[发明专利]一种基于深度学习的头发分割方法

说明书

本发明公开一种基于深度学习的头发分割方法，包括步骤S100获取原始图像；S200对原始图像进行人脸检测，得到人脸关键点；S300利用人脸关键点生成人脸关键部位描述图；S400将原始图像和人脸关键部位描述图合并，获得4通道图像；S500将所述4通道图像输入卷积神经网络模型，通过卷积神经网络模型推断出每个像素点是头发的概率，从而获得头发概率图；S600利用头发概率图对原始图像进行头发分割。本发明能够有效避免传统分割方法的不足，达到较好的头发分割效果，不需要人工干预，实现自动分割；能够对任意分辨率的图像进行分割；占用内存小，运行速度快。

技术领域

本发明属于图像处理技术领域，特别是涉及一种基于深度学习的头发分割方法。

背景技术

图像分割一直是计算机视觉领域比较重要的一个分支，现如今应用最广的是一些交互式的分割方法如grabcut等基于图的分割方法，这些方法需要手动指定一部分前背景种子点，而手机设备上要有好的用户体验的话要求尽量自动化；grabcut等图割方法仅仅使用颜色信息以及空间信息进行分割，缺少高层语义上的分割与理解。

头发分割属于图像分割中的一种情况，发型的复杂性、颜色的多变、纹理的不确定性、亮度的不确定性等使得传统的图割的方法并不能很好地分割头发。而现有的头发分割方法使头发分割的效果差，无法明确的分割出头发区域；无法实现自动分割，需要人工干预；无法对任意分辨率的图像进行头发分割；占用内存大，运行速度慢。

发明内容

为了解决上述问题，本发明提出了一种基于深度学习的头发分割方法，能够有效避免传统分割方法的不足，达到较好的头发分割效果，不需要人工干预，实现自动分割；能够对任意分辨率的图像进行分割；占用内存小，运行速度快。

为达到上述目的，本发明采用的技术方案是：一种基于深度学习的头发分割方法，包括步骤：

S100获取原始图像；

S200对原始图像进行人脸检测，得到人脸关键点；

S300利用人脸关键点生成人脸关键部位描述图；

S400将原始图像和人脸关键部位描述图合并，获得4通道图像；

S500将所述4通道图像输入卷积神经网络模型，通过卷积神经网络模型推断出每个像素点是头发的概率，从而获得头发概率图；

S600利用头发概率图对原始图像进行头发分割。

进一步的是，步骤S300中，利用人脸关键点建立对于人脸器官以及轮廓的二值蒙版图，并由所述二值蒙版图作为人脸关键部位描述图。

进一步的是，在所述卷积神经网络模型的训练过程中，通过人工标定多组人脸图片作为训练样本训练卷积神经网络模型。

进一步的是，所述卷积神经网络模型包括卷积层、Maxpooling层、Unpooling层、Add层和SoftMax层；模型简单、占用空间小且运算速度快。

进一步的是，在所述卷积神经网络模型的卷积层引入ReLU激活函数，加快计算速度。

进一步的是，利用头发概率图，通过最小化能量函数对原始图像进行头发分割，最小化能量函数公式为：

其中，y_i为推断的头发概率图，为卷积神经网络模型中标定的头发概率图，m为总的训练样本数。

采用本技术方案的有益效果：

通过人脸关键部位描述图作为卷积神经网络模型，增强卷积神经网络模型对人头部区域的理解能力，从而能够精确的分割出头发区域；

利用卷积神经网络模型，能够加快计算速度，可以实现任意分辨率的输入；

模型结构简单，内存占用小，适合在手机上运行。