[发明专利]一种网页端人物换背景的方法

说明书

本发明公开了一种网页端人物换背景的方法，包括下述步骤：上传待转换背景的图片或视频；构建网页端人物换背景架构；在服务器端对其进行预处理，采用Mask‑RCNN作为图像分割模型，使用训练好的分割模型并行运算得到二值化的掩膜；得到的掩膜经过高斯低通滤波器进行羽化，然后和指定的背景进行融合，得到换背景后的图片或视频；将输入图片、掩膜和换背景后的图片存入数据库中，并将换背景后的图片返回至网页端。本发明提出的一种网页端人物换背景的方法，通过网页和服务器之间的通信，将复杂的计算过程放到服务器计算，它可以同时满足对图片和视频分割的快速性和准确性要求。

技术领域

本发明属于图像分割的技术领域，具体涉及一种网页端人物换背景的方法。

背景技术

图像分割是计算机视觉领域的一项基础且重要的研究。它要求模型根据灰 度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域， 即将目标从背景中分离出来，同时还需要给出目标所在的类别。图像分割有很 多方面的应用，例如医学影像(Medical Imaging)、人脸识别(Face recognition)、 指纹识别(Fingerprintrecognition)和自动驾驶(Autonomous driving)等等。人 物换背景首先需要将人体分割出来，然后再将其嵌入到事先准备好的背景之中， 在视频会议、实时展示等场景中，确保分割的精准性和实时性将是其中最为重 要的一环。图片分割也是视频分割的基础，通过将视频帧视为单个图像，可以 将问题转化为图像分割，并在时间维度上进行回归约束。

已有的工作主要可以分为两类：基于数字图像处理、拓扑学和数学的传统 分割方法；基于深度学习的现代分割方法。

(1)基于数字图像处理、拓扑学和数学的传统分割方法：传统分割方法包 括阈值法、分水岭算法、边缘检测算法等。阈值法的主要思路是根据图像的灰 度值计算一个或多个灰度阈值，根据这些灰度阈值将图像的像素点划分到不同 的类别中，它特别适用于目标和背景灰度值差异较大的情况，优点是计算简单， 效率较高，缺点是只考虑了灰度值特征而没有考虑空间特征，对噪声比较敏感， 鲁棒性不高。分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法， 其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值 表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆 的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在 每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着 浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处 构筑大坝，即形成分水岭。边缘检测算法通过检测包含不同区域的边缘来解决 分割问题，通常情况下边缘处的像素灰度值变化比较剧烈，对应着频率域的高 频部分，通过一阶或者二阶微分算子可以较好的检测边缘点，例如Laplacian算 子、Canny算子等。其优点是定位准确速度快，缺点是不能保证边缘的连续性和 封闭性。

(2)基于深度学习的图像分割：深度学习的出现大大提升了图像分割的性 能，这一类方法的主要思路是通过卷积神经网络提取图像的特征表示，再使用 图像的像素级分割和类别作为监督信号对模型进行端对端的训练。比较典型的 算法包括FCN，U-net，DeepLab，Mask-RCNN等。FCN提出了全卷积网络和反 卷积层，它将传统卷积网络中的全连接网络替换成了卷积网络，使得网络可以 接受任意大小的图片，并使用反卷积从特征图输出和原图一样大小的分割图。 U-net是典型的编码器-解码器结构，通过编码器提取整个图形的语义信息，再融 合浅层的高分辨率信息进行分割，被广泛的适用于医学图形分割中。Deeplab提 出了空洞卷积扩大感受野，保持分辨率，并融合了多尺度信息。Mask-RCNN同 时解决目标检测和图像分割两个任务，提出了RoiAlign替代了之前的RoiPooling， 使用线性插值替代取整，消除了两次量化误差，提高了分割的精细程度。