)網(wǎng)絡(luò)收斂后，存儲(chǔ)所述網(wǎng)絡(luò)參數(shù)模型，完成模型訓(xùn)練；

所述人像初步分割包括步驟：載入所述網(wǎng)絡(luò)參數(shù)模型到移動(dòng)客戶端；利用移動(dòng)客戶端獲取輸入圖像；將所述輸入圖像輸入網(wǎng)絡(luò)參數(shù)模型，得到人像分割初步圖像；

所述人像精確分割包括步驟：對(duì)人像分割初步圖像，去除錯(cuò)分的孤立區(qū)，保留連通區(qū)域；利用摳像算法對(duì)連通區(qū)域分割細(xì)節(jié)，突出邊緣，得到人像分割最終圖像。

進(jìn)一步的是，所述獲取訓(xùn)練數(shù)據(jù)過(guò)程包括步驟：搜集人像圖片；人工標(biāo)注人像區(qū)域，形成與人像圖片對(duì)應(yīng)的掩碼圖；將掩碼圖進(jìn)行縮放至預(yù)定尺寸后構(gòu)成訓(xùn)練數(shù)據(jù)。

進(jìn)一步的是，所述神經(jīng)網(wǎng)絡(luò)包含卷積模塊、上采樣層和softmax層；每個(gè)所述卷積模塊包括卷積層、relu層和pooling層。

進(jìn)一步的是，所述神經(jīng)網(wǎng)絡(luò)包含5個(gè)卷積模塊、2個(gè)上采樣層和1個(gè)softmax層。

進(jìn)一步的是，將訓(xùn)練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)后，初始化神經(jīng)網(wǎng)絡(luò)；用自適應(yīng)估計(jì)矩陣算法更新神經(jīng)網(wǎng)絡(luò)權(quán)值；訓(xùn)練過(guò)程中，動(dòng)態(tài)調(diào)節(jié)學(xué)習(xí)率；經(jīng)過(guò)學(xué)習(xí)得到網(wǎng)絡(luò)參數(shù)模型。

進(jìn)一步的是，獲取輸入圖像后，將輸入圖像進(jìn)行尺寸縮放到預(yù)定尺寸；再將縮放后的圖像輸入網(wǎng)絡(luò)參數(shù)模型，得到人像分割掩碼圖，人像分割掩碼圖作為人像分割初步圖像。

進(jìn)一步的是，將所述人像分割掩碼圖進(jìn)行形態(tài)學(xué)運(yùn)算，去除錯(cuò)分的孤立區(qū)，獲得多個(gè)連通區(qū)域；計(jì)算各連通區(qū)域的面積并排序，去除不在預(yù)設(shè)區(qū)域內(nèi)的連通區(qū)域，保留剩余的連通區(qū)域。

進(jìn)一步的是，對(duì)所述保留的連通區(qū)域的外邊緣處根據(jù)預(yù)定像素建立擴(kuò)展區(qū)域，通過(guò)摳像算法對(duì)擴(kuò)展區(qū)域進(jìn)行分割細(xì)節(jié)和突出邊緣，得到人像分割最終圖像。

采用本技術(shù)方案的有益效果：

本發(fā)明提出一個(gè)瘦長(zhǎng)型的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，極大地縮減了計(jì)算量和模型尺寸，從而實(shí)現(xiàn)移動(dòng)端快速人像分割；

本發(fā)明提出一個(gè)高效的分割算法，提高分割精度，在我們的標(biāo)注數(shù)據(jù)集上iou為94.16％；標(biāo)注大量的訓(xùn)練數(shù)據(jù)，極大地提高了訓(xùn)練模型的性能。

附圖說(shuō)明

圖1為本發(fā)明的一種自動(dòng)人像分割方法流程示意圖；

圖2為本發(fā)明中模型訓(xùn)練的流程示意圖；

圖3為本發(fā)明中人像初步分割的流程示意圖；

圖4為本發(fā)明中人像精確分割的流程示意圖；

圖5為本發(fā)明中神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；

圖6為本發(fā)明中卷積模塊的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步闡述。

在本實(shí)施例中，參見(jiàn)圖1-圖4所示，本發(fā)明提出了一種自動(dòng)人像分割方法，包括步驟模型訓(xùn)練、人像初步分割和人像精確分割。

1.所述模型訓(xùn)練包括步驟：獲取訓(xùn)練數(shù)據(jù)；將訓(xùn)練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)得到網(wǎng)絡(luò)參數(shù)模型；當(dāng)神經(jīng)網(wǎng)絡(luò)收斂后，存儲(chǔ)所述網(wǎng)絡(luò)參數(shù)模型，完成模型訓(xùn)練。

所述獲取訓(xùn)練數(shù)據(jù)過(guò)程包括步驟：搜集人像圖片；人工標(biāo)注人像區(qū)域，形成與人像圖片對(duì)應(yīng)的掩碼圖；將掩碼圖進(jìn)行縮放至預(yù)定尺寸后構(gòu)成訓(xùn)練數(shù)據(jù)。

如圖5和圖6所示，所述神經(jīng)網(wǎng)絡(luò)包含卷積模塊、上采樣層和softmax層；每個(gè)所述卷積模塊包括卷積層、relu層和pooling層。

優(yōu)選的是，所述神經(jīng)網(wǎng)絡(luò)包含5個(gè)卷積模塊、2個(gè)上采樣層和1個(gè)softmax層。

將訓(xùn)練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)后，初始化神經(jīng)網(wǎng)絡(luò)；用自適應(yīng)估計(jì)矩陣算法更新神經(jīng)網(wǎng)絡(luò)權(quán)值；訓(xùn)練過(guò)程中，動(dòng)態(tài)調(diào)節(jié)學(xué)習(xí)率；經(jīng)過(guò)學(xué)習(xí)得到網(wǎng)絡(luò)參數(shù)模型。

2.所述人像初步分割包括步驟：載入所述網(wǎng)絡(luò)參數(shù)模型到移動(dòng)客戶端；利用移動(dòng)客戶端獲取輸入圖像；將所述輸入圖像輸入網(wǎng)絡(luò)參數(shù)模型，得到人像分割初步圖像。

獲取輸入圖像后，將輸入圖像進(jìn)行尺寸縮放到預(yù)定尺寸；再將縮放后的圖像輸入網(wǎng)絡(luò)參數(shù)模型，得到人像分割掩碼圖，人像分割掩碼圖作為人像分割初步圖像。

3.所述人像精確分割包括步驟：對(duì)人像分割初步圖像，去除錯(cuò)分的孤立區(qū)，保留連通區(qū)域；利用摳像算法對(duì)連通區(qū)域分割細(xì)節(jié)，突出邊緣，得到人像分割最終圖像。

所述人像分割掩碼圖進(jìn)行形態(tài)學(xué)運(yùn)算，去除錯(cuò)分的孤立區(qū)，獲得多個(gè)連通區(qū)域；計(jì)算各連通區(qū)域的面積并排序，去除不在預(yù)設(shè)區(qū)域內(nèi)的連通區(qū)域，保留剩余的連通區(qū)域。

對(duì)所述保留的連通區(qū)域的外邊緣處根據(jù)預(yù)定像素建立擴(kuò)展區(qū)域，通過(guò)摳像算法對(duì)擴(kuò)展區(qū)域進(jìn)行分割細(xì)節(jié)和突出邊緣，得到人像分割最終圖像。

以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說(shuō)明書中描述的只是說(shuō)明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書及其等效物界定。

技術(shù)特征：

技術(shù)總結(jié)
本發(fā)明公開一種自動(dòng)人像分割方法，包括步驟模型訓(xùn)練、人像初步分割和人像精確分割；所述模型訓(xùn)練包括步驟：獲取訓(xùn)練數(shù)據(jù)；將訓(xùn)練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)得到網(wǎng)絡(luò)參數(shù)模型；當(dāng)神經(jīng)網(wǎng)絡(luò)收斂后，存儲(chǔ)所述網(wǎng)絡(luò)參數(shù)模型，完成模型訓(xùn)練；所述人像初步分割包括步驟：載入所述網(wǎng)絡(luò)參數(shù)模型到移動(dòng)客戶端；利用移動(dòng)客戶端獲取輸入圖像；將所述輸入圖像輸入網(wǎng)絡(luò)參數(shù)模型，得到人像分割初步圖像；所述人像精確分割包括步驟：對(duì)人像分割初步圖像，去除錯(cuò)分的孤立區(qū)，保留連通區(qū)域；利用摳像算法對(duì)連通區(qū)域分割細(xì)節(jié)，突出邊緣，得到人像分割最終圖像。本發(fā)明能夠自動(dòng)且準(zhǔn)確的進(jìn)行人像分割，耗時(shí)短且占用空間小，適用于移動(dòng)客戶端。

技術(shù)研發(fā)人員：陳丹
受保護(hù)的技術(shù)使用者：成都品果科技有限公司
技術(shù)研發(fā)日：2017.06.22
技術(shù)公布日：2017.11.07