[發明專利]基于深度學習和水平集的人臉分割方法

有效

• 申請號: 201710252894.7
• 申請日: 2017-04-18
• 公開（公告）號: CN107424153B
• 公開（公告）日: 2020-08-14
• 發明（設計）人: 趙驥;師云秋
• 申請（專利權）人: 遼寧科技大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/30
• 代理公司: 沈陽亞泰專利商標代理有限公司 21107
• 代理人: 史力伏

1.一種基于深度學習和水平集的人臉分割方法，其特征在于：包括如下步驟：

步驟一、使用深度學習模型，來學習樣本形狀，為構造水平集的先驗形狀奠定基礎，并且使圖像分割模型能夠適用于任意先驗形狀；深度學習模型采用的是深度玻爾茲曼機，由多層受限制玻爾茲曼機疊加而成，在深度學習模型中各單元層之間均為無向連接，把以前深度學習模型中復雜的上下層的反饋系數訓練簡單化，從而使得深度玻爾茲曼機深度學習模型有了強大的數據泛化能力，使得其性能優于其它深度學習模型；在深度玻爾茲曼機的基礎上，通過深度玻爾茲曼機學習目標形狀樣本，從而生成形狀模板，模型如下：

其中v是可見單元，h是隱單元，W是權值矩陣，a和b是參數；

步驟二、構造去均值平均絕對差度量進行形狀匹配，去均值平均絕對差度量算法能夠使每一個圖像的像素值都被充分利用，算法的優點在于通過在運算中減掉均值從而減輕了自相關運算時因為數值接近而造成的匹配失敗；比較兩幅圖像對應點的像素值的去均值平均絕對差，若這個去均值平均絕對差的值小于0.10，就認為這兩點相似，形狀庫中與待分割圖像相似點最多的形狀就是待分割目標的匹配形狀；并且還利用匹配到的形狀模板得到活動輪廓的初始輪廓線，以便于輪廓曲線更加貼近目標邊界，并使其向感興趣的區域收斂，提高分割方法的分割效率和分割準確率；

所述采用的去均值平均絕對差度量來進行形狀匹配，模型如下：

其中，為基準圖的平均值，為實時圖的平均值；

步驟三、根據深度玻爾茲曼機學習得到的先驗形狀，建立新的形狀能量項；在深度玻爾茲曼機深度學習模型中，三層的學習結構能夠有效地表達形狀樣本的形狀結構；在三層學習結構的最底層能夠檢測到樣本形狀的局部特征，并將這些局部特征向上一層傳遞，使得上一層能夠檢測到更加復雜的樣本形狀特征，即樣本形狀的全局形狀特征；再通過條件概率推理可以產生出一個先驗形狀；由于深度玻爾茲曼機深度學習模型生成的先驗形狀是由概率表示的，因此，形狀的表示就由原來的二維矩陣v的表示方式替換為由概率定義的形狀P的表示方式；其中，P:Ω→[0,1]；這樣，先驗形狀的形狀能量項就可以表示為：

E_DBM-Shape(p_i)＝E_DBM(p_i,h¹,h²；θ)

其中，pi表示第i個先驗形狀，h¹和h²是兩個隱單元，θ＝{W,a,b}是該模型的模型參數集合；

步驟四、使用局部高斯分布來描述圖像的全局信息，構建新的圖像能量項；使用具有不同均值和方差的高斯分布來描述局部圖像能量強度；能量最小化的過程就是通過一個交錯的水平集演化，并估計在一個迭代過程中局部能量均值和方差，由局部能量的均值和方差構成空間變化函數來處理強度的不均勻性和空間變化的強度噪聲，還能夠分割具有相似的強度而有不同的方差的區域，模型如下：

其中，是局部擬合能量泛函，P_i，x(g(y))是灰度值g(y)的一個先驗概率；是平滑項，∫_ΩH(φ(x,y))dxdy是正則項，懲罰水平集函數，避免水平集函數重新初始化，μ、ν是參數；Φ是零水平集；u₁(x)，u₂(x)，σ₁(x)²，σ₂(x)²分別是圖像局部密度的均值和標準差；Ω是圖像域；μ是正則項的權重系數；是水平集函數的梯度；v是長度項權重系數；H(φ(x，y)是水平集函數的海氏函數表示；

步驟五、將新的形狀能量項和新的圖像能量項整合為一個能量項，并以此能量項來驅動輪廓曲線的演化；將形狀能量項和圖像能量項線性整合為一個能量項，并以此能量項來驅動輪廓曲線的演化，模型如下：

其中，λ為各項能量項在整合能量項中的權重，且λ0；δ是狄拉克函數的正則化形式。