CN107330900A - 一种自动人像分割方法 - Google Patents
一种自动人像分割方法 Download PDFInfo
- Publication number
- CN107330900A CN107330900A CN201710481570.0A CN201710481570A CN107330900A CN 107330900 A CN107330900 A CN 107330900A CN 201710481570 A CN201710481570 A CN 201710481570A CN 107330900 A CN107330900 A CN 107330900A
- Authority
- CN
- China
- Prior art keywords
- portrait
- segmentation
- network
- dividing method
- automatic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种自动人像分割方法,包括步骤模型训练、人像初步分割和人像精确分割;所述模型训练包括步骤:获取训练数据;将训练数据输入神经网络,学习得到网络参数模型;当神经网络收敛后,存储所述网络参数模型,完成模型训练;所述人像初步分割包括步骤:载入所述网络参数模型到移动客户端;利用移动客户端获取输入图像;将所述输入图像输入网络参数模型,得到人像分割初步图像;所述人像精确分割包括步骤:对人像分割初步图像,去除错分的孤立区,保留连通区域;利用抠像算法对连通区域分割细节,突出边缘,得到人像分割最终图像。本发明能够自动且准确的进行人像分割,耗时短且占用空间小,适用于移动客户端。
Description
技术领域
本发明属于图像处理技术领域,特别是涉及一种自动人像分割方法。
背景技术
近年来,随着科技的发展,每天都有大量的数字图片产生,而各种图像处理技术也是层出不穷。其中,对人像的个性化处理更是一个极富活力的研究领域。从美肤、五官美化、背景替换,每一步都为人像美化提供了助力。而快速准确的人像分割正是前述背景替换模块的关键步骤。分割的准确性直接影响了背景替换的质量与多样性,同时,也影响了美肤的一致性。
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,近期等基于深度学习的fcn等。交互式方法,往往需要用户对图像分割有一定的了解,可以画出比较好的分割线,用户体验稍差,且分割速度较慢,通常需要几十秒的时间;基于crf的分割同样是速度较慢;而fcn方法存在的问题主要有三点,一是模型尺寸较大,通常有几百兆,不利于用于移动端,二是计算量较大,速度非常慢,通常需要几秒到几十秒;三是计算过程中涉及到pooling层计算,影响了分割的精度。
发明内容
为了解决上述问题,本发明提出了一种自动人像分割方法,能够自动且准确的进行人像分割,耗时短且占用空间小,适用于移动客户端。
为达到上述目的,本发明采用的技术方案是:
一种自动人像分割方法,包括步骤模型训练、人像初步分割和人像精确分割;
所述模型训练包括步骤:获取训练数据;将训练数据输入神经网络,学习得到网络参数模型;当神经网络收敛后,存储所述网络参数模型,完成模型训练;
所述人像初步分割包括步骤:载入所述网络参数模型到移动客户端;利用移动客户端获取输入图像;将所述输入图像输入网络参数模型,得到人像分割初步图像;
所述人像精确分割包括步骤:对人像分割初步图像,去除错分的孤立区,保留连通区域;利用抠像算法对连通区域分割细节,突出边缘,得到人像分割最终图像。
进一步的是,所述获取训练数据过程包括步骤:搜集人像图片;人工标注人像区域,形成与人像图片对应的掩码图;将掩码图进行缩放至预定尺寸后构成训练数据。
进一步的是,所述神经网络包含卷积模块、上采样层和softmax层;每个所述卷积模块包括卷积层、relu层和pooling层。
进一步的是,所述神经网络包含5个卷积模块、2个上采样层和1个softmax层。
进一步的是,将训练数据输入神经网络后,初始化神经网络;用自适应估计矩阵算法更新神经网络权值;训练过程中,动态调节学习率;经过学习得到网络参数模型。
进一步的是,获取输入图像后,将输入图像进行尺寸缩放到预定尺寸;再将缩放后的图像输入网络参数模型,得到人像分割掩码图,人像分割掩码图作为人像分割初步图像。
进一步的是,将所述人像分割掩码图进行形态学运算,去除错分的孤立区,获得多个连通区域;计算各连通区域的面积并排序,去除不在预设区域内的连通区域,保留剩余的连通区域。
进一步的是,对所述保留的连通区域的外边缘处根据预定像素建立扩展区域,通过抠像算法对扩展区域进行分割细节和突出边缘,得到人像分割最终图像。
采用本技术方案的有益效果:
本发明提出一个瘦长型的深度神经网络结构,极大地缩减了计算量和模型尺寸,从而实现移动端快速人像分割;
本发明提出一个高效的分割算法,提高分割精度,在我们的标注数据集上IOU为94.16%;标注大量的训练数据,极大地提高了训练模型的性能。
附图说明
图1为本发明的一种自动人像分割方法流程示意图;
图2为本发明中模型训练的流程示意图;
图3为本发明中人像初步分割的流程示意图;
图4为本发明中人像精确分割的流程示意图;
图5为本发明中神经网络的结构示意图;
图6为本发明中卷积模块的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本实施例中,参见图1-图4所示,本发明提出了一种自动人像分割方法,包括步骤模型训练、人像初步分割和人像精确分割。
1.所述模型训练包括步骤:获取训练数据;将训练数据输入神经网络,学习得到网络参数模型;当神经网络收敛后,存储所述网络参数模型,完成模型训练。
所述获取训练数据过程包括步骤:搜集人像图片;人工标注人像区域,形成与人像图片对应的掩码图;将掩码图进行缩放至预定尺寸后构成训练数据。
如图5和图6所示,所述神经网络包含卷积模块、上采样层和softmax层;每个所述卷积模块包括卷积层、relu层和pooling层。
优选的是,所述神经网络包含5个卷积模块、2个上采样层和1个softmax层。
将训练数据输入神经网络后,初始化神经网络;用自适应估计矩阵算法更新神经网络权值;训练过程中,动态调节学习率;经过学习得到网络参数模型。
2.所述人像初步分割包括步骤:载入所述网络参数模型到移动客户端;利用移动客户端获取输入图像;将所述输入图像输入网络参数模型,得到人像分割初步图像。
获取输入图像后,将输入图像进行尺寸缩放到预定尺寸;再将缩放后的图像输入网络参数模型,得到人像分割掩码图,人像分割掩码图作为人像分割初步图像。
3.所述人像精确分割包括步骤:对人像分割初步图像,去除错分的孤立区,保留连通区域;利用抠像算法对连通区域分割细节,突出边缘,得到人像分割最终图像。
所述人像分割掩码图进行形态学运算,去除错分的孤立区,获得多个连通区域;计算各连通区域的面积并排序,去除不在预设区域内的连通区域,保留剩余的连通区域。
对所述保留的连通区域的外边缘处根据预定像素建立扩展区域,通过抠像算法对扩展区域进行分割细节和突出边缘,得到人像分割最终图像。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种自动人像分割方法,其特征在于,包括步骤:模型训练、人像初步分割和人像精确分割;
所述模型训练包括步骤:获取训练数据;将训练数据输入神经网络,学习得到网络参数模型;当神经网络收敛后,存储所述网络参数模型,完成模型训练;
所述人像初步分割包括步骤:载入所述网络参数模型到移动客户端;利用移动客户端获取输入图像;将所述输入图像输入网络参数模型,得到人像分割初步图像;
所述人像精确分割包括步骤:对人像分割初步图像,去除错分的孤立区,保留连通区域;利用抠像算法对连通区域分割细节,突出边缘,得到人像分割最终图像。
2.根据权利要求1所述的一种自动人像分割方法,其特征在于,所述获取训练数据过程包括步骤:搜集人像图片;人工标注人像区域,形成与人像图片对应的掩码图;将掩码图进行缩放至预定尺寸后构成训练数据。
3.根据权利要求2所述的一种自动人像分割方法,其特征在于,所述神经网络包含卷积模块、上采样层和softmax层;每个所述卷积模块包括卷积层、relu层和pooling层。
4.根据权利要求3所述的一种自动人像分割方法,其特征在于,所述神经网络包含5个卷积模块、2个上采样层和1个softmax层。
5.根据权利要求4所述的一种自动人像分割方法,其特征在于,将训练数据输入神经网络后,初始化神经网络;用自适应估计矩阵算法更新神经网络权值;训练过程中,动态调节学习率;经过学习得到网络参数模型。
6.根据权利要求5所述的一种自动人像分割方法,其特征在于,获取输入图像后,将输入图像进行尺寸缩放到预定尺寸;再将缩放后的图像输入网络参数模型,得到人像分割掩码图,所述人像分割掩码图作为人像分割初步图像。
7.根据权利要求6所述的一种自动人像分割方法,其特征在于,将所述人像分割掩码图进行形态学运算,去除错分的孤立区,获得多个连通区域;计算各连通区域的面积并排序,去除不在预设区域内的连通区域,保留剩余的连通区域。
8.根据权利要求7所述的一种自动人像分割方法,其特征在于,对所述保留的连通区域的外边缘处根据预定像素建立扩展区域,通过抠像算法对扩展区域进行分割细节和突出边缘,得到人像分割最终图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710481570.0A CN107330900A (zh) | 2017-06-22 | 2017-06-22 | 一种自动人像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710481570.0A CN107330900A (zh) | 2017-06-22 | 2017-06-22 | 一种自动人像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330900A true CN107330900A (zh) | 2017-11-07 |
Family
ID=60194367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710481570.0A Pending CN107330900A (zh) | 2017-06-22 | 2017-06-22 | 一种自动人像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330900A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182674A (zh) * | 2017-12-14 | 2018-06-19 | 合肥金星机电科技发展有限公司 | 基于U-Net深度学习网络的粒度检测分析方法 |
CN109035257A (zh) * | 2018-07-02 | 2018-12-18 | 百度在线网络技术(北京)有限公司 | 人像分割方法、装置及设备 |
CN109816011A (zh) * | 2019-01-21 | 2019-05-28 | 厦门美图之家科技有限公司 | 生成人像分割模型的方法和视频关键帧提取方法 |
CN110049378A (zh) * | 2019-04-17 | 2019-07-23 | 珠海格力电器股份有限公司 | 一种视频模式下的互动方法、控制***及终端 |
CN110610526A (zh) * | 2019-08-12 | 2019-12-24 | 江苏大学 | 一种基于wnet对单目人像进行分割和景深渲染的方法 |
CN110992374A (zh) * | 2019-11-28 | 2020-04-10 | 杭州趣维科技有限公司 | 一种基于深度学习的头发精细化分割方法及*** |
CN111401247A (zh) * | 2020-03-17 | 2020-07-10 | 杭州趣维科技有限公司 | 一种基于级联卷积神经网络的人像分割方法 |
CN111627098A (zh) * | 2020-05-21 | 2020-09-04 | 广州光锥元信息科技有限公司 | 对图像中水流区域识别并生成动态水流视频的方法及装置 |
CN114612971A (zh) * | 2022-03-04 | 2022-06-10 | 北京百度网讯科技有限公司 | 人脸检测方法、模型训练方法、电子设备及程序产品 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682297A (zh) * | 2012-05-07 | 2012-09-19 | 中北大学 | 模拟视觉细胞感受野特性的pcnn人脸图像分割方法 |
CN104463865A (zh) * | 2014-12-05 | 2015-03-25 | 浙江大学 | 一种人像分割方法 |
CN104881647A (zh) * | 2015-05-27 | 2015-09-02 | 北京旷视科技有限公司 | 信息处理方法、信息处理***和信息处理装置 |
CN105550669A (zh) * | 2016-01-27 | 2016-05-04 | 大连楼兰科技股份有限公司 | 一种基于图像识别的智能事故勘测方法 |
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务*** |
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及*** |
CN106650662A (zh) * | 2016-12-21 | 2017-05-10 | 北京旷视科技有限公司 | 目标对象遮挡检测方法及装置 |
-
2017
- 2017-06-22 CN CN201710481570.0A patent/CN107330900A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682297A (zh) * | 2012-05-07 | 2012-09-19 | 中北大学 | 模拟视觉细胞感受野特性的pcnn人脸图像分割方法 |
CN104463865A (zh) * | 2014-12-05 | 2015-03-25 | 浙江大学 | 一种人像分割方法 |
CN104881647A (zh) * | 2015-05-27 | 2015-09-02 | 北京旷视科技有限公司 | 信息处理方法、信息处理***和信息处理装置 |
CN105550669A (zh) * | 2016-01-27 | 2016-05-04 | 大连楼兰科技股份有限公司 | 一种基于图像识别的智能事故勘测方法 |
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务*** |
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及*** |
CN106650662A (zh) * | 2016-12-21 | 2017-05-10 | 北京旷视科技有限公司 | 目标对象遮挡检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
任磊: "棉花图像分割算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
董长虹: "《Matlab图像处理与应用》", 31 January 2004, 国防工业出版社 * |
陈伟: "《煤矿监控图像分析方法研究》", 31 December 2011, 中国矿业大学出版社 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182674A (zh) * | 2017-12-14 | 2018-06-19 | 合肥金星机电科技发展有限公司 | 基于U-Net深度学习网络的粒度检测分析方法 |
CN108182674B (zh) * | 2017-12-14 | 2021-11-23 | 合肥金星机电科技发展有限公司 | 基于U-Net深度学习网络的粒度检测分析方法 |
CN109035257A (zh) * | 2018-07-02 | 2018-12-18 | 百度在线网络技术(北京)有限公司 | 人像分割方法、装置及设备 |
CN109816011B (zh) * | 2019-01-21 | 2021-09-07 | 厦门美图之家科技有限公司 | 视频关键帧提取方法 |
CN109816011A (zh) * | 2019-01-21 | 2019-05-28 | 厦门美图之家科技有限公司 | 生成人像分割模型的方法和视频关键帧提取方法 |
CN110049378A (zh) * | 2019-04-17 | 2019-07-23 | 珠海格力电器股份有限公司 | 一种视频模式下的互动方法、控制***及终端 |
CN110610526A (zh) * | 2019-08-12 | 2019-12-24 | 江苏大学 | 一种基于wnet对单目人像进行分割和景深渲染的方法 |
CN110610526B (zh) * | 2019-08-12 | 2023-09-22 | 江苏大学 | 一种基于wnet对单目人像进行分割和景深渲染的方法 |
CN110992374A (zh) * | 2019-11-28 | 2020-04-10 | 杭州趣维科技有限公司 | 一种基于深度学习的头发精细化分割方法及*** |
CN110992374B (zh) * | 2019-11-28 | 2023-09-05 | 杭州小影创新科技股份有限公司 | 一种基于深度学习的头发精细化分割方法及*** |
CN111401247A (zh) * | 2020-03-17 | 2020-07-10 | 杭州趣维科技有限公司 | 一种基于级联卷积神经网络的人像分割方法 |
CN111401247B (zh) * | 2020-03-17 | 2023-07-28 | 杭州小影创新科技股份有限公司 | 一种基于级联卷积神经网络的人像分割方法 |
CN111627098A (zh) * | 2020-05-21 | 2020-09-04 | 广州光锥元信息科技有限公司 | 对图像中水流区域识别并生成动态水流视频的方法及装置 |
CN111627098B (zh) * | 2020-05-21 | 2023-04-07 | 广州光锥元信息科技有限公司 | 对图像中水流区域识别并生成动态水流视频的方法及装置 |
CN114612971A (zh) * | 2022-03-04 | 2022-06-10 | 北京百度网讯科技有限公司 | 人脸检测方法、模型训练方法、电子设备及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330900A (zh) | 一种自动人像分割方法 | |
CN105825484B (zh) | 一种基于深度学习的深度图像去噪及增强方法 | |
CN110517279B (zh) | 头颈血管中心线提取方法及装置 | |
CN109101975A (zh) | 基于全卷积神经网络的图像语义分割方法 | |
CN109285162A (zh) | 一种基于局部区域条件随机场模型的图像语义分割方法 | |
CN106780367B (zh) | 基于字典学习的hdr照片风格转移方法 | |
CN107730536B (zh) | 一种基于深度特征的高速相关滤波物体追踪方法 | |
CN113240691A (zh) | 一种基于u型网络的医学图像分割方法 | |
CN109685811A (zh) | 基于双路径U-net卷积神经网络的PET/CT高代谢***分割方法 | |
CN109145941A (zh) | 一种非规则宫颈细胞团图像分类方法及*** | |
CN112232351B (zh) | 一种基于深度神经网络的车牌识别*** | |
CN106960457B (zh) | 一种基于图像语义提取和涂鸦的彩绘画创作方法 | |
CN104143186B (zh) | 一种slic超像素分块优化方法 | |
CN104680558B (zh) | 使用GPU硬件加速的Struck目标跟踪方法 | |
CN110096202B (zh) | 一种基于深度强化学习的轻量级图像自动裁剪***及方法 | |
CN113888501B (zh) | 一种基于注意力定位网络的无参考型图像质量评价方法 | |
CN105809666A (zh) | 图像抠图方法及装置 | |
CN109376859A (zh) | 一种基于菱形卷积的神经网络剪枝方法 | |
CN107103311A (zh) | 一种连续手语的识别方法及其装置 | |
CN109712095A (zh) | 一种快速边缘保留的人脸美化方法 | |
CN100487732C (zh) | 一种基于人脸照片的卡通肖像生成方法 | |
CN103761736B (zh) | 一种基于贝叶斯和谐度的图像分割方法 | |
CN109859222A (zh) | 基于级联神经网络的边缘提取方法及*** | |
CN112633288A (zh) | 一种基于绘画笔触指导的人脸素描生成方法 | |
CN110324613B (zh) | 一种面向视频传输质量的深度学习图像评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171107 |
|
RJ01 | Rejection of invention patent application after publication |