[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

一種基于深度學習和水平集的人臉分割方法，解決現有技術存在的針對背景過于復雜或者灰度不均勻的人臉圖像，人臉分割算法執行效果不理想的問題。基于人臉形狀的多樣性和復雜性、人臉圖像輪廓邊界模糊以及背景復雜等特點，在圖像分割模型中引入深度學習的方法，使用玻爾茲曼機來學習人臉樣本的形狀信息，然后將形狀信息引入到采用變分水平集和高斯分布擬合表達的能量模型中，實現人臉的快速、準確分割。所建立的人臉分割方法，具有效率高、準確度高和魯棒性強的特點；能夠減少過分割和欠分割現象，匹配速度快，可進行實時高效分割。

技術領域

本發明屬于圖像分割技術領域，具體涉及一種能夠減少過分割和欠分割現象，匹配速度快，準確度高，可實時高效分割的基于深度學習和水平集的人臉分割方法。

背景技術

人臉是人類的一個重要的生物特征，包含了豐富的特征信息和結構信息。人臉分割作為人臉信息處理中的一項關鍵技術，在身份驗證、基于內容的圖像檢索、自動監控、人機交互等方面有著重要的應用價值。人臉分割主要是指在圖像中確定人臉的位置和區域，以便于實施人臉檢測以及臉部重要特征的測量和描述；并為人臉識別、表情分析等面部的高級理解打下技術基礎。因此，人臉分割的準確性和高效性，直接影響圖像識別等后期處理的質量。

目前，針對人臉分割的方法主要有以下幾種：1、根據人臉顏色與周圍環境顏色的不同，利用膚色在彩色空間中呈現出來的聚類特征，實施膚色分割。這種人臉分割方法的特點是算法簡單，但卻不能分割背景復雜的人臉圖像、以及不同膚色的人臉圖像。2、利用背景差分法來分割運動中的人臉圖像，通過比較運動圖像序列中相鄰圖像幀之間的差值，定位人臉位置。該方法的優點是可以將人臉與靜止的背景區分開，但是，當場景中還存在其他的運動物體時，會產生誤分割的現象。3、利用邊緣提取算法來提取面部輪廓。該方法只適用于背景單一的人臉圖像。4、曲線擬合的方法。該方法先檢測人臉的輪廓點，然后對檢測到的輪廓點進行橢圓擬合，但對于形狀不規則的人臉無法進行有效分割。5、基于模板的分割方法。該方法需要確定模板形狀，分割效果受模板的影響較大。6、基于活動輪廓模型的人臉分割方法。該方法對噪聲較敏感，且對弱邊緣易出現過分割的現象。

近年來，以活動輪廓模型為基礎的、與其他方法和理論相結合的人臉圖像分割方法，受到了研究者們的關注；其目的主要是為了克服：1、基于邊界的活動輪廓模型，由于僅僅利用了邊界附近圖像梯度的局部信息，使其對于初始輪廓非常敏感的問題。2、基于區域的活動輪廓模型，雖然利用了全局信息，但對于初始輪廓的敏感度存在一定程度下降的問題。故為了避免針對背景太復雜或者灰度不均勻的人臉圖像，人臉分割算法的執行效果不理想的情況，有必要對現有技術的人臉分割技術予以改進。

發明內容

本發明就是針對上述問題，提供一種能夠減少過分割和欠分割現象，匹配速度快，準確度高，可實時高效分割的基于深度學習和水平集的人臉分割方法。

本發明所采用的技術方案是：該基于深度學習和水平集的人臉分割方法包括如下步驟：

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；