[发明专利]一种基于不同发型的RGBD头发分割方法

说明书

本发明公开了一种基于不同发型的RGBD头发分割方法，包括步骤S1：头发噪声学习；步骤S2：头发数据采集；步骤S3：深度学习训练；步骤S4：denseCRF分布优化；步骤S5：模型查找替换。本发明提高了头发分割的速度和精度，让用户可以在手机端进行头发分割，查找，处理一系列操作。本发明使用RGBD的头发数据，对头发噪声进行分模块学习，使得即使在高光还是光线不足的条件下，也可以进行非常精细的分割。对于发型替换，还是要求更高的头发渲染都有非常巨大的促进作用。

技术领域

本发明涉及计算机视觉领域，尤其涉及一种基于不同发型的RGBD头发分割方法。

背景技术

目前传统的语义分割技术已经十分成型，但是头发部分一直是分割技术的难点。主要是由于头发的形状千变万化，没有一个固定的形态，没有固定的结构，这导致不管在深度学习领域还是在传统的计算机视觉领域，头发分割都是一个十分棘手的问题。目前的基于RGB的头发分割技术，主要是考虑到头发颜色的统一性，加入机器学习方法，进行分割。但是分割速度缓慢，分割精度很低，特别是在深夜，逆光时候，对头发的分割非常差劲。目前也有加入深度信息 的分割技术，但是由于头发的特殊材质问题，在头部的噪声非常大，反向利用噪声是一种可取的手段。但是如果只是简单的加入噪声也在很多情况下出现很不稳定的时候。

因此，本领域的技术人员致力于开发一种基于不同发型的RGBD头发分割方法，主要是对于头发不同部分的深度噪声信息进行了深入的分析，对头发部分进行分区分部处理。本发明主要把头发分为头顶，两侧，以及脑后三个部分，并添加面部掩摸，头发流向以及眼睛位置的标注信息，利用神经网络同步训练以上标注信息，大大提升了训练的准确度。同时提取不同发型的特征，作为一个先验信息加入神经网络中，进一步有效提升头发分割的准确度。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是克服现有技术存在的技术缺陷，提供一种针对RGBD进行头发语义分割的新方法，在目前，后置RGBD相机成为发展的主流，而3D换发型也是一个非常有趣的项目，这种新型分割方法对于手机市场有非常高价值的影响。

为实现上述目的，本发明提供了一种基于不同发型的RGBD头发分割方法，包括如下步骤：

步骤S1：头发噪声学习，对头发分角度的RGBD图像进行分析，将所述头发进行分区，得到所述头发在所述分区的噪声直方分布，并获取所述图像的方差图，最后对所述分区的denseCRF参数进行学习；

步骤S2：头发数据采集，对头部进行360度环绕式采集；对每幅图像的头发所述分区和面部的进行绘制，确定两耳的二维坐标点；对所述头发的流向信息进行标注；

步骤S3：深度学习训练，包括发型学习步骤和分割学习步骤；

所述发型学习步骤，通过image-to-image网络，对所述图像进行训练，获得用特定的向量表示的发型信息；

所述分割学习步骤，通过输入头发的RGBD图像以及所述图像的所述发型信息，获得头发不同区域的分割结果信息；

步骤S4：denseCRF分步优化，通过输入所述头发分割结果信息，作为denseCRF的初始值，加入所述图像的方差图，经过所述denseCRF的优化，得到优化的头发分割结果信息；

步骤S5：模型查找替换，用户输入图像与所述头发模型库中的msak进行对比，查找输出相似的头发模型，并通过手机渲染，在手机端显示用户人体头部的三维模型。

进一步地，所述分区为四个，分别为顶部、左侧、右侧和后部。

进一步地，所述环绕式采集通过每6度采集一张所述头部的RGBD图像的方式，采集样本数量大于100人。

进一步地，所述头发的流向分为左斜、右斜、竖直和横向四个方向。

进一步地，所述向量为64*64向量。