没有合适的资源?快使用搜索试试~ 我知道了~
一种由粗到细的头发分割方法1
需积分: 0 1 下载量 170 浏览量
2022-08-04
13:25:21
上传
评论
收藏 1.88MB PDF 举报
温馨提示
试读
14页
摘要:从图像中提取出头发区域,能够为头发分析、发型趋势预测等任务提供有利的线索.但是,头发的类内模式非常复杂,并且它与其他物体类间也常因光照复杂、表观特征相似等
资源详情
资源评论
资源推荐
软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
Journal of Software,2013,24(10):2391−2404 [doi: 10.3724/SP.J.1001.2013.04423] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel/Fax: +86-10-62562563
一种由粗到细的头发分割方法
∗
王
丹
1,2
,
山世光
1
,
张洪明
3
,
曾
炜
3
,
陈熙霖
1
1
(中国科学院 计算技术研究所 智能信息处理重点实验室,北京 100190)
2
(中国科学院大学,北京 100049)
3
(NEC 中国研究院,北京 100084)
通讯作者: 山世光, E-mail: sgshan@ict.ac.cn
摘 要: 从图像中提取出头发区域,能够为头发分析、发型趋势预测等任务提供有利的线索.但是,头发的类内模式
非常复杂,并且它与其他物体类间也常因光照复杂、表观特征相似等因素而难以分离.因此,头发分割是一个非常具
有挑战性的问题.为了一定程度地解决这些问题,提出了一种由粗到细的头发分割方法.首先,该方法利用最新提出
的利用视点进行主动分割(active segmentation with fixation,简称 ASF)的方法,粗略提取头发分割的候选范围,保证头
发区域的高召回率(准确率也许较低),并由此排除大部分与头发区域难以分离的背景区域;然后,利用特定于当前图
像的头发类别信息,使用图割(graph cuts,简称 GC)法在限定的范围内进行更加精细的分割.具体地,采用均值漂移
(mean shift,简称 MS)方法对输入图像进行区域的过分割;然后,利用贝叶斯方法选择一些可靠的、有较大概率属于
头发或背景的“种子区域”,针对头发和背景的种子区域,采用支持向量机(support vector machine,简称 SVM)在线学
习头发和背景的分类器,并将其用于预测每个像素或区域属于头发或背景的概率;最后,将得到的概率用以 Graph
Cuts 的初始化,求解得到最终的头发分割结果.实验结果表明,所提出的头发分割方法能够超越当前提出的头发分割
方法.为了验证方法的可推广性,对其进行了一定扩展,并在马、汽车、飞机这 3 个类别的公开数据库上作了评测
,
取得了较好的性能.
关键词: 头发分割;由粗到细;图割;支持向量机
中图法分类号: TP391 文献标识码: A
中文引用格式: 王丹,山世光,张洪明,曾炜,陈熙霖.一种由粗到细的头发分割方法.软件学报,2013,24(10):2391−2404. http://
www.jos.org.cn/1000-9825/4423.htm
英文引用格式: Wang D, Shan SG, Zhang HM, Zeng W, Chen XL. Coarse-to-Fine hair segmentation method. Ruan Jian Xue
Bao/Journal of Software, 2013,24(10):2391−2404 (in Chinese). http://www.jos.org.cn/1000-9825/4423.htm
Coarse-to-Fine Hair Segmentation Method
WANG Dan
1,2
, SHAN Shi-Guang
1
, ZHANG Hong-Ming
3
, ZENG Wei
3
, CHEN Xi-Lin
1
1
(Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, The Chinese Academy of Sciences, Beijing
100190, China)
2
(University of Chinese Academy of Sciences, Beijing 100049, China)
3
(NEC Labs China, Beijing 100084, China)
Corresponding author: SHAN Shi-Guang, E-mail: sgshan@ict.ac.cn
Abstract: Segmenting hair regions from human images facilitates many tasks like hair analysis and hair style trends forecast. However,
hair segmentation is quite challenging due to large within-class pattern diversity and between-class confusion resulted from complex
illumination and similar appearance. To solve these problems to some extent, this paper proposes a novel coarse-to-fine hair segmentation
∗ 基金项目: 国家重点基础研究发展计划(973)(2009CB320902); 国家自然科学基金(61025010, 61173065); 北京市自然科学基
金(4111003)
收稿时间: 2012-08-16; 修改时间: 2012-12-27, 2013-03-18; 定稿时间: 2013-05-07
2392
Journal of Software 软件学报 Vol.24, No.10, October 2013
method. Firstly, the recently published “active segmentation with fixation (ASF)” is used to coarsely define a candidate region with
high-recall (but possibly low-precision) of hair pixels and exclude considerable part of the backgrounds which are easily confused with
hair. Then the graph cuts (GC) method is applied to the candidate regions to perform more precise segmentation, by incorporating
image-specific hair information. Specifically, Bayesian method is employed to select some reliable hair and background regions (seeds)
among the ones over-segmented by mean shift. SVM classifier is then learnt online from these seeds and explored to predict
hair/background likelihood probability, which is used as an initialization for performing GC algorithm. Experimental results demonstrate
the approach outperforms existing hair segmentation methods. To validate the generality, the paper extends the method and achieves good
results on the public databases of horse, car and aeroplane classes.
Key words: hair segmentation; coarse-to-fine; graph cut; SVM (support vector machine)
由于头发关乎个人形象,头发仿真、头发编辑等问题备受研究者关注
[1−4]
.研究者们发现,头发在人的身份识
别
[5]
、性别识别
[6]
方面起着至关重要的作用.由于人们一般不会频繁地更换发型,头发分割有利于身份识别,而男
女发型差异使其可辅助性别识别.为了完成以上这些应用任务,从输入图像中分割出头发区域用于后续处理,是
相当有价值的工作.但在大多数文献中,头发区域被假设为已分割好或者已由手动标注出完整区域
[7,8]
,因此,自
动的头发分割仍然是一个开放式问题.头发分割问题之所以很有挑战性,是因为其类内模式复杂,且很难与相似
背景(如深色树枝、深色衣服等)区分开来.目前,研究头发分割的文献还相对较少,在较早的 Liu 等人
[9]
的工作中,
他们利用纹理和几何特征,将像素分为头发和非头发两类;在文献[5]中,Yacoob 和 Davis 利用颜色模型进行头发
分割,但是只对结果进行了主观评价,缺乏定量分析;在另一项较新的研究工作
[10]
中,Rousset 和 Coulon 基于频域
和颜色信息,应用 matting 方法进行头发分割;文献[11]也采用颜色模型进行头发分割,但缺乏细致的设计.值得
注意的是,文献[5]和文献[10]的方法都需要首先选出足量、可靠的头发区域作为种子,以学习准确的头发模型.
而既保证种子数量,又保证准确度,也是很难的任务.最近,Wang 等人
[12]
和 Lee 等人
[13]
提出的头发分割方法获得
了令人满意的性能.Wang 等人
[12]
采用贝叶斯方法进行头发的种子区域选择和头发分割,但忽略了背景信息的
利用;Lee 等人
[13]
利用 Graph Cuts 算法进行头发分割,但在 GC 的优化中有太多的复杂背景对结果产生了不可预
测的影响,使得 GC 优化计算的结果与用户期望的结果之间存在很大差距.综上,复杂场景下的头发分割问题并
没有得到很好的解决.
本文方法的早期版本发表在 FG2011
[14]
上,相比于早期版本,本文将特定于头发分割的方法进行了一定的
扩展,推广到解决其他物体类别的分割问题.方法扩展主要是采用了多视点的粗分割方法,使方法对于表观模式
复杂的物体仍能保持较高的召回率;实验上的扩展,主要是新增 3 个类别在公开数据库的大量评测、比较和
分析.
基于视点的主动分割方法由 Mishra
[15]
提出,它利用物体的视点信息,自动提取物体或一致性区域的闭合轮
廓,适用于凸形状物体的轮廓提取.根据这一性质,我们利用 ASF 排除大部分难与前景分离的背景区域,提供包
含头发的“粗略”候选区域,提取出的候选区域常常是由全部头发像素、全部或部分面部像素以及一些周边像素
共同组合成的凸形状区域.而后,在此候选区域内,应用 Graph Cuts 排除错误接受的像素,达到精细的头发分割结
果.在运行 GC 之前,需要从图像中选择足量、准确的种子区域,用以对头发和背景建模.与 Wang 等人
[12]
提出的
方法相似,本文也采用贝叶斯方法进行种子选择.不同的是,为了保证选到更多准确的种子像素,采用了基于区
域,而非基于像素的策略.得到种子区域后,采用判别式方法——支持向量机(support vector machine,简称
SVM)
[16]
来学习头发和背景模型.之所以采用 SVM,是因为判别式方法往往比产生式(比如高斯混合模型)更加
关注类别间的差异,这更符合分离头发和背景的目标.学习到的 SVM 分类器用以预测每个像素或者区域属于头
发或者背景的概率,该概率被作为后端 Graph Cuts 的初始化.本文方法与文献[13]中的方法有 3 个不同之处:
1) 提出了由粗到细的头发分割框架,极大地提高了分割性能;
2) 采用基于区域的种子选择策略,而非基于像素的策略;
3) 采用判别式方法而非生成式方法进行前景和背景模型的学习.
本文第 1 节概述提出的方法.第 2 节介绍基于区域的种子选择方法和 SVM 在线学习.第 3 节详述由粗到细
的分割策略.第 4 节给出实验结果,并将其与其他方法进行比较.第 5 节给出结论.
王丹 等:一种由粗到细的头发分割方法
2393
1 方法概述
图 1 给出了方法的详细步骤:给定一幅输入图像,首先进行头部检测,并依据检测框归一化,得到图 1(a)所示
的归一化图像;然后,采用 Mean Shift 过分割方法
[17]
将图像分割为若干形状不规则、物理性质均一的区域,如图
1(b)所示;然后,将特定于头发类别的颜色和位置模型融合在一个贝叶斯框架下,用以进行种子选择.所谓前景或
背景种子,即是根据目前的模型,以较高的概率属于前景或者背景的可靠区域,选出的种子如图 1(c)所示.这些种
子一方面用以学习特定于当前图像的判别前景和背景的 SVM 模型,从而计算每个点属于头发的概率,如图 1(d)
所示;另一方面,随机选择其中一点作为 ASF 算法的初始视点(fixation),从而得到如图 1(e)所示的初始粗略轮廓.
最后,在 ASF 得到的候选区域内应用 Graph Cuts 算法,获取如图 1(f)所示的更加精细的分割结果.图 1(e)是应用
学习到的 SVM 模型得到的概率图;图 1(f)则是 SVM 的输出概率和头发的位置先验概率(hair occurrence prior
probability of location)融合的结果.
检测和归一化
Mean Shift
过分割
贝叶斯种子选择
头发种子选择
背景种子选择
基于像素
的图割
输入图像
输出标号
基于视点
的分割(ASF)
粗分割 精细分割
在线模型的
学习
(a) (b) (c) (d) (e) (f)
(a) 归一化图像; (b) Mean Shift 过分割结果; (c) 贝叶斯方法选出的头发种子(灰色区域)和背景种子(黑色区域);
(d) 融合 SVM 和 HOPP 的概率图; (e) ASF 生成的闭合轮廓; (f) 分割结果
Fig.1 Flowchart of the proposed method
图 1 本文方法的流程图
2 头发种子选择及特定于图像的 SVM 分类器
2.1 采用贝叶斯准则进行基于区域的种子选择
直观地,人的头发通常分布在面部周围,并以更高的概率分布在面部上方.因此,头发和人脸的相对位置是
头发分割的重要线索.将头发位置的先验概率称为 HOPP(hair occurrence prior probability),HOPP 是从事先标注
好的训练集中学习得到的.具体地,首先将所有训练图像按照检测到的人脸位置归一化为同一大小,然后计算每
个像素点出现的频率.图 2 给出了多姿态头发先验模型的可视化图.在离线的训练中,还需要学习通用头发颜色
模型(generic hair color model,简称 GHCM).“通用”模型反映头发样例的共性,比如,大部分人的头发颜色为黑、
棕、红棕等.我们采用期望最大化(expectation-maximization,简称 EM)算法学习 GHCM.
基于学习到的两种先验模型,即 HOPP 和 GHCM,种子选择的问题就可以形式化为贝叶斯模型.与文献[12]
不同,本文将贝叶斯模型应用于过分割后的区域,而非像素.基于区域的策略可以在保证准确率的条件下降低计
算复杂度,保证种子数目.形式地,将 X={(i,j):1≤i≤W,1≤j≤H}定义为图像栅格,I
X
是定义在栅格上的彩色图像,
用 I
x
表示一个区域或者一个像素的颜色向量,I
x
=[R
x
,G
x
,B
x
]
T
;L
X
=(l
1
,l
2
,…,l
m
)
T
表示标号向量, m=W×H,并且 l
x
=1 表
示 x 属于前景,l
x
=0 表示 x 属于背景.将一个区域或者像素是头发的概率表示为 P(l
x
=1),而其在通用颜色模型下
的条件概率表示为 P(I
x
|l
x
=1).因此,依照贝叶斯准则,一个区域 R 属于头发的后验概率为
剩余13页未读,继续阅读
城北伯庸
- 粉丝: 27
- 资源: 315
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0