本發(fā)明屬于圖像處理技術領域，特別是涉及一種自動人像分割方法。

背景技術：

近年來，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也是層出不窮。其中，對人像的個性化處理更是一個極富活力的研究領域。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。而快速準確的人像分割正是前述背景替換模塊的關鍵步驟。分割的準確性直接影響了背景替換的質量與多樣性，同時，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，近期等基于深度學習的fcn等。交互式方法，往往需要用戶對圖像分割有一定的了解，可以畫出比較好的分割線，用戶體驗稍差，且分割速度較慢，通常需要幾十秒的時間；基于crf的分割同樣是速度較慢；而fcn方法存在的問題主要有三點，一是模型尺寸較大，通常有幾百兆，不利于用于移動端，二是計算量較大，速度非常慢，通常需要幾秒到幾十秒；三是計算過程中涉及到pooling層計算，影響了分割的精度。

技術實現(xiàn)要素：

為了解決上述問題，本發(fā)明提出了一種自動人像分割方法，能夠自動且準確的進行人像分割，耗時短且占用空間小，適用于移動客戶端。

為達到上述目的，本發(fā)明采用的技術方案是：

一種自動人像分割方法，包括步驟模型訓練、人像初步分割和人像精確分割；

所述模型訓練包括步驟：獲取訓練數(shù)據(jù)；將訓練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡，學習得到網(wǎng)絡參數(shù)模型；當神經(jīng)網(wǎng)絡收斂后，存儲所述網(wǎng)絡參數(shù)模型，完成模型訓練；

所述人像初步分割包括步驟：載入所述網(wǎng)絡參數(shù)模型到移動客戶端；利用移動客戶端獲取輸入圖像；將所述輸入圖像輸入網(wǎng)絡參數(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：對人像分割初步圖像，去除錯分的孤立區(qū)，保留連通區(qū)域；利用摳像算法對連通區(qū)域分割細節(jié)，突出邊緣，得到人像分割最終圖像。

進一步的是，所述獲取訓練數(shù)據(jù)過程包括步驟：搜集人像圖片；人工標注人像區(qū)域，形成與人像圖片對應的掩碼圖；將掩碼圖進行縮放至預定尺寸后構成訓練數(shù)據(jù)。

進一步的是，所述神經(jīng)網(wǎng)絡包含卷積模塊、上采樣層和softmax層；每個所述卷積模塊包括卷積層、relu層和pooling層。

進一步的是，所述神經(jīng)網(wǎng)絡包含5個卷積模塊、2個上采樣層和1個softmax層。

進一步的是，將訓練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡后，初始化神經(jīng)網(wǎng)絡；用自適應估計矩陣算法更新神經(jīng)網(wǎng)絡權值；訓練過程中，動態(tài)調節(jié)學習率；經(jīng)過學習得到網(wǎng)絡參數(shù)模型。

進一步的是，獲取輸入圖像后，將輸入圖像進行尺寸縮放到預定尺寸；再將縮放后的圖像輸入網(wǎng)絡參數(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。

進一步的是，將所述人像分割掩碼圖進行形態(tài)學運算，去除錯分的孤立區(qū)，獲得多個連通區(qū)域；計算各連通區(qū)域的面積并排序，去除不在預設區(qū)域內的連通區(qū)域，保留剩余的連通區(qū)域。

進一步的是，對所述保留的連通區(qū)域的外邊緣處根據(jù)預定像素建立擴展區(qū)域，通過摳像算法對擴展區(qū)域進行分割細節(jié)和突出邊緣，得到人像分割最終圖像。

采用本技術方案的有益效果：

本發(fā)明提出一個瘦長型的深度神經(jīng)網(wǎng)絡結構，極大地縮減了計算量和模型尺寸，從而實現(xiàn)移動端快速人像分割；

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

附圖說明

圖1為本發(fā)明的一種自動人像分割方法流程示意圖；

圖2為本發(fā)明中模型訓練的流程示意圖；

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)絡的結構示意圖；

圖6為本發(fā)明中卷積模塊的結構示意圖。

具體實施方式

為了使本發(fā)明的目的、技術方案和優(yōu)點更加清楚，下面結合附圖對本發(fā)明作進一步闡述。

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

1.所述模型訓練包括步驟：獲取訓練數(shù)據(jù)；將訓練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡，學習得到網(wǎng)絡參數(shù)模型；當神經(jīng)網(wǎng)絡收斂后，存儲所述網(wǎng)絡參數(shù)模型，完成模型訓練。

所述獲取訓練數(shù)據(jù)過程包括步驟：搜集人像圖片；人工標注人像區(qū)域，形成與人像圖片對應的掩碼圖；將掩碼圖進行縮放至預定尺寸后構成訓練數(shù)據(jù)。

如圖5和圖6所示，所述神經(jīng)網(wǎng)絡包含卷積模塊、上采樣層和softmax層；每個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)絡包含5個卷積模塊、2個上采樣層和1個softmax層。

將訓練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡后，初始化神經(jīng)網(wǎng)絡；用自適應估計矩陣算法更新神經(jīng)網(wǎng)絡權值；訓練過程中，動態(tài)調節(jié)學習率；經(jīng)過學習得到網(wǎng)絡參數(shù)模型。

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

獲取輸入圖像后，將輸入圖像進行尺寸縮放到預定尺寸；再將縮放后的圖像輸入網(wǎng)絡參數(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：對人像分割初步圖像，去除錯分的孤立區(qū)，保留連通區(qū)域；利用摳像算法對連通區(qū)域分割細節(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行形態(tài)學運算，去除錯分的孤立區(qū)，獲得多個連通區(qū)域；計算各連通區(qū)域的面積并排序，去除不在預設區(qū)域內的連通區(qū)域，保留剩余的連通區(qū)域。

對所述保留的連通區(qū)域的外邊緣處根據(jù)預定像素建立擴展區(qū)域，通過摳像算法對擴展區(qū)域進行分割細節(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。本行業(yè)的技術人員應該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(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)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明范圍內。本發(fā)明要求保護范圍由所附的權利要求書及其等效物界定。

技術特征：

技術總結
本發(fā)明公開一種自動人像分割方法，包括步驟模型訓練、人像初步分割和人像精確分割；所述模型訓練包括步驟：獲取訓練數(shù)據(jù)；將訓練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡，學習得到網(wǎng)絡參數(shù)模型；當神經(jīng)網(wǎng)絡收斂后，存儲所述網(wǎng)絡參數(shù)模型，完成模型訓練；所述人像初步分割包括步驟：載入所述網(wǎng)絡參數(shù)模型到移動客戶端；利用移動客戶端獲取輸入圖像；將所述輸入圖像輸入網(wǎng)絡參數(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：對人像分割初步圖像，去除錯分的孤立區(qū)，保留連通區(qū)域；利用摳像算法對連通區(qū)域分割細節(jié)，突出邊緣，得到人像分割最終圖像。本發(fā)明能夠自動且準確的進行人像分割，耗時短且占用空間小，適用于移動客戶端。

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