專利名稱：從頭部圖像中自動(dòng)分割頭發(fā)的方法及其系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及頭發(fā)分割領(lǐng)域，尤其涉及從頭部圖像中自動(dòng)分割頭發(fā)的方法及其系統(tǒng)。
背景技術(shù)：
頭發(fā)對人的整體形象，起著至關(guān)重要的作用。因此，頭發(fā)建模、編輯、著色、合成及動(dòng)畫制作等頭發(fā)相關(guān)的應(yīng)用，在近些年來已經(jīng)引起越來越多的關(guān)注。這些任務(wù)中，頭發(fā)分割往往作為前端的首要任務(wù)。然而，在頭發(fā)相關(guān)應(yīng)用中，頭發(fā)通常被認(rèn)為是分割好的，或者手動(dòng)標(biāo)定。除了頭發(fā)相關(guān)的應(yīng)用，許多計(jì)算機(jī)視覺任務(wù)都可以從頭發(fā)分割技術(shù)中獲益。比如， 男性和女性的發(fā)型一般有很大的不同，分割得到的頭發(fā)可以為性別分類提供重要的線索； 而隨著年齡的變化，人們的發(fā)型風(fēng)格、頭發(fā)顏色，尤其是老年時(shí)，會(huì)發(fā)生很大變化，由此頭發(fā)也有助于年齡的估計(jì)。另外，由于通常人們不會(huì)在短時(shí)間內(nèi)經(jīng)常改變發(fā)型，頭發(fā)還可對身份識別有所貢獻(xiàn)?？傊覀儜?yīng)當(dāng)對自動(dòng)頭發(fā)分割問題給予更多的關(guān)注。由于頭發(fā)的模式變化多樣，而圖像中的背景又往往比較復(fù)雜，頭發(fā)分割面臨著一定的挑戰(zhàn)性。已有的頭發(fā)分割技術(shù)包括利用幾何和顏色模型，針對光照和陰影建立簡單的顏色模型；或采用頻率統(tǒng)計(jì)和顏色分析選取種子，而后擴(kuò)展頭發(fā)區(qū)域。但這些方法基本都是采用顏色等，建立產(chǎn)生式模型，沒有充分利用頭發(fā)和背景的判別性信息，造成分割結(jié)果不夠準(zhǔn)確。SVM(Support Vector Machine,支持向量機(jī))是 Cortes 和 Vapnik 首先提出的。 SVM通過某種事先選擇的非線性映射將輸入向量映射到一個(gè)高維特征空間中，并在此高維特征空間中構(gòu)造最大邊緣間隔的分類超平面，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出特有的優(yōu)勢。

發(fā)明內(nèi)容
為解決上述問題，本發(fā)明提供了從頭部圖像中自動(dòng)分割頭發(fā)的方法及其系統(tǒng)，能夠提高頭發(fā)分割準(zhǔn)確性。本發(fā)明公開了一種從頭部圖像中自動(dòng)分割頭發(fā)的方法，包括步驟1，通過人臉檢測和特征定位算法從訓(xùn)練集中的圖像和待分割的圖像中提取含有人臉和頭發(fā)的頭部圖像，以提取的頭部圖像作為后續(xù)處理的對象，并對提取出的頭部圖像進(jìn)行歸一化；步驟2，對于訓(xùn)練集中圖像的頭部圖像，根據(jù)各個(gè)頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)計(jì)算位置先驗(yàn)概率，組成位置先驗(yàn)?zāi)Ｐ停鑫恢孟闰?yàn)?zāi)Ｐ桶鱾€(gè)像素位于頭發(fā)區(qū)域中的位置先驗(yàn)概率，并對于訓(xùn)練集中已標(biāo)記頭發(fā)點(diǎn)的圖像提取特征，進(jìn)行通用的頭發(fā)和非頭發(fā) SVM分類器的學(xué)習(xí)；步驟3，依據(jù)所述位置先驗(yàn)?zāi)Ｐ秃退鲱^發(fā)和非頭發(fā)SVM分類器從待分割的圖像的頭部圖像中選擇頭發(fā)種子和背景種子；
5
步驟4，從所述頭發(fā)種子區(qū)域和背景種子區(qū)域中提取特征，依據(jù)所述特征完成對應(yīng)于待分割的頭部圖像的頭發(fā)和非頭發(fā)SVM分類器的在線學(xué)習(xí)；步驟5，依據(jù)所述對應(yīng)于待分割的頭部圖像的頭發(fā)和非頭發(fā)SVM分類器和所述位置先驗(yàn)?zāi)Ｐ蛯λ龃指畹念^部圖像進(jìn)行頭發(fā)分割。所述步驟1中歸一化包括對圖像進(jìn)行如下操作中的一種或多種操作，所述操作包括旋轉(zhuǎn)、平移、縮放。所述步驟2中根據(jù)各個(gè)頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)得出位置先驗(yàn)?zāi)Ｐ瓦M(jìn)一步為，步驟31，統(tǒng)計(jì)訓(xùn)練集中的圖片的數(shù)量；步驟32，對于每個(gè)像素，根據(jù)圖像中標(biāo)記的頭發(fā)像素點(diǎn)統(tǒng)計(jì)所述像素位于頭發(fā)區(qū)域中的次數(shù)；步驟33，對于每個(gè)像素，將所述像素位于頭發(fā)區(qū)域中的次數(shù)除以所述圖片的數(shù)量， 所得商為所述像素的位于頭發(fā)區(qū)域中的概率；步驟34，各個(gè)像素的位于頭發(fā)區(qū)域中的概率組成位置先驗(yàn)?zāi)Ｐ?。所述步驟2中根據(jù)各個(gè)頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)得出位置先驗(yàn)?zāi)Ｐ瓦M(jìn)一步為，步驟41，針對訓(xùn)練集中的圖片，根據(jù)人臉檢測的結(jié)果和膚色模型，在圖像中分割出面部的膚色區(qū)域，并得到膚色和頭發(fā)的邊緣；步驟42，沿著該邊緣向外擴(kuò)展多個(gè)像素的距離，得到一個(gè)環(huán)狀區(qū)域；步驟43，從人臉的特征點(diǎn)位置，向外均勻畫多條射線；步驟44，，針對所述射線和所述環(huán)狀區(qū)域的交集中的每個(gè)像素點(diǎn)，根據(jù)標(biāo)記的頭發(fā)像素點(diǎn)統(tǒng)計(jì)作為頭發(fā)像素出現(xiàn)的頻次，求出每個(gè)像素點(diǎn)的作為頭發(fā)像素出現(xiàn)的概率，作為所述位置先驗(yàn)?zāi)Ｐ汀Ｋ霾襟E3進(jìn)一步為，步驟51，對待分割圖像的頭部圖像進(jìn)行區(qū)域劃分；步驟52，以區(qū)域內(nèi)各個(gè)像素的位置先驗(yàn)概率的平均值為所述區(qū)域的位置先驗(yàn)概率；步驟53，由所述頭發(fā)和非頭發(fā)SVM分類器根據(jù)區(qū)域的特征的平均值判斷所述區(qū)域是否為頭發(fā)區(qū)域；步驟M，根據(jù)所述頭發(fā)和非頭發(fā)SVM分類器的判斷結(jié)果和區(qū)域的位置先驗(yàn)概率從區(qū)域中選擇作為頭發(fā)種子的區(qū)域和作為背景種子的區(qū)域。所述步驟M進(jìn)一步為，步驟61，通過貝葉斯方法將所述頭發(fā)和非頭發(fā)SVM分類器的判斷和頭發(fā)位置先驗(yàn)概率結(jié)合，得到所述區(qū)域的貝葉斯后驗(yàn)概率；步驟62，依據(jù)所述區(qū)域的貝葉斯后驗(yàn)概率從區(qū)域中選擇作為頭發(fā)種子的區(qū)域和作為背景種子的區(qū)域。所述步驟5進(jìn)一步為，步驟71，通過貝葉斯方法將對應(yīng)于待分割的頭部圖像的頭發(fā)和非頭發(fā)SVM分類器輸出概率和位置先驗(yàn)?zāi)Ｐ椭蓄^發(fā)發(fā)生的位置先驗(yàn)概率融合，生成待分割頭部圖像的貝葉斯概率；步驟72，以所述貝葉斯概率作為Graph Cuts分割法的輸入，應(yīng)用GraphCuts分割法完成頭發(fā)分割。本發(fā)明還公開了一種從頭部圖像中自動(dòng)分割頭發(fā)的系統(tǒng)，包括圖像提取模塊，用于通過人臉檢測和特征定位算法從訓(xùn)練集中的圖像和待分割的圖像中提取含有人臉和頭發(fā)的頭部圖像，以提取的頭部圖像作為后續(xù)處理的對象，并對提取出的頭部圖像進(jìn)行歸一化；位置先驗(yàn)?zāi)Ｐ徒⒛K，用于對于訓(xùn)練集中圖像的頭部圖像，根據(jù)各個(gè)頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)計(jì)算位置先驗(yàn)概率，組成位置先驗(yàn)?zāi)Ｐ?，所述位置先?yàn)?zāi)Ｐ桶鱾€(gè)像素位于頭發(fā)區(qū)域中的位置先驗(yàn)概率；訓(xùn)練模塊，用于對于訓(xùn)練集中已標(biāo)記頭發(fā)點(diǎn)的圖像提取特征，進(jìn)行通用的頭發(fā)和非頭發(fā)SVM分類器的學(xué)習(xí)；種子選擇模塊，用于依據(jù)所述位置先驗(yàn)?zāi)Ｐ秃退鲱^發(fā)和非頭發(fā)SVM分類器從待分割的圖像的頭部圖像中選擇頭發(fā)種子和背景種子；分類器在線學(xué)習(xí)模塊，用于從所述頭發(fā)種子區(qū)域和背景種子區(qū)域中提取特征，依據(jù)所述特征完成對應(yīng)于待分割的頭部圖像的頭發(fā)和非頭發(fā)SVM分類器的在線學(xué)習(xí)；分割模塊，用于依據(jù)所述對應(yīng)于待分割的頭部圖像的頭發(fā)和非頭發(fā)SVM分類器和所述位置先驗(yàn)?zāi)Ｐ蛯λ龃指畹念^部圖像進(jìn)行頭發(fā)分割。所述圖像提取模塊在歸一化時(shí)進(jìn)一步用于對圖像進(jìn)行如下操作中的一種或多種操作，所述操作包括旋轉(zhuǎn)、平移、縮放。所述位置先驗(yàn)?zāi)Ｐ徒⒛K在根據(jù)各個(gè)頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)得出位置先驗(yàn)?zāi)Ｐ蜁r(shí)進(jìn)一步用于統(tǒng)計(jì)訓(xùn)練集中的圖片的數(shù)量；對于每個(gè)像素，根據(jù)圖像中標(biāo)記的頭發(fā)像素點(diǎn)統(tǒng)計(jì)所述像素位于頭發(fā)區(qū)域中的次數(shù)；對于每個(gè)像素，將所述像素位于頭發(fā)區(qū)域中的次數(shù)除以所述圖片的數(shù)量，所得商為所述像素的位于頭發(fā)區(qū)域中的概率；各個(gè)像素的位于頭發(fā)區(qū)域中的概率組成位置先驗(yàn)?zāi)Ｐ?。所述位置先?yàn)?zāi)Ｐ徒⒛K在根據(jù)各個(gè)頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)得出位置先驗(yàn)?zāi)Ｐ蜁r(shí)進(jìn)一步用于，針對訓(xùn)練集中的圖片，根據(jù)人臉檢測的結(jié)果和膚色模型，在圖像中分割出面部的膚色區(qū)域，并得到膚色和頭發(fā)的邊緣；沿著該邊緣向外擴(kuò)展多個(gè)像素的距離，得到一個(gè)環(huán)狀區(qū)域；從人臉的特征點(diǎn)位置，向外均勻畫多條射線；針對所述射線和所述環(huán)狀區(qū)域的交集中的每個(gè)像素點(diǎn)，根據(jù)標(biāo)記的頭發(fā)像素點(diǎn)統(tǒng)計(jì)作為頭發(fā)像素出現(xiàn)的頻次，求出每個(gè)像素點(diǎn)的作為頭發(fā)像素出現(xiàn)的概率，作為所述位置先驗(yàn)?zāi)Ｐ?。所述種子選擇模塊進(jìn)一步用于，對待分割圖像的頭部圖像進(jìn)行區(qū)域劃分；
以區(qū)域內(nèi)各個(gè)像素的位置先驗(yàn)概率的平均值為所述區(qū)域的位置先驗(yàn)概率；由所述頭發(fā)和非頭發(fā)SVM分類器根據(jù)區(qū)域的特征的平均值判斷所述區(qū)域是否為頭發(fā)區(qū)域；根據(jù)所述頭發(fā)和非頭發(fā)SVM分類器的判斷結(jié)果和區(qū)域的位置先驗(yàn)概率從區(qū)域中選擇作為頭發(fā)種子的區(qū)域和作為背景種子的區(qū)域。所述種子選擇模塊在根據(jù)所述頭發(fā)和非頭發(fā)SVM分類器的判斷結(jié)果和區(qū)域的位置先驗(yàn)概率從區(qū)域中選擇作為頭發(fā)種子的區(qū)域和作為背景種子的區(qū)域時(shí)進(jìn)一步用于，通過貝葉斯方法將所述頭發(fā)和非頭發(fā)SVM分類器的判斷和頭發(fā)位置先驗(yàn)概率結(jié)合，得到所述區(qū)域的貝葉斯后驗(yàn)概率；依據(jù)所述區(qū)域的貝葉斯后驗(yàn)概率從區(qū)域中選擇作為頭發(fā)種子的區(qū)域和作為背景種子的區(qū)域。所述分割模塊進(jìn)一步用于，通過貝葉斯方法將對應(yīng)于待分割的頭部圖像的頭發(fā)和非頭發(fā)SVM分類器輸出概率和位置先驗(yàn)?zāi)Ｐ椭蓄^發(fā)發(fā)生的位置先驗(yàn)概率融合，生成待分割頭部圖像的貝葉斯概率；以所述貝葉斯概率作為Graph Cuts分割法的輸入，應(yīng)用Graph Cuts分割法完成頭發(fā)分割。本發(fā)明的有益效果在于，頭發(fā)和非頭發(fā)SVM分類器選擇頭發(fā)種子和背景種子，再通過頭發(fā)種子和背景種子完成對應(yīng)于待分割的頭部圖像的頭發(fā)和非頭發(fā)SVM分類器的學(xué)習(xí)，應(yīng)用待分割的頭部圖像的頭發(fā)和非頭發(fā)SVM分類器進(jìn)行頭發(fā)分割，能夠提高頭發(fā)分割準(zhǔn)確性；基于SVM和Graph Cuts的自動(dòng)頭發(fā)分割方法，利用可靠種子區(qū)域，學(xué)習(xí)魯棒的SVM 分類器，用以類別評分，充分利用頭發(fā)和非頭發(fā)的判別信息，而且比統(tǒng)計(jì)模型更容易融入較多的特征信息，受維數(shù)的限制更少；SVM輸出每類的概率和位置先驗(yàn)概率一起將作為Graph Cuts的邊的權(quán)重輸入，使得Graph Cuts產(chǎn)生的結(jié)果更精確。


圖1為本發(fā)明的從頭部圖像中自動(dòng)分割頭發(fā)的方法的流程圖；圖2為一舉例中人臉圖像做預(yù)處理前和預(yù)處理后的圖像；圖3為一舉例中人臉圖像過分割結(jié)果的效果圖；圖4為一舉例中頭發(fā)種子的區(qū)域和背景種子的區(qū)域的選擇效果圖；圖5為一舉例中待分割圖像的頭發(fā)和非頭發(fā)SVM分類器輸出的分類概率結(jié)果圖；圖6為一舉例中待分割圖像的的頭發(fā)和非頭發(fā)SVM分類器輸出概率和位置先驗(yàn)概率的聯(lián)合概率結(jié)果圖；圖7為一舉例中采用Graph Cuts分割方法的分割結(jié)果圖；圖8為本發(fā)明的從頭部圖像中自動(dòng)分割頭發(fā)的系統(tǒng)的結(jié)構(gòu)圖。
具體實(shí)施例方式下面結(jié)合附圖，對本發(fā)明做進(jìn)一步的詳細(xì)描述。本發(fā)明提出基于SVM和Graph Cuts的自動(dòng)頭發(fā)分割方法，利用SVM分類能力，對頭發(fā)種子和背景種子建立判別式模型，而后將輸出概率和頭發(fā)位置先驗(yàn)概率結(jié)合，輸入到Graph Cuts進(jìn)行準(zhǔn)確地頭發(fā)分割。如圖1所示，本發(fā)明的從頭部圖像中自動(dòng)分割頭發(fā)的方法包括如下步驟。步驟S 100，通過人臉檢測和特征定位算法從訓(xùn)練集中的圖像和待分割的圖像中提取含有人臉和頭發(fā)的頭部圖像，以提取的頭部圖像作為后續(xù)處理的對象，并對提取出的頭部圖像進(jìn)行歸一化。提取和歸一化過程被稱為預(yù)處理過程。帶頭發(fā)的原始圖像一般不能直接使用，因其在原始圖像中人臉未必歸正，難以利用頭發(fā)出現(xiàn)的先驗(yàn)信息。為了提高頭發(fā)種子的選擇準(zhǔn)確度，在頭發(fā)分割前首先要將人臉和頭發(fā)區(qū)域從原始圖像中提取出來?！?b>具體實(shí)施方式
中，在提取區(qū)域時(shí)，根據(jù)人臉檢測和特征定位算法所給出的雙眼位置，將待分割的人臉和頭發(fā)圖像從輸入圖像中裁剪出來，所裁剪的人臉大小和范圍由現(xiàn)有技術(shù)中具體的人臉檢測和特征定位算法決定。人臉檢測和特征定位算法為現(xiàn)有技術(shù)，在一個(gè)具體實(shí)施例中采用名為AdaBoost 的人臉檢測和特征定位算法。然后對裁剪出來的人臉區(qū)域做預(yù)處理。一種典型的預(yù)處理方法是歸一化處理。由于在頭發(fā)分割時(shí)，通常是將待分割的頭發(fā)圖像與一個(gè)作為比較對象的標(biāo)準(zhǔn)頭發(fā)圖像做比較，歸一化的目的就是使做比較的圖像大小基本相同，特征點(diǎn)對齊，從而可以利用周圍像素點(diǎn)相對于眼睛位置出現(xiàn)頭發(fā)的先驗(yàn)概率。以處理對象為準(zhǔn)正面頭部圖像為例。歸一化包括對圖像進(jìn)行如下操作中的一種或多種操作，所述操作包括旋轉(zhuǎn)、平移、縮放。人臉圖像做歸一化處理前、后的實(shí)例圖像如圖2 所示。在一實(shí)施例中歸一化處理后的人臉圖像的行數(shù)為h，列數(shù)為W。步驟S200，對于訓(xùn)練集中圖像的頭部圖像部分，根據(jù)各個(gè)頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)計(jì)算位置先驗(yàn)概率，位置先驗(yàn)概率組成位置先驗(yàn)概率模型，所述位置先驗(yàn)?zāi)Ｐ桶鱾€(gè)像素位于頭發(fā)區(qū)域中的位置先驗(yàn)概率，并對于訓(xùn)練集中已標(biāo)記頭發(fā)點(diǎn)的圖像提取特征，進(jìn)行通用的頭發(fā)和非頭發(fā)SVM分類器的學(xué)習(xí)。根據(jù)各個(gè)圖像中標(biāo)記的頭發(fā)像素點(diǎn)得出位置先驗(yàn)?zāi)Ｐ偷膶?shí)施例一如下所述。為統(tǒng)計(jì)訓(xùn)練集中的圖片的數(shù)量；對于頭部圖像的每個(gè)像素，根據(jù)頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)統(tǒng)計(jì)所述像素位于頭發(fā)區(qū)域中的次數(shù)；對于每個(gè)像素，將所述像素位于頭發(fā)區(qū)域中的次數(shù)除以所述圖片的數(shù)量，所得商為所述像素的位于頭發(fā)區(qū)域中的概率；各個(gè)像素的位于頭發(fā)區(qū)域中的概率組成位置先驗(yàn)?zāi)Ｐ汀＠?，?xùn)練集中的圖片總數(shù)是nTotal，統(tǒng)計(jì)歸一化圖像中，每個(gè)像素位置出現(xiàn)頭發(fā)的頻次為nFreq，則該像素點(diǎn)出現(xiàn)頭發(fā)的先驗(yàn)概率為ρ = nFreq/nTotal0通過上述方法，本領(lǐng)域的普通技術(shù)人員可以實(shí)現(xiàn)對頭發(fā)出現(xiàn)的位置先驗(yàn)概率進(jìn)行統(tǒng)計(jì)，得到hXw的概率矩陣，該概率矩陣作為位置先驗(yàn)?zāi)Ｐ?。根?jù)各個(gè)圖像中標(biāo)記的頭發(fā)像素點(diǎn)得出位置先驗(yàn)?zāi)Ｐ偷膶?shí)施例二如下所述。針對訓(xùn)練集中的圖片，根據(jù)人臉檢測的結(jié)果和膚色模型，在圖像中分割出面部的膚色區(qū)域，并得到膚色和頭發(fā)的邊緣。沿著該邊緣向外擴(kuò)展多個(gè)像素的距離，得到一個(gè)環(huán)狀區(qū)域；從人臉的某個(gè)特征點(diǎn)位置，比如兩眼睛的中心點(diǎn)，向外均勻畫多條射線。針對所述射線和所述環(huán)狀區(qū)域的交集中的每個(gè)像素點(diǎn)，根據(jù)標(biāo)記的頭發(fā)像素點(diǎn)統(tǒng)計(jì)作為頭發(fā)像素出現(xiàn)的頻次，求出每個(gè)像素點(diǎn)的作為頭發(fā)像素出現(xiàn)的概率，作為位置先驗(yàn)?zāi)Ｐ?。膚色分割的具體過程為，首先根據(jù)人臉檢測的結(jié)果，在人臉檢測框內(nèi)做k-means 聚類，將樣本最多的類視為膚色區(qū)域；然后利用該膚色區(qū)域作為膚色模型的訓(xùn)練樣本，訓(xùn)練統(tǒng)計(jì)模型；最后根據(jù)該統(tǒng)計(jì)模型的均值、方差限定值域范圍，顏色值在此值域范圍內(nèi)的為膚色區(qū)域，否則為非膚色區(qū)域。具體地，從中心點(diǎn)周圍均勻畫12條射線，相鄰射線夾角30度，每條射線和環(huán)狀區(qū)域交點(diǎn)有5個(gè)，那么將得到一個(gè)60維的概率數(shù)組，作為頭發(fā)的位置先驗(yàn)?zāi)Ｐ?。頭發(fā)和非頭發(fā)SVM分類器用以區(qū)分頭發(fā)和非頭發(fā)像素點(diǎn)，可以采用多種特征，此處以RGB顏色特征為例，針對訓(xùn)練集中圖像的頭部圖像中已經(jīng)標(biāo)定好的頭發(fā)區(qū)域和非頭發(fā)區(qū)域完成頭發(fā)和非頭發(fā)SVM分類器的學(xué)習(xí)。實(shí)施例中采用現(xiàn)有技術(shù)中LibSVM的工具包，并采用了 RBF核函數(shù)，進(jìn)行頭發(fā)和非頭發(fā)SVM分類器的學(xué)習(xí)。 通過上述方法，本領(lǐng)域的普通技術(shù)人員可以實(shí)現(xiàn)對頭發(fā)/非頭發(fā)兩類問題的SVM分類器學(xué)習(xí)。SVM針對線性可分的情況進(jìn)行分析，對于線性不可分的情況，通過非線性映射到高維空間中，進(jìn)行線性分析，尋找最優(yōu)分類面。假設(shè)給定了學(xué)習(xí)樣本(Xi，yi)，Xi e Rn, Yj e {-1， 1}為類別標(biāo)號，i = l,...,l, SVM將求解下列優(yōu)化問題
1ιmm-wTw +CY ξt
2j其中，Yi(w> (Xi)+b) ^l-I1, I1^Ow是分類超平面的法向量，ξ i是錯(cuò)誤率，b是閾值權(quán)，Φ (Xi)是從低維空間到高維空間的映射函數(shù)。其中，學(xué)習(xí)樣本向量\通過函數(shù)Φ映射到高維空間中。SVM在此高維空間中尋找有最大邊界間隔的線性分類超平面。C >0是對誤差項(xiàng)的懲罰參數(shù)。K(Xi5Xj) = Φ (Xi)τ Φ (Xj)稱作核函數(shù)，比較基本的核函數(shù)有線性核，多項(xiàng)式核，徑向基核函數(shù)(radial basis fuction, RBF)，sigmoid核函數(shù)。本例中采用RBF核函數(shù)K (Xi, Xj) = exp (_ Y | | XiIj | |2)，Y >0γ為可調(diào)參數(shù)，和訓(xùn)練誤差相關(guān)。最終得到的SVM分類函數(shù)是
f mΛ/(x) = sgn OiiyiK(x-Xi) + b*
V =1J其中，0 < α , < C，常數(shù)C為訓(xùn)練過程中邊界間隔最大化和訓(xùn)練誤差最小化之間的平衡因子，對應(yīng)于α i的訓(xùn)練樣本Xi為支持向量(support vector, SV)。在本系統(tǒng)中，輸入的樣本Xi即為特征向量，比如顏色RGB三維組成的特征向量。 分類函數(shù)具體參數(shù)的訓(xùn)練方法可以直接使用http://WWW. csie.ntu. edu. tw/ cjlin/ Iibsvm 提供的軟件包，具體參考文章為 Chih-Chung Chang and Chih-Jen Lin, LIBSVM :a library for support vectormachines，2001。步驟S300，依據(jù)所述位置先驗(yàn)?zāi)Ｐ秃退鲱^發(fā)和非頭發(fā)SVM分類器的輸出從待分
10割的人臉和頭發(fā)部分的圖像中選擇頭發(fā)種子和背景種子t
實(shí)施例一
步驟S310，對待分割圖像的頭部圖像進(jìn)行區(qū)域劃分。
對待分割的圖像進(jìn)行區(qū)域分割，從分割的區(qū)域中選擇頭發(fā)種子區(qū)域和背景種子區(qū)
本例中首先采用名為Mean Sh ift的方法對步驟SlOO得到的預(yù)處理的圖像進(jìn)行一舉例中人臉圖像過分割結(jié)果如圖3所示。圖像中的每個(gè)像素點(diǎn)都會(huì)有一個(gè)區(qū)域后端的處理將把一個(gè)區(qū)域當(dāng)做一個(gè)整體進(jìn)行種子選擇和頭發(fā)分割。 步驟S320，以區(qū)域內(nèi)各個(gè)像素的位置先驗(yàn)概率的平均值為所述區(qū)域的位置先驗(yàn)概域。
過分割的標(biāo)號率。步驟S330，由所述頭發(fā)和非頭發(fā)SVM分類器根據(jù)所述區(qū)域的特征的平均值判斷所述區(qū)域是否為頭發(fā)區(qū)域。步驟S340，根據(jù)所述頭發(fā)和非頭發(fā)SVM分類器的判斷結(jié)果和區(qū)域的位置先驗(yàn)概率從區(qū)域中選擇作為頭發(fā)種子的區(qū)域和作為背景種子的區(qū)域。通過貝葉斯方法將所述頭發(fā)和非頭發(fā)SVM分類器的判斷和頭發(fā)位置先驗(yàn)概率結(jié)合，得到所述區(qū)域的貝葉斯后驗(yàn)概率；依據(jù)所述區(qū)域的貝葉斯后驗(yàn)概率從區(qū)域中選擇作為頭發(fā)種子的區(qū)域和作為背景種子的區(qū)域。具體的，針對每個(gè)區(qū)域，建立結(jié)合頭發(fā)位置先驗(yàn)?zāi)Ｐ秃皖^發(fā)和非頭發(fā)SVM分類器輸出概率的貝葉斯模型。對每一區(qū)域，表示為R ；通過貝葉斯方法計(jì)算頭發(fā)像素點(diǎn)的后驗(yàn)概率。
權(quán)利要求
1.一種從頭部圖像中自動(dòng)分割頭發(fā)的方法，其特征在于，包括步驟1，通過人臉檢測和特征定位算法從訓(xùn)練集中的圖像和待分割的圖像中提取含有人臉和頭發(fā)的頭部圖像，以提取的頭部圖像作為后續(xù)處理的對象，并對提取出的頭部圖像進(jìn)行歸一化；步驟2，對于訓(xùn)練集中圖像的頭部圖像，根據(jù)各個(gè)頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)計(jì)算位置先驗(yàn)概率，組成位置先驗(yàn)?zāi)Ｐ?，所述位置先?yàn)?zāi)Ｐ桶鱾€(gè)像素位于頭發(fā)區(qū)域中的位置先驗(yàn)概率，并對于訓(xùn)練集中已標(biāo)記頭發(fā)點(diǎn)的圖像提取特征，進(jìn)行通用的頭發(fā)和非頭發(fā)SVM 分類器的學(xué)習(xí)；步驟3，依據(jù)所述位置先驗(yàn)?zāi)Ｐ秃退鐾ㄓ玫念^發(fā)和非頭發(fā)SVM分類器從待分割的圖像的頭部圖像中選擇頭發(fā)種子和背景種子；步驟4，從所述頭發(fā)種子區(qū)域和背景種子區(qū)域中提取特征，依據(jù)所述特征完成對應(yīng)于待分割的頭部圖像的頭發(fā)和非頭發(fā)SVM分類器的在線學(xué)習(xí)；步驟5，依據(jù)所述對應(yīng)于待分割的頭部圖像的頭發(fā)和非頭發(fā)SVM分類器和所述位置先驗(yàn)?zāi)Ｐ蛯λ龃指畹念^部圖像進(jìn)行頭發(fā)分割。
2.如權(quán)利要求1所述的從頭部圖像中自動(dòng)分割頭發(fā)的方法，其特征在于，所述步驟1中歸一化包括對圖像進(jìn)行如下操作中的一種或多種操作，所述操作包括旋轉(zhuǎn)、平移、縮放。
3.如權(quán)利要求1所述的從頭部圖像中自動(dòng)分割頭發(fā)的方法，其特征在于，所述步驟2中根據(jù)各個(gè)頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)得出位置先驗(yàn)?zāi)Ｐ瓦M(jìn)一步為， 步驟31，統(tǒng)計(jì)訓(xùn)練集中的圖片的數(shù)量；步驟32，對于每個(gè)像素，根據(jù)圖像中標(biāo)記的頭發(fā)像素點(diǎn)統(tǒng)計(jì)所述像素位于頭發(fā)區(qū)域中的次數(shù)；步驟33，對于每個(gè)像素，將所述像素位于頭發(fā)區(qū)域中的次數(shù)除以所述圖片的數(shù)量，所得商為所述像素的位于頭發(fā)區(qū)域中的概率；步驟34，各個(gè)像素的位于頭發(fā)區(qū)域中的概率組成位置先驗(yàn)?zāi)Ｐ汀?br> 4.如權(quán)利要求1所述的從頭部圖像中自動(dòng)分割頭發(fā)的方法，其特征在于，所述步驟2中根據(jù)各個(gè)頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)得出位置先驗(yàn)?zāi)Ｐ瓦M(jìn)一步為， 步驟41，針對訓(xùn)練集中的圖片，根據(jù)人臉檢測的結(jié)果和膚色模型，在圖像中分割出面部的膚色區(qū)域，并得到膚色和頭發(fā)的邊緣；步驟42，沿著該邊緣向外擴(kuò)展多個(gè)像素的距離，得到一個(gè)環(huán)狀區(qū)域； 步驟43，從人臉的特征點(diǎn)位置，向外均勻畫多條射線；步驟44，，針對所述射線和所述環(huán)狀區(qū)域的交集中的每個(gè)像素點(diǎn)，根據(jù)標(biāo)記的頭發(fā)像素點(diǎn)統(tǒng)計(jì)作為頭發(fā)像素出現(xiàn)的頻次，求出每個(gè)像素點(diǎn)的作為頭發(fā)像素出現(xiàn)的概率，各個(gè)像素點(diǎn)的概率組成所述位置先驗(yàn)?zāi)Ｐ汀?br> 5.如權(quán)利要求1所述的從頭部圖像中自動(dòng)分割頭發(fā)的方法，其特征在于， 所述步驟3進(jìn)一步為，步驟51，對待分割圖像的頭部圖像進(jìn)行區(qū)域劃分；步驟52，以區(qū)域內(nèi)各個(gè)像素的位置先驗(yàn)概率的平均值為所述區(qū)域的位置先驗(yàn)概率； 步驟53，由所述頭發(fā)和非頭發(fā)SVM分類器根據(jù)區(qū)域的特征的平均值判斷所述區(qū)域是否為頭發(fā)區(qū)域；步驟M，根據(jù)所述頭發(fā)和非頭發(fā)SVM分類器的判斷結(jié)果和區(qū)域的位置先驗(yàn)概率從區(qū)域中選擇作為頭發(fā)種子的區(qū)域和作為背景種子的區(qū)域。
6.如權(quán)利要求5所述的從頭部圖像中自動(dòng)分割頭發(fā)的方法，其特征在于， 所述步驟討進(jìn)一步為，步驟61，通過貝葉斯方法將所述頭發(fā)和非頭發(fā)SVM分類器的判斷和頭發(fā)位置先驗(yàn)概率結(jié)合，得到所述區(qū)域的貝葉斯后驗(yàn)概率；步驟62，依據(jù)所述區(qū)域的貝葉斯后驗(yàn)概率從區(qū)域中選擇作為頭發(fā)種子的區(qū)域和作為背景種子的區(qū)域。
7.如權(quán)利要求1所述的從頭部圖像中自動(dòng)分割頭發(fā)的方法，其特征在于， 所述步驟5進(jìn)一步為，步驟71，通過貝葉斯方法將對應(yīng)于待分割的頭部圖像的頭發(fā)和非頭發(fā)SVM分類器輸出概率和位置先驗(yàn)?zāi)Ｐ椭蓄^發(fā)發(fā)生的位置先驗(yàn)概率融合，生成待分割頭部圖像的貝葉斯概率；步驟72，以所述貝葉斯概率作為Graph Cuts分割法的輸入，應(yīng)用GraphCuts分割法完成頭發(fā)分割。
8.一種從頭部圖像中自動(dòng)分割頭發(fā)的系統(tǒng)，其特征在于，包括圖像提取模塊，用于通過人臉檢測和特征定位算法從訓(xùn)練集中的圖像和待分割的圖像中提取含有人臉和頭發(fā)的頭部圖像，以提取的頭部圖像作為后續(xù)處理的對象，并對提取出的頭部圖像進(jìn)行歸一化；位置先驗(yàn)?zāi)Ｐ徒⒛K，用于對于訓(xùn)練集中圖像的頭部圖像，根據(jù)各個(gè)頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)計(jì)算位置先驗(yàn)概率，組成位置先驗(yàn)?zāi)Ｐ停鑫恢孟闰?yàn)?zāi)Ｐ桶鱾€(gè)像素位于頭發(fā)區(qū)域中的位置先驗(yàn)概率；訓(xùn)練模塊，用于對于訓(xùn)練集中已標(biāo)記頭發(fā)點(diǎn)的圖像提取特征，進(jìn)行通用的頭發(fā)和非頭發(fā)SVM分類器的學(xué)習(xí)；種子選擇模塊，用于依據(jù)所述位置先驗(yàn)?zāi)Ｐ秃退鲱^發(fā)和非頭發(fā)SVM分類器從待分割的圖像的頭部圖像中選擇頭發(fā)種子和背景種子；分類器在線學(xué)習(xí)模塊，用于從所述頭發(fā)種子區(qū)域和背景種子區(qū)域中提取特征，依據(jù)所述特征完成對應(yīng)于待分割的頭部圖像的頭發(fā)和非頭發(fā)SVM分類器的在線學(xué)習(xí)；分割模塊，用于依據(jù)所述對應(yīng)于待分割的頭部圖像的頭發(fā)和非頭發(fā)SVM分類器和所述位置先驗(yàn)?zāi)Ｐ蛯λ龃指畹念^部圖像進(jìn)行頭發(fā)分割。
9.如權(quán)利要求8所述的從頭部圖像中自動(dòng)分割頭發(fā)的系統(tǒng)，其特征在于，所述圖像提取模塊在歸一化時(shí)進(jìn)一步用于對圖像進(jìn)行如下操作中的一種或多種操作， 所述操作包括旋轉(zhuǎn)、平移、縮放。
10.如權(quán)利要求8所述的從頭部圖像中自動(dòng)分割頭發(fā)的系統(tǒng)，其特征在于，所述位置先驗(yàn)?zāi)Ｐ徒⒛K在根據(jù)各個(gè)頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)得出位置先驗(yàn)?zāi)Ｐ蜁r(shí)進(jìn)一步用于統(tǒng)計(jì)訓(xùn)練集中的圖片的數(shù)量；對于每個(gè)像素，根據(jù)圖像中標(biāo)記的頭發(fā)像素點(diǎn)統(tǒng)計(jì)所述像素位于頭發(fā)區(qū)域中的次數(shù)；對于每個(gè)像素，將所述像素位于頭發(fā)區(qū)域中的次數(shù)除以所述圖片的數(shù)量，所得商為所述像素的位于頭發(fā)區(qū)域中的概率；各個(gè)像素的位于頭發(fā)區(qū)域中的概率組成位置先驗(yàn)?zāi)Ｐ汀?br> 11.如權(quán)利要求8所述的從頭部圖像中自動(dòng)分割頭發(fā)的系統(tǒng)，其特征在于，所述位置先驗(yàn)?zāi)Ｐ徒⒛K在根據(jù)各個(gè)頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)得出位置先驗(yàn)?zāi)Ｐ蜁r(shí)進(jìn)一步用于，針對訓(xùn)練集中的圖片，根據(jù)人臉檢測的結(jié)果和膚色模型，在圖像中分割出面部的膚色區(qū)域，并得到膚色和頭發(fā)的邊緣；沿著該邊緣向外擴(kuò)展多個(gè)像素的距離，得到一個(gè)環(huán)狀區(qū)域； 從人臉的特征點(diǎn)位置，向外均勻畫多條射線；針對所述射線和所述環(huán)狀區(qū)域的交集中的每個(gè)像素點(diǎn)，根據(jù)標(biāo)記的頭發(fā)像素點(diǎn)統(tǒng)計(jì)作為頭發(fā)像素出現(xiàn)的頻次，求出每個(gè)像素點(diǎn)的作為頭發(fā)像素出現(xiàn)的概率，作為所述位置先驗(yàn)?zāi)Ｐ汀?br> 12.如權(quán)利要求8所述的從頭部圖像中自動(dòng)分割頭發(fā)的系統(tǒng)，其特征在于， 所述種子選擇模塊進(jìn)一步用于，對待分割圖像的頭部圖像進(jìn)行區(qū)域劃分；以區(qū)域內(nèi)各個(gè)像素的位置先驗(yàn)概率的平均值為所述區(qū)域的位置先驗(yàn)概率； 由所述頭發(fā)和非頭發(fā)SVM分類器根據(jù)區(qū)域的特征的平均值判斷所述區(qū)域是否為頭發(fā)區(qū)域；根據(jù)所述頭發(fā)和非頭發(fā)SVM分類器的判斷結(jié)果和區(qū)域的位置先驗(yàn)概率從區(qū)域中選擇作為頭發(fā)種子的區(qū)域和作為背景種子的區(qū)域。
13.如權(quán)利要求12所述的從頭部圖像中自動(dòng)分割頭發(fā)的系統(tǒng)，其特征在于，所述種子選擇模塊在根據(jù)所述頭發(fā)和非頭發(fā)SVM分類器的判斷結(jié)果和區(qū)域的位置先驗(yàn)概率從區(qū)域中選擇作為頭發(fā)種子的區(qū)域和作為背景種子的區(qū)域時(shí)進(jìn)一步用于，通過貝葉斯方法將所述頭發(fā)和非頭發(fā)SVM分類器的判斷和頭發(fā)位置先驗(yàn)概率結(jié)合，得到所述區(qū)域的貝葉斯后驗(yàn)概率；依據(jù)所述區(qū)域的貝葉斯后驗(yàn)概率從區(qū)域中選擇作為頭發(fā)種子的區(qū)域和作為背景種子的區(qū)域。
14.如權(quán)利要求8所述的從頭部圖像中自動(dòng)分割頭發(fā)的系統(tǒng)，其特征在于， 所述分割模塊進(jìn)一步用于，通過貝葉斯方法將對應(yīng)于待分割的頭部圖像的頭發(fā)和非頭發(fā)SVM分類器輸出概率和位置先驗(yàn)?zāi)Ｐ椭蓄^發(fā)發(fā)生的位置先驗(yàn)概率融合，生成待分割頭部圖像的貝葉斯概率；以所述貝葉斯概率作為Graph Cuts分割法的輸入，應(yīng)用Graph Cuts分割法完成頭發(fā)分割。
全文摘要
本發(fā)明涉及從頭部圖像中自動(dòng)分割頭發(fā)的方法和系統(tǒng)，方法包括步驟1，通過人臉檢測和特征定位算法提取含有人臉和頭發(fā)的頭部圖像，并對提取出的頭部圖像進(jìn)行歸一化；步驟2，對于訓(xùn)練集中標(biāo)定頭發(fā)的頭部圖像，根據(jù)各頭部圖像中標(biāo)記的頭發(fā)像素點(diǎn)得出位置先驗(yàn)?zāi)Ｐ?，并提取特征，進(jìn)行頭發(fā)和非頭發(fā)SVM分類器的學(xué)習(xí)；步驟3，依據(jù)位置先驗(yàn)?zāi)Ｐ秃皖^發(fā)和非頭發(fā)SVM分類器從待分割的圖像中選擇頭發(fā)種子和背景種子；步驟4，從頭發(fā)種子區(qū)域和背景種子區(qū)域中提取特征，依據(jù)特征完成對應(yīng)于待分割圖像的頭發(fā)和非頭發(fā)SVM分類器的在線學(xué)習(xí)；步驟5，依據(jù)對應(yīng)于待分割圖像的頭發(fā)和非頭發(fā)SVM分類器和位置先驗(yàn)?zāi)Ｐ瓦M(jìn)行頭發(fā)分割。本發(fā)明能夠提高頭發(fā)分割準(zhǔn)確性。
文檔編號G06T5/00GK102436637SQ201010297069
公開日2012年5月2日 申請日期2010年9月29日 優(yōu)先權(quán)日2010年9月29日
發(fā)明者山世光, 張洪明, 曾煒, 王丹, 陳熙霖 申請人:中國科學(xué)院計(jì)算技術(shù)研究所, 日電(中國)有限公司