本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別是涉及一種基于深度學(xué)習(xí)的頭發(fā)分割方法。

背景技術(shù)：

圖像分割一直是計(jì)算機(jī)視覺(jué)領(lǐng)域比較重要的一個(gè)分支，現(xiàn)如今應(yīng)用最廣的是一些交互式的分割方法如grabcut等基于圖的分割方法，這些方法需要手動(dòng)指定一部分前背景種子點(diǎn)，而手機(jī)設(shè)備上要有好的用戶體驗(yàn)的話要求盡量自動(dòng)化；grabcut等圖割方法僅僅使用顏色信息以及空間信息進(jìn)行分割，缺少高層語(yǔ)義上的分割與理解。

頭發(fā)分割屬于圖像分割中的一種情況，發(fā)型的復(fù)雜性、顏色的多變、紋理的不確定性、亮度的不確定性等使得傳統(tǒng)的圖割的方法并不能很好地分割頭發(fā)。而現(xiàn)有的頭發(fā)分割方法使頭發(fā)分割的效果差，無(wú)法明確的分割出頭發(fā)區(qū)域；無(wú)法實(shí)現(xiàn)自動(dòng)分割，需要人工干預(yù)；無(wú)法對(duì)任意分辨率的圖像進(jìn)行頭發(fā)分割；占用內(nèi)存大，運(yùn)行速度慢。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述問(wèn)題，本發(fā)明提出了一種基于深度學(xué)習(xí)的頭發(fā)分割方法，能夠有效避免傳統(tǒng)分割方法的不足，達(dá)到較好的頭發(fā)分割效果，不需要人工干預(yù)，實(shí)現(xiàn)自動(dòng)分割；能夠?qū)θ我夥直媛实膱D像進(jìn)行分割；占用內(nèi)存小，運(yùn)行速度快。

為達(dá)到上述目的，本發(fā)明采用的技術(shù)方案是：一種基于深度學(xué)習(xí)的頭發(fā)分割方法，包括步驟：

s100獲取原始圖像；

s200對(duì)原始圖像進(jìn)行人臉檢測(cè)，得到人臉關(guān)鍵點(diǎn)；

s300利用人臉關(guān)鍵點(diǎn)生成人臉關(guān)鍵部位描述圖；

s400將原始圖像和人臉關(guān)鍵部位描述圖合并，獲得4通道圖像；

s500將所述4通道圖像輸入卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)模型推斷出每個(gè)像素點(diǎn)是頭發(fā)的概率，從而獲得頭發(fā)概率圖；

s600利用頭發(fā)概率圖對(duì)原始圖像進(jìn)行頭發(fā)分割。

進(jìn)一步的是，步驟s300中，利用人臉關(guān)鍵點(diǎn)建立對(duì)于人臉器官以及輪廓的二值蒙版圖，并由所述二值蒙版圖作為人臉關(guān)鍵部位描述圖。

進(jìn)一步的是，在所述卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程中，通過(guò)人工標(biāo)定多組人臉圖片作為訓(xùn)練樣本訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型。

進(jìn)一步的是，所述卷積神經(jīng)網(wǎng)絡(luò)模型包括卷積層、maxpooling層、unpooling層、add層和softmax層；模型簡(jiǎn)單、占用空間小且運(yùn)算速度快。

進(jìn)一步的是，在所述卷積神經(jīng)網(wǎng)絡(luò)模型的卷積層引入relu激活函數(shù)，加快計(jì)算速度。

進(jìn)一步的是，利用頭發(fā)概率圖，通過(guò)最小化能量函數(shù)對(duì)原始圖像進(jìn)行頭發(fā)分割，最小化能量函數(shù)公式為：

其中，yi為推斷的頭發(fā)概率圖，為卷積神經(jīng)網(wǎng)絡(luò)模型中標(biāo)定的頭發(fā)概率圖，m為總的訓(xùn)練樣本數(shù)。

采用本技術(shù)方案的有益效果：

通過(guò)人臉關(guān)鍵部位描述圖作為卷積神經(jīng)網(wǎng)絡(luò)模型，增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)人頭部區(qū)域的理解能力，從而能夠精確的分割出頭發(fā)區(qū)域；

利用卷積神經(jīng)網(wǎng)絡(luò)模型，能夠加快計(jì)算速度，可以實(shí)現(xiàn)任意分辨率的輸入；

模型結(jié)構(gòu)簡(jiǎn)單，內(nèi)存占用小，適合在手機(jī)上運(yùn)行。

附圖說(shuō)明

圖1為本發(fā)明的一種基于深度學(xué)習(xí)的頭發(fā)分割方法流程示意圖。

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，參見圖1所示，本發(fā)明提出了一種基于深度學(xué)習(xí)的頭發(fā)分割方法，包括步驟：s100-s600。

s100獲取原始圖像irgb，irgb為3通道rgb圖像。

s200對(duì)原始圖像進(jìn)行人臉檢測(cè)，得到人臉關(guān)鍵點(diǎn)。

s300利用人臉關(guān)鍵點(diǎn)生成人臉關(guān)鍵部位描述圖。

利用人臉關(guān)鍵點(diǎn)建立對(duì)于人臉器官以及輪廓的二值蒙版圖，并由所述二值蒙版圖作為人臉關(guān)鍵部位描述圖。

s400將原始圖像和人臉關(guān)鍵部位描述圖合并，獲得4通道圖像。

s500將所述4通道圖像輸入卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)模型推斷出每個(gè)像素點(diǎn)是頭發(fā)的概率，從而獲得頭發(fā)概率圖；

在所述卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程中，通過(guò)人工標(biāo)定多組人臉圖片作為訓(xùn)練樣本訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型。

所述卷積神經(jīng)網(wǎng)絡(luò)模型包括卷積層、maxpooling層、unpooling層、add層和softmax層；模型簡(jiǎn)單、占用空間小且運(yùn)算速度快。

在所述卷積神經(jīng)網(wǎng)絡(luò)模型的卷積層引入relu激活函數(shù)，加快計(jì)算速度。

卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)：

其中：

blk(in,out,kxk)為：convolution_2d+relu；卷積層的輸入為in個(gè)通道，卷積層輸出為out個(gè)通道，采用kxk大小的核；

unpooling(kxk,stride)：采用kxk大小的核，stride為步長(zhǎng)；

maxpooling(kxk,stride)：采用kxk大小的核，stride為步長(zhǎng)。

具體推斷過(guò)程為：

1.將輸入的4通道圖像經(jīng)過(guò)輸入層：blk(4,32,3x3)，得到32通道的特征圖a0；

2.將32通道的特征圖a0經(jīng)過(guò)blk(32,32,3x3)，得到32通道的特征圖a1；

3.將32通道的特征圖a1經(jīng)過(guò)maxpooling(4x4,4)，得到32通道的特征圖a2；

4.將32通道的特征圖a2經(jīng)過(guò)blk(32,64,3x3)，得到64通道的特征圖a3；

5.將64通道的特征圖a3經(jīng)過(guò)maxpooling(2x2,2)，得到64通道的特征圖a4；

6.將64通道的特征圖a4經(jīng)過(guò)blk(64,2,3x3)，得到2通道的特征圖a5_1；

7.將64通道的特征圖a4經(jīng)過(guò)blk(64,128,3x3)，得到128通道的特征圖a5_2；

8.將128通道的特征圖a5_2經(jīng)過(guò)maxpooling(4x4,4)，得到128通道的特征圖a6；

9.將128通道的特征圖a6經(jīng)過(guò)blk(128,2,1x1)，得到2通道的特征圖a7_1；

10.將128通道的特征圖a6經(jīng)過(guò)blk(128,128,3x3)，得到128通道的特征圖a7_2；

11.將128通道的特征圖a7_2依次經(jīng)過(guò)maxpooling(2x2,2)、blk(128,128,1x1)、blk(128,64,3x3)、blk(64,32,3x3)、blk(32,16,3x3)、blk(16,8,5x5)、blk(8,2,7x7)、unpooling(2x2,2)、blk(2,2,3x3)，得到2通道的特征圖a8；

12.將2通道的特征圖a8與a7_1相加，得到2通道的特征圖a6_add；

13.將2通道的特征圖a6_add依次經(jīng)過(guò)unpooling(4x4,4)、blk(2,2,5x5)，得到2通道的特征圖a6_up；

14.將2通道的特征圖a6_up與a5_1相加，得到2通道的特征圖a5_add；

15.將2通道的特征圖a5_add依次經(jīng)過(guò)unpooling(8x8,8)、blk(2,2,7x7)、softmax，得到2通道的結(jié)果圖a0_1；

16.取結(jié)果圖a0_1的第二個(gè)通道作為最終的輸出，即頭發(fā)概率圖。

s600利用頭發(fā)概率圖對(duì)原始圖像進(jìn)行頭發(fā)分割。

利用頭發(fā)概率圖，通過(guò)最小化能量函數(shù)對(duì)原始圖像進(jìn)行頭發(fā)分割，最小化能量函數(shù)公式為：

其中，yi為推斷的頭發(fā)概率圖，為卷積神經(jīng)網(wǎng)絡(luò)模型中標(biāo)定的頭發(fā)概率圖，m為總的訓(xùn)練樣本數(shù)。

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。