CN102436636A - 自动分割头发的方法及其系统 - Google Patents

Abstract

本发明涉及自动分割头发的方法及系统，方法包括：步骤1，对训练集和待分割的图像进行人脸检测，提取人脸部分的扩展图像；步骤2，对于训练集中的图像，根据标记的头发像素点建立通用头发特征统计模型，依据姿态进行分类，计算各类的位置先验模型；步骤3，对待分割的图像进行划分，确定待分割的图像所属的姿态类别，依据通用头发特征统计模型和所属姿态类别的位置先验模型选择头发种子和背景种子；步骤4，对头发种子建立头发特征统计模型，对背景种子建立背景特征统计模型；步骤5，根据待分割图像的头发特征统计模型和背景特征统计模型，及所属姿态类别的位置先验模型对待分割的图像进行头发分割。本发明能够解决多种人脸姿态的头发分割问题。

Description

自动分割头发的方法及其系统

技术领域

本发明涉及图像处理领域，尤其涉及自动的头发分割方法及其系统。

背景技术

头发对人的整体形象，起着至关重要的作用。因此，头发建模、编辑、着色、合成及动画制作等头发相关的应用，在近些年来已经引起越来越多的关注。这些任务中，头发分割往往作为前端的首要任务。现有技术中，在大部分头发相关应用中，头发都被认为是分割好的，或者手动标定。除了头发相关的应用，许多计算机视觉任务都可以从头发分割技术中获益。比如，男性和女性的发型一般有很大的不同，分割得到的头发可以为性别分类提供重要的线索；而随着年龄的变化，人们的发型风格、头发颜色，尤其是老年时，会发生很大变化，由此头发也有助于年龄的估计。另外，由于通常人们不会在短时间内经常改变发型，头发还可对身份识别有所贡献。

由于头发的模式变化多样，而图像中的背景又往往比较复杂，易与头发混淆，头发分割面临着一定的挑战性。已有的头发分割技术包括利用几何和颜色模型，针对光照和阴影建立简单的颜色模型；或采用频率统计和颜色分析选取种子，而后扩展头发区域。但这些方法前端的种子选择往往根据经验，选出的种子比较离散、数量不多，不易建立准确的头发统计模型；另外，目前的方法大都只能解决正面人脸图像的头发分割问题。

发明内容

为解决上述问题，本发明提供了自动分割头发的方法及其系统，能够解决多种人脸姿态的头发分割问题。

本发明公开了一种自动分割头发的方法，包括：

步骤1，对训练集中图像和待分割的图像进行人脸检测，以从图像中提取的人脸部分的扩展图像作为后续处理的对象，并确定所述对象中人脸的姿态；

步骤2，对于训练集中的图像，根据各个图像中标记的头发像素点建立通用头发特征统计模型，并依据所述图像中人脸的姿态对所述图像进行分类，对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型，所述位置先验模型包含各个像素位于头发区域中的位置先验概率，所述通用头发特征统计模型表示各种人在各种情况下的头发的共性特征；

步骤3，确定分割单位，按所述分割单位对待分割的图像进行划分，根据待分割的图像的人脸的姿态确定所述待分割的图像所属的姿态类别，依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子；

步骤4，对所述头发种子建立待分割图像对应的头发特征统计模型，对所述背景种子建立待分割图像对应的背景特征统计模型；

步骤5，根据所述待分割图像的头发特征统计模型和背景特征统计模型，以及所属姿态类别的位置先验模型对所述待分割的图像进行头发分割。

所述步骤3中分割单位为区域；

所述步骤3中依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子进一步为，

步骤21，对于每个区域，以区域中各个像素的位置先验概率的数值平均值为所述区域的位置先验概率，以区域中各个像素的头发特征的数值平均值作为区域的特征数值，计算区域的特征数值在通用头发特征统计模型下的条件概率；

步骤22，依据区域的位置先验概率和区域的特征数值在通用头发特征统计模型下的条件概率，通过贝叶斯方法计算所述区域作为头发区域的后验概率；

步骤23，依据所述后验概率从分割的区域中选择头发种子和背景种子。

所述步骤3中分割单位为像素；

所述步骤3中依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子进一步为，

步骤31，对于每个像素，以像素的位置先验概率的数值为所述像素的位置先验概率，以像素的头发特征的数值作为像素的特征数值，计算像素的特征数值在通用头发特征统计模型下的条件概率；

步骤32，依据像素的位置先验概率和像素的特征数值在通用头发特征统计模型下的条件概率，通过贝叶斯方法计算像素作为头发区域的后验概率；

步骤33，依据所述后验概率从待分割图像的像素中选择头发种子和背景种子。

所述步骤23进一步为，

步骤41，将所有分割单位依据后验概率的数值由高到低进行排序；

步骤42，对有序的分割单位的序列，从序列的第一个分割单位开始，依次选择当前分割单位之后的分割单位，直至所选分割单位的总像素数目超过n，将所选分割单位作为头发种子；从序列的最后一个分割单位开始，依次选择当前分割单位之前的分割单位，直至所选的分割单位的总像素数目超过m，将所选分割单位作为背景种子；n和m分别为预设数值。

所述步骤23进一步为，

步骤51，选择后验概率大于第一预设阈值的区域为头发种子；

步骤52，选择后验概率小于第二预设阈值的区域为背景种子。

所述步骤1和所述步骤2间还包括：

步骤61，对训练集中图像和待分割的图像进行归一化。

所述人脸的姿态包括准正面和非准正面；

所述步骤1还包括在确定图像中人脸的姿态为准正面时，检测人脸特征点的位置；

所述步骤61进一步为在图像中人脸的姿态为准正面时，根据人脸特征点位置对原始图像进行旋转、平移、缩放；在检测到的人脸的姿态不是准正面时，对人脸进行相应的缩放处理。

所述步骤2中对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型进一步为，

步骤81，统计训练集中属于所述姿态类别的图片的数量；

步骤82，对于每个像素，根据图像中标记的头发像素点，统计所述像素位于头发区域中的次数；

步骤83，对于每个像素，将所述像素位于头发区域中的次数除以所述姿态类别的图片的数量，所得商为所述像素的位于头发区域中的概率；

步骤84，各个像素的位于头发区域中的概率组成所述姿态类别对应的位置先验模型。

所述步骤2中对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型进一步为，

步骤91，针对每个姿态类别的训练集中的图片，根据人脸检测的结果和由所述结果得出的肤色模型，在所述图像中分割出面部的肤色区域，并得到肤色和头发的边缘；

步骤92，沿着所述边缘向外扩展多个像素的距离，得到一个环状区域；从人脸的特征点位置向外均匀画多条射线；

步骤93，针对所述射线和所述环状区域的交集中的每个像素点，根据标记的头发像素点统计作为头发像素出现的频次，求出每个像素点的作为头发像素出现的位置先验概率，组成所述姿态类别的位置先验模型。

本发明还公开了一种自动分割头发的系统，包括：

图像提取模块，用于对训练集中图像和待分割的图像进行人脸检测，以从图像中提取的人脸部分的扩展图像作为后续处理的对象，并确定所述对象中人脸的姿态；

通用特征模型建立模块，用于对于训练集中的图像，根据各个图像中标记的头发像素点建立通用头发特征统计模型，所述通用头发特征统计模型表示各种人在各种情况下的头发的共性特征；

位置先验模型建立模块，用于依据所述图像中人脸的姿态对所述图像进行分类，对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型，所述位置先验模型包含各个像素位于头发区域中的位置先验概率；

种子选择模块，用于按配置的分割单位对待分割的图像进行划分，根据待分割的图像的人脸的姿态确定所述待分割的图像所属的姿态类别，依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子；

特征统计模型建立模块，用于对所述头发种子建立待分割图像对应的头发特征统计模型，对所述背景种子建立待分割图像对应的背景特征统计模型；

分割进行模块，根据所述待分割图像的头发特征统计模型和背景特征统计模型，以及所属姿态类别的位置先验模型对所述待分割的图像进行头发分割。

所述分割单位为区域；

所述种子选择模块在依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子时进一步用于，

对于每个区域，以区域中各个像素的位置先验概率的数值平均值为所述区域的位置先验概率，以区域中各个像素的头发特征的数值平均值作为区域的特征数值，计算区域的特征数值在通用头发特征统计模型下的条件概率；

依据区域的位置先验概率和区域的特征数值在通用头发特征统计模型下的条件概率，通过贝叶斯方法计算所述区域作为头发区域的后验概率；

依据所述后验概率从分割的区域中选择头发种子和背景种子。

所述分割单位为像素；

所述种子选择模块在依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子时进一步用于，

对于每个像素，以像素的位置先验概率的数值为所述像素的位置先验概率，以像素的头发特征的数值作为像素的特征数值，计算像素的特征数值在通用头发特征统计模型下的条件概率；

依据像素的位置先验概率和像素的特征数值在通用头发特征统计模型下的条件概率，通过贝叶斯方法计算像素作为头发区域的后验概率；

依据所述后验概率从待分割图像的像素中选择头发种子和背景种子。

所述种子选择模块在依据所述后验概率从分割的区域中选择头发种子和背景种子时进一步用于，

将所有分割单位依据后验概率的数值由高到低进行排序；

对有序的分割单位的序列，从序列的第一个分割单位开始，依次选择其后的分割单位，直至所选分割单位的总像素数目超过n，将所选分割单位作为头发种子；从序列的最后一个分割单位开始，依次选择当前分割单位之前的分割单位，直至所选的分割单位的总像素数目超过m，将所选分割单位作为背景种子；n和m分别为预设数值。

所述种子选择模块在依据所述后验概率从分割的区域中选择头发种子和背景种子时进一步用于，

选择后验概率大于第一预设阈值的区域为头发种子；

选择后验概率小于第二预设阈值的区域为背景种子。

所述图像提取模块还用于对训练集中图像和待分割的图像进行归一化。

所述人脸的姿态包括准正面和非准正面；

所述图像提取模块还用于在确定图像中人脸的姿态为准正面时，检测人脸特征点的位置；

所述图像提取模块在对训练集中图像和待分割的图像进行归一化时进一步用于为在图像中人脸的姿态为准正面时，根据人脸特征点位置对原始图像进行旋转、平移、缩放；在检测到的人脸的姿态不是准正面时，对人脸进行相应的缩放处理。

所述位置先验模型建立模块在对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型时进一步用于，

统计训练集中属于所述姿态类别的图片的数量；

对于每个像素，根据图像中标记的头发像素点统计所述像素位于头发区域中的次数；

对于每个像素，将所述像素位于头发区域中的次数除以所述姿态类别的图片的数量，所得商为所述像素的位于头发区域中的概率；

各个像素的位于头发区域中的概率组成所述姿态类别对应的位置先验模型。

所述位置先验建立模块在对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型时进一步用于，

针对每个姿态类别的训练集中的图片，根据人脸检测的结果和由所述结果得出的肤色模型，在所述图像中分割出面部的肤色区域，并得到肤色和头发的边缘；

沿着所述边缘向外扩展多个像素的距离，得到一个环状区域；从人脸的特征点位置向外均匀画多条射线；

针对所述射线和所述环状区域的交集中的每个像素点，根据标记的头发像素点统计作为头发像素出现的频次，求出每个像素点的作为头发像素出现的位置先验概率，组成所述姿态类别的位置先验模型。

本发明的有益效果在于，通过依据人脸的姿态进行分类，能够不对人脸的姿态做限制，通过采用了贝叶斯方法融合位置先验和特征统计模型进行种子选择，能够提提高头发种子区域选择准确性；本发明能够随着人脸检测和人脸姿态估计方法的精确性提高，不断细化分类，从而提高准确率，并具有可扩展性。

附图说明

图1为本发明的自动分割头发的方法的流程图；

图2为图像的自动人脸检测结果；

图3为人脸姿态为左侧时，头发出现的位置先验模型的可视化图像；

图4为举例中选择作为头发种子的区域和作为背景种子的区域的效果图：(a)图的黑色区域为背景种子区域，(b)图的黑色区域为头发和背景种子区域的加和；

图5为举例中分割出的头发区域的效果图；

图6为本发明的自动分割头发的系统的结构图。

具体实施方式

下面结合附图，对本发明做进一步的详细描述。

本发明的自动分割头发的方法的流程如图1所示，包括：

步骤S100，对训练集中图像和待分割的图像进行人脸检测，以从图像中提取的人脸部分的扩展图像作为后续处理的对象，并确定所述对象中人脸的姿态。

步骤S200，对于训练集中的图像，根据各个图像中标记的头发像素点建立通用头发特征统计模型，并依据所述图像中人脸的姿态对训练集中的图像进行分类，对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型，所述位置先验模型包含各个像素位于头发区域中的位置先验概率，所述通用头发特征统计模型表示各种人在各种情况下的头发的共性特征。

所述通用头发特征统计模型表示针对标定好头发像素点的训练图像，建立的头发特征的统计模型。现有技术中存在多种建立头发特征统计模型的方法，例如应用高斯混合模型进行建立。

步骤S300，确定分割单位，按所述分割单位对待分割的图像进行划分，根据待分割的图像的人脸的姿态确定所述待分割的图像所属的姿态类别，依据所属姿态类别的位置先验模型和通用头发特征统计模型从划分的部分中选择头发种子和背景种子。

其中分割单位为划分区域或像素。像素实质对应于不进行区域划分。

在分割单位为区域时，所述步骤S300中依据所属姿态类别的位置先验模型和通用头发特征统计模型从划分的部分中选择头发种子和背景种子的具体实施方式如下所述。

步骤S310，对于每个区域，以区域中各个像素的位置先验概率的数值平均值为所述区域的位置先验概率，以区域中各个像素的头发特征的数值平均值作为区域的特征数值，计算区域的特征数值在通用头发特征统计模型下的条件概率。

步骤S320，依据区域的位置先验概率和区域的特征数值在通用头发特征统计模型下的条件概率，通过贝叶斯方法计算所述区域作为头发区域的后验概率。

步骤S330，依据所述后验概率从分割的区域中选择头发种子和背景种子。

在分割单位为像素时，所述步骤S300中依据所属姿态类别的位置先验模型和通用头发特征统计模型从划分的部分中选择头发种子和背景种子的具体实施方式如下所述。

步骤S310’，对于每个像素，以像素的位置先验概率的数值为所述像素的位置先验概率，以像素的头发特征的数值作为像素的特征数值，计算像素的特征数值在通用头发特征统计模型下的条件概率。

步骤S320’，依据像素的位置先验概率和像素的特征数值在通用头发特征统计模型下的条件概率，通过贝叶斯方法计算像素作为头发区域的后验概率。

步骤S330’，依据所述后验概率从待分割图像的像素中选择头发种子和背景种子。

步骤S400，对所述头发种子建立待分割图像对应的头发特征统计模型，对所述背景种子建立待分割图像对应的背景特征统计模型。

步骤S500，根据所述待分割图像的头域特征统计模型和背景特征统计模型，以及所属姿态类别的位置先验模型对所述待分割的图像进行头发分割。

在进一步较佳的技术方案中，所述步骤S100和所述步骤S200间还包括：步骤S600，对训练集中图像和待分割的图像进行归一化。

本发明的一具体实施方式如下所述。

步骤S710，对训练集中图像和待分割的图像进行人脸检测，以从图像中提取的人脸部分的扩展图像作为后续处理的对象，并确定所述提取的扩展图像中人脸的姿态。

在进行头发分割时，通常需要对原始图像进行预处理，其中原始图像包括训练集中图像和待分割的图像。通常方法为将人脸从原始图像中提取出来，由于要包括头发，提取的部分应按照人脸检测的矩形框向外扩充，以保证全部头发被包含进来。同时，在提取区域时，通过人脸检测确定图像中人脸的姿态。

实施例一

采用现有技术中名为AdaBoost的人脸检测方法。人脸检测的结果只能给出一个包含人脸的矩形框。针对准正面人脸，一般能够采用同样的方法检测到其他特征点位置，比如眼睛、鼻尖、嘴角等，可以用来归一化人脸。如图2所示，为检测到的图像中的人脸框，图2中白色方框标出了人脸框。该方法的具体实现详见文献“Rapid Object Detection using a Boosted Cascade ofSimple Features”CVPR，International Conference on Computer Vision andPattern Recognition，2001.Volume：1，Issue：C，Publisher：IEEE ComputerSociety。

利用人脸检测的结果进行人脸的姿态估计。具体的实施方法如下所述。

首先，将人脸姿态划分为几个不同的姿态，人脸的姿态分为准正面和非准正面；非准正面进一步包括准正面、左侧面、右侧面，或者按角度对非准正面进行更精确的划分。赋予训练集合中的人脸图像相应的类别标签。

然后，对人脸图像提取特征。基于上述人脸图像特征和姿态类别的标签，通过线性判别分析训练得到一组线性投影基向量。对于一幅输入的人脸图像，提取同样的特征，并用这组投影基向量将其映射到另一个线性子空间中；在这个子空间中采用最近邻分类器判断姿态类别属性。

步骤S720，对训练集中图像和待分割的图像进行归一化。

为了方便后续处理需要对检测到人脸的图像进行归一化。

进行归一化的具体实现方法为，在图像中人脸的姿态为准正面时，根据人脸特征点位置对原始图像进行旋转、平移、缩放；在检测到的人脸的姿态不是准正面时，根据检测到的人脸矩形框位置和大小，对人脸进行相应的缩放处理。

步骤S730，对于训练集中的图像，根据各个图像中标记的头发像素点建立通用头发特征统计模型，并依据所述图像中人脸的姿态估计对训练集中的图像进行分类，对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型。

位置先验模型表示各个像素位于头发区域中的概率。

通用头发特征统计模型表示通常情况下头发具有的特征，是非特定人、非特定图像的特征统计模型，反映不同人的、不同情况下的头发的共性。对头发的某种或者某几种特征建立统计模型，比如对于颜色的RGB三维特征建立高斯混合模型；或者针对纹理特征，比如每个像素的邻域直方图、梯度方向用以建立统计模型。

根据姿态类别中各个图像中标记的头发像素点统计位置先验模型的实施例一如下所述。

步骤S731，统计训练集中属于所述姿态类别的图片的数量。

步骤S732，对于每个像素，根据图像中标记的头发像素点统计所述像素位于头发区域中的次数。

针对每个像素，依据图像中标记的头发像素点判断该像素在图像中是否位于头发区域，如果是，则在像素位于头发区域中的次数的统计值上加1。

步骤S733，对于每个像素，将所述像素位于头发区域中的次数除以所述姿态类别的图片的数量，所得商为所述像素的位于头发区域中的概率。

步骤S734，各个像素的位于头发区域中的概率组成所述姿态类别对应的位置先验模型。

假设步骤S710检测到的人脸的姿态为左侧面，步骤S720归一化处理后的图像的行数为h，列数为w，并且训练集中人脸姿态为左侧面的图片总数是nTotal，依据图像中标记的头发像素点，统计这些图像中每个像素位置出现头发的次数，统计出该次数为nFreq，那么该像素点出现头发的先验概率为p＝nFreq/nTotal。通过上述方法，本领域的普通技术人员能够实现对头发出现的位置先验概率进行统计，得到h×w的概率矩阵，概率矩阵的可视化表示如图3所示，其中亮度越大的地方，头发出现的概率越大。

根据姿态类别中各个图像中标记的头发像素点统计位置先验模型的实施例二如下所述。

步骤S731’，针对每个姿态类别的训练集中的图片，根据人脸检测的结果和肤色模型，在图像中分割出面部的肤色区域，并得到肤色和头发的边缘。

肤色分割的具体过程为，首先根据人脸检测的结果，在人脸检测框内做k-means聚类，将样本最多的类视为肤色区域；然后利用该肤色区域作为肤色模型的训练样本，训练统计模型；最后根据该统计模型的均值、方差限定值域范围，颜色值在此值域范围内的为肤色区域，否则为非肤色区域。

步骤S732’，沿着该边缘向外扩展多个像素的距离，得到一个环状区域；从人脸的某个特征点位置，比如两眼睛的中心点，向外均匀画多条射线。

步骤733’，针对所述射线和所述环状区域的交集中的每个像素点，根据标记的头发像素点统计作为头发像素出现的频次，求出每个像素点的作为头发像素出现的概率，作为所述姿态类别的位置先验模型。

具体地，从中心点周围均匀画12条射线，相邻射线夹角30度，每条射线和环状区域交点有5个，那么将得到一个60维的概率数组，作为头发的位置先验模型。

根据姿态类别中各个图像中标记的头发像素点计算通用头发特征统计模型。头发特征为图像中头发区域的特征属性，例如颜色、亮度等。

建立通用头发特征统计模型的具体实施方式如下所述

该实施例中头发区域的特征为RGB颜色特征。通用头发特征统计模型则以高斯混合模型(GMM，Gaussian Mixture Models)为例。一般性的头发颜色统计模型，可以事先在标记好的训练集上统计建立。此步骤在步骤S720预处理后的图像做，也可以在原始的图像上做。此处以采用像素的RGB值作为统计特征为例，训练通用头发统计模型，模型训练也可以采用多种方法，比如现有技术中期望最大化算法(EM算法)。最终得到通用头发特征统计模型参数θ_g。

通过上述方法，本领域的普通技术人员能够对头发建立通用头发特征统计模型。

θ_g是EM算法训练GMM所得到的模型参数，是EM算法训练的模型的输出。EM算法是训练GMM参数的通用方法。

高斯混合模型表示为公式1

$p\left(x\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{a}_{i}N(x;{\mathrm{\μ}}_i,{\mathrm{\Σ}}_i)$ 公式1

模型参数θ_g表示为公式2

θ_g＝(a₁，a₂，......，a_M，θ₁，θ₂，......，θ_M)            公式2

其中，x为样本值，a_i表示每个高斯成分的权重，μ_i，∑_i分别表示每个高斯成分的均值和方差。设混合成分个数为M，EM算法是一种概率密度的参数估计方法，对高斯混合模型参数的学习过程分为两步。

初始化模型参数θ_g为θ⁰，阈值T，i←0；用下列公式3-6迭代计算模型参数，直到似然函数变化小于T为止：

$p\left(m\right|x_t,{\mathrm{\θ}}^i)=\frac{a_m^i{p}_m\left(x_t\right|{\mathrm{\θ}}^i)}{\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{a}_j^i{p}_j\left(x_t\right|{\mathrm{\θ}}^i)}$ 公式3

$a_m^{i+1}=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}p\left(m\right|x_t,{\mathrm{\θ}}^i)$ 公式4

${\mathrm{\μ}}_m^{i+1}=\frac{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_{t}p\left(m\right|x_t,{\mathrm{\θ}}^i)}{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}p\left(m\right|x_t,{\mathrm{\θ}}^i)}$ 公式5

${\mathrm{\Σ}}_m^{i+1}=\frac{\underset{t}{\overset{n}{\mathrm{\Σ}}}p\left(m\right|x_t,{\mathrm{\θ}}^i)(x_t-{\mathrm{\μ}}_m^{i+1}){(x_t-{\mathrm{\μ}}_m^{i+1})}^T}{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}p\left(m\right|x_t,{\mathrm{\θ}}^i)}$ 公式6

该步骤针对训练库中头发像素点的特征进行建模。以颜色特征为例，不限定颜色空间，如RGB、YCbCr，具体选用何种空间，建立何种模型根据具体情况而定。以梯度为例，首先针对图像的RGB三维分别提取梯度幅值特征，然后对这三维梯度幅值特征，以和RGB高斯混合模型同样的学习方式得到高斯混合模型的参数。

步骤S740，确定划分单位为区域，对待分割的图像进行区域分割，根据待分割的图像的人脸的姿态确定待分割的图像所属的姿态类别，依据通用头发特征统计模型和待分割的图像所属的姿态类别的位置先验模型从分割的区域中选择作为头发种子的区域和作为背景种子的区域。

针对步骤S720归一化了的图像进行分割。可以采用现有技术中的分割方法，只要达到将图像分成若干个互补交叠的区域的要求即可。现有技术的方法包括Mean Shift分割算法，具体详见“Mean shift：A robust approachtoward feature space analysis，”IEEE Trans.Pattern Analysis and MachineIntelligence，28(7)，pp.603-619，2002；以及Graph算法具体详见“Efficientgraph-based image segmentation”International Journal of Computer Vision，Volume 59，Number 2，Sep.2004。

被分割的图像中的每个像素点都会有一个区域的标号。

依据通用头发特征统计模型和待分割图像所属姿态类别的位置先验模型从分割的区域中选择作为头发种子的区域和作为背景种子的区域的具体实施例如下所述。

步骤S741，对于待分割的图像的每个区域，以区域中各个像素的位置先验概率的数值的平均值为所述区域的位置先验概率，以区域中各个像素的头发特征的数值平均值作为区域的特征数值，计算区域中各个像素的特征数值在通用头发特征统计模型下的条件概率。

例如，如图2所示的左侧面人脸，选择相应的位置先验模型如图3所示。

每个区域的位置先验概率用该区域内每个点的位置先验概率的平均值来表示；区域的特征数值为区域中各个像素的头发特征统计模型的数值的平均值，例如，头发特征为RGB颜色值，则该区域的RGB颜色值也是区域内每个点的RGB值的平均值。

步骤S742，依据区域的位置先验概率和区域的特征数值在通用头发特征统计模型下的条件概率，通过贝叶斯方法计算所述区域作为头发区域的后验概率。

对每一区域，表示为R；通过贝叶斯方法计算头发像素点的后验概率。

$P\left(S\right|f\left(R\right))=\frac{P\left(f\left(R\right)\right|S)P\left(S\right)}{P\left(f\left(R\right)\right)}$

其中，P(f(R)|S)是区域的特征数值在通用头发特征统计模型下的条件概率；S表示类别标号是头发，P(f(R)|S)表示像素是头发的情况下，出现特征f(R)的概率，也即特征f(R)在头发特征统计模型下的条件概率；P(f(R))表示特征f(R)出现的先验概率，它对所有点来说都是相同的，对结果无影响；P(S)为头发的位置先验概率，也就是区域R内每个像素点位置出现头发的概率的平均值。

以头发的颜色分布符合高斯混合模型为例，事先训练的反映头发一般颜色性质的高斯混合模型的参数是θg，特征值f(R)属于S的概率，也就是在参数为θ_g的高斯混合模型下的条件概率，则上述后验概率的公式转换为

$P\left(S\right|f\left(R\right))=\frac{P\left(f\left(R\right)\right|{\mathrm{\θ}}_g)P\left(S\right)}{P\left(f\left(R\right)\right)}$

步骤S743，依据所述后验概率从分割的区域中选择作为头发种子的区域和作为背景种子的区域。

根据所有区域的后验概率进行排序，概率高的作为头发种子区域，概率低的作为背景种子区域。如图4(a)中黑色部分表示作为背景种子的区域，图4(b)中黑色部分减去图4(a)中黑色部分，表示作为头发种子的区域。

所述步骤S743的实施例一

将所有分割单位依据后验概率的数值由高到低进行排序；

对有序的分割单位的序列，从序列的第一个分割单位开始，依次选择其后的分割单位，直至所选分割单位的总像素数目超过n，将所选分割单位作为头发种子；相似的方法从序列的最后一个分割单位开始，依次选择其前的单位，直至所选的分割单位的总像素数目超过m，将所选分割单位作为背景种子；n和m分别为预设数值。

所述步骤S743的实施例二

选择后验概率大于第一预设阈值的区域为作为头发种子的区域；选择后验概率小于第二预设阈值的区域为作为背景种子的区域。

步骤S750，对所述头发种子建立待分割图像对应的头发特征统计模型，对所述背景种子建立待分割图像对应的背景特征统计模型。

此处的头发像素点特征，仍以颜色特征为例，建立特定于当前图像的头发统计模型和背景统计模型，以高斯混合模型为例，采用EM算法分别建立头发和背景的颜色模型，得到头发和背景的高斯混合模型参数。混合项的数目可以根据经验进行设置，也可以利用学习的方法自适应地设定，此处对头发模型保留5个高斯混合项，背景保留8个高斯混合项。此处的高斯混合模型，采用期望最大化算法进行训练。特征是RGB，每个样本x＝[R G B]特征矢量有3维，随机将这些头发样本矢量分成5份，计算每一份的均值和方差，作为模型训练初值，然后依据公式3-6迭代计算模型参数，直至收敛。

学习背景模型过程与此同类，具体的类别数目有所不同。

步骤S760，根据所述待分割图像的头发特征统计模型和背景特征统计模型，以及所属姿态类别的位置先验模型对所述待分割的图像进行头发分割。

根据所述头发统计模型和背景统计模型对所述待分割的图像进行头发分割，此处的头发特征统计模型和背景特征统计模型，是根据当前图像种子区域统计出的特定于当前人的颜色模型，和在训练图片集上得到的不同。

一具体实施例中按Graph Cuts方法进行分割。

Graph Cuts是一种通用的前、背景分割方法，详见“An ExperimentalComparison of Min-Cut/Max-Flow Algorithms for Energy Minimization inVision”，IEEE Trans.Pattern Analysis and Machine Intelligence，26(9)，pp.1124-1137，2004。Graph Cuts方法中将前、背景分割问题转换一个二值标注问题，并通过最小化能量函数求解该问题。其中，定义能量函数为：

E(A)＝R(A)+λ·B(A)

其中，R(A)表示数据项，通常用来表示待标注对象对标注类别的拟合度；B(A)通常称为平滑项，用以表示对相邻待标注对象不同标号的惩罚。λ表示平滑项对结果的影响程度。

其中，

P(f(R_k)|A_k)表示区域R_k的特征在特定于当前图像种子区域的头发或者背景特征统计模型下的条件概率。P(A_k)表示区域R_k的头发或者背景位置先验概率，头发的位置先验概率前面已经计算得到，头发和背景的位置先验概率之和为1，因此背景的位置先验概率由此获得。

$B\left(A\right)=\underset{\{R_p,R_q\}\∈\mathrm{Neighbors}}{\mathrm{\ΣB}(R_p,R_q)}\·$

$B(R_p,R_q)\∝\exp \left(\frac{\left|\right|f\left(R_p\right)-f\left(R_q\right){\left|\right|}^2}{2{\mathrm{\σ}}^2}\right)\·\frac{1}{\mathrm{Dist}(R_p,R_q)},$

σ表示表示整幅图像的平滑度，

${\mathrm{\σ}}^2=\frac{1}{\left|\right\{(R_p,R_q)\left|\right\{R_p,R_q\}\∈\mathrm{Neighbors}\}|}\underset{(R_p,R_q)\∈\mathrm{Neighbors}}{\mathrm{\Σ}}\left|\right|f\left(R_p\right)-f\left(R_q\right){\left|\right|}^2$

Dist(R_p，R_q)表示两个待标注对象的距离，此处设为1。

其中A表示所有区域的标号组成的矢量，A_k表示第k个区域R_k的标号，f(R)表示区域R的特征，此处即为RGB特征。

(R_p，R_q)∈Neighbors表示区域R_p和区域R_q相邻。如图5为采用Graph Cuts方法分割出的头发区域的效果图，黑色表示头发区域。

下面以一个600×1000大小的图像，对本发明方法进行说明。在原始图像上进行人脸检测和姿态估计，假设估计出为左侧面人脸；训练阶段：根据人脸框的位置对人脸图像做平移、缩放等归一化处理，归一化为人脸框200x200，整幅图像大小归一化为600×600。在训练阶段，针对每一像素，进行头发出现的先验概率进行统计，获得位置先验模型；并针对头发像素的RGB颜色值进行高斯混合模型的统计，获得通用头发特征统计模型。由此得到了头发的位置先验概率和颜色分布模型。测试时，根据姿态估计的结果，选用左侧面人脸(如图3)的位置先验统计模型。而后利用Mean Shift方法对归一化后的图像进行过分割，得到多个划分的区域；并根据位置先验模型，求出每个区域的所有像素点的平均位置先验概率；同时，计算每个区域内所有像素点的平均颜色值，并计算该颜色值在训练好的通用头发特征统计模型下的条件概率；最后将每个区域的位置先验概率和特征数值在头发特征统计模型下的条件概率结合，构造贝叶斯模型，计算每一区域是头发的贝叶斯后验概率。根据此后验概率，对所有区域排序，取前面概率最大的一些区域作为头发种子区域，使得种子点数超过8000；同理取后面的概率最小的一些区域作为背景种子区域，使得背景种子点超过120000。然后利用得到的种子点建立特定于当前图像的头发特征统计模型和特定于当前图像的背景特征统计模型，其中的特征为RGB颜色向量。根据得到的头发、背景种子区域，和在此基础上建立的模型，再融合位置先验模型，针对所有区域进行Graph Cuts分割，得到头发区域，并映射到原图像中。

本发明的自动分割头发的系统结构如图6所示。

图像提取模块100，用于对训练集中图像和待分割的图像进行人脸检测，以从图像中提取的人脸部分的扩展图像作为后续处理的对象，并确定所述对象中人脸的姿态。

通用特征模型建立模块600，用于对于训练集中的图像，根据各个图像中标记的头发像素点建立通用头发特征统计模型，所述通用头发特征统计模型表示各种人在各种情况下的头发的共性特征；

位置先验模型建立模块200，用于依据所述图像中人脸的姿态对所述图像进行分类，对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型，所述位置先验模型包含各个像素位于头发区域中的位置先验概率。

种子选择模块300，用于按配置的分割单位对待分割的图像进行划分，根据待分割的图像的人脸的姿态确定所述待分割的图像所属的姿态类别，依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子。

特征统计模型建立模块400，用于对所述头发种子建立待分割图像对应的头发特征统计模型，对所述背景种子建立待分割图像对应的背景特征统计模型。

分割进行模块500，根据所述待分割图像的头发特征统计模型和背景特征统计模型，以及所属姿态类别的位置先验模型对所述待分割的图像进行头发分割。

较佳的实施方式中，所述分割单位为区域。

种子选择模块300在依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子时进一步用于，

对于每个区域，以区域中各个像素的位置先验概率的数值平均值为所述区域的位置先验概率，以区域中各个像素的头发特征的数值平均值作为区域的特征数值，计算区域的特征数值在通用头发特征统计模型下的条件概率；

依据区域的位置先验概率和区域的特征数值在通用头发特征统计模型下的条件概率，通过贝叶斯方法计算所述区域作为头发区域的后验概率；

依据所述后验概率从分割的区域中选择头发种子和背景种子。

较佳的实施方式中，所述分割单位为像素。

种子选择模块300在依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子时进一步用于，

对于每个像素，以像素的位置先验概率的数值为所述像素的位置先验概率，以像素的头发特征的数值作为像素的特征数值，计算像素的特征数值在通用头发特征统计模型下的条件概率；

依据像素的位置先验概率和像素的特征数值在通用头发特征统计模型下的条件概率，通过贝叶斯方法计算像素作为头发区域的后验概率；

依据所述后验概率从待分割图像的像素中选择头发种子和背景种子。

较佳的实施方式中，种子选择模块300在依据所述后验概率从分割的区域中选择头发种子和背景种子时进一步用于，

将所有区域依据后验概率的数值由高到低进行排序；

对有序的区域的序列，从序列的第一个区域开始，依次选择其后的区域，直至所选区域的像素的总数目超过n，将所选区域作为头发种子；相似的方法从序列的最后一个区域开始，依次选择其前的单位，直至所选的区域的像素的总数目超过m，将所选区域作为背景种子；n和m分别为预设数值。

较佳的实施方式中，种子选择模块300在依据所述后验概率从分割的区域中选择头发种子和背景种子时进一步用于，

选择后验概率大于第一预设阈值的区域为头发种子；

选择后验概率小于第二预设阈值的区域为背景种子。

较佳的实施方式中，图像提取模块100还用于对训练集中图像和待分割的图像进行归一化。

进一步的，所述人脸的姿态包括准正面和非准正面；

图像提取模块100还用于在确定图像中人脸的姿态为准正面时，检测人脸特征点的位置；图像提取模块100在对训练集中图像和待分割的图像进行归一化时进一步用于为在图像中人脸的姿态为准正面时，根据人脸特征点位置对原始图像进行旋转、平移、缩放；在检测到的人脸的姿态不是准正面时，对人脸进行相应的缩放处理。

较佳的实施方式中，位置先验模型建立模块200在对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型时进一步用于，

统计训练集中属于所述姿态类别的图片的数量；

对于每个像素，根据图像中标记的头发像素点统计所述像素位于头发区域中的次数；

对于每个像素，将所述像素位于头发区域中的次数除以所述姿态类别的图片的数量，所得商为所述像素的位于头发区域中的概率；

各个像素的位于头发区域中的概率组成所述姿态类别对应的位置先验模型。

较佳的实施方式中，位置先验模型建立模块200在对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型时进一步用于，

针对每个姿态类别的训练集中的图片，根据人脸检测的结果和由所述结果得出的肤色模型，在所述图像中分割出面部的肤色区域，并得到肤色和头发的边缘；

沿着所述边缘向外扩展多个像素的距离，得到一个环状区域；从人脸的特征点位置向外均匀画多条射线；

针对所述射线和所述环状区域的交集中的每个像素点，根据标记的头发像素点统计作为头发像素出现的频次，求出每个像素点的作为头发像素出现的概率，作为所述姿态类别的位置先验模型。

肤色分割的具体过程为，首先根据人脸检测的结果，在人脸检测框内做k-means聚类，将样本最多的类视为肤色区域；然后利用该肤色区域作为肤色模型的训练样本，训练统计模型；最后根据该统计模型的均值、方差限定值域范围，颜色值在此值域范围内的为肤色区域，否则为非肤色区域。

本领域的技术人员在不脱离权利要求书确定的本发明的精神和范围的条件下，还可以对以上内容进行各种各样的修改。因此本发明的范围并不仅限于以上的说明，而是由权利要求书的范围来确定的。

Claims (18)

1.一种自动分割头发的方法，其特征在于，包括：

步骤1，对训练集中图像和待分割的图像进行人脸检测，以从图像中提取的人脸部分的扩展图像作为后续处理的对象，并确定所述对象中人脸的姿态；

步骤2，对于训练集中的图像，根据各个图像中标记的头发像素点建立通用头发特征统计模型，并依据所述图像中人脸的姿态对所述图像进行分类，对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型，所述位置先验模型包含各个像素位于头发区域中的位置先验概率，所述通用头发特征统计模型表示各种人在各种情况下的头发的共性特征；

步骤3，确定分割单位，按所述分割单位对待分割的图像进行划分，根据待分割的图像的人脸的姿态确定所述待分割的图像所属的姿态类别，依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子；

步骤4，对所述头发种子建立待分割图像对应的头发特征统计模型，对所述背景种子建立待分割图像对应的背景特征统计模型；

步骤5，根据所述待分割图像的头发特征统计模型和背景特征统计模型，以及所属姿态类别的位置先验模型对所述待分割的图像进行头发分割。

2.如权利要求1所述的自动分割头发的方法，其特征在于，

所述步骤3中分割单位为区域；

所述步骤3中依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子进一步为，

步骤21，对于每个区域，以区域中各个像素的位置先验概率的数值平均值为所述区域的位置先验概率，以区域中各个像素的头发特征的数值平均值作为区域的特征数值，计算区域的特征数值在通用头发特征统计模型下的条件概率；

步骤22，依据区域的位置先验概率和区域的特征数值在通用头发特征统计模型下的条件概率，通过贝叶斯方法计算所述区域作为头发区域的后验概率；

步骤23，依据所述后验概率从分割的区域中选择头发种子和背景种子。

3.如权利要求1所述的自动分割头发的方法，其特征在于，

所述步骤3中分割单位为像素；

所述步骤3中依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子进一步为，

步骤31，对于每个像素，以像素的位置先验概率的数值为所述像素的位置先验概率，以像素的头发特征的数值作为像素的特征数值，计算像素的特征数值在通用头发特征统计模型下的条件概率；

步骤32，依据像素的位置先验概率和像素的特征数值在通用头发特征统计模型下的条件概率，通过贝叶斯方法计算像素作为头发区域的后验概率；

步骤33，依据所述后验概率从待分割图像的像素中选择头发种子和背景种子。

4.如权利要求2所述的自动分割头发的方法，其特征在于，

所述步骤23进一步为，

步骤41，将所有分割单位依据后验概率的数值由高到低进行排序；

步骤42，对有序的分割单位的序列，从序列的第一个分割单位开始，依次选择当前分割单位之后的分割单位，直至所选分割单位的总像素数目超过n，将所选分割单位作为头发种子；从序列的最后一个分割单位开始，依次选择当前分割单位之前的分割单位，直至所选的分割单位的总像素数目超过m，将所选分割单位作为背景种子；n和m分别为预设数值。

5.如权利要求2所述的自动分割头发的方法，其特征在于，

所述步骤23进一步为，

步骤51，选择后验概率大于第一预设阈值的区域为头发种子；

步骤52，选择后验概率小于第二预设阈值的区域为背景种子。

6.如权利要求1所述的自动分割头发的方法，其特征在于，

所述步骤1和所述步骤2间还包括：

步骤61，对训练集中图像和待分割的图像进行归一化。

7.如权利要求6所述的自动分割头发的方法，其特征在于，

所述人脸的姿态包括准正面和非准正面；

所述步骤1还包括在确定图像中人脸的姿态为准正面时，检测人脸特征点的位置；

所述步骤61进一步为在图像中人脸的姿态为准正面时，根据人脸特征点位置对原始图像进行旋转、平移、缩放；在检测到的人脸的姿态不是准正面时，对人脸进行相应的缩放处理。

8.如权利要求6所述的自动分割头发的方法，其特征在于，

所述步骤2中对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型进一步为，

步骤81，统计训练集中属于所述姿态类别的图片的数量；

步骤82，对于每个像素，根据图像中标记的头发像素点，统计所述像素位于头发区域中的次数；

步骤83，对于每个像素，将所述像素位于头发区域中的次数除以所述姿态类别的图片的数量，所得商为所述像素的位于头发区域中的概率；

步骤84，各个像素的位于头发区域中的概率组成所述姿态类别对应的位置先验模型。

9.如权利要求6所述的自动分割头发的方法，其特征在于，

所述步骤2中对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型进一步为，

步骤91，针对每个姿态类别的训练集中的图片，根据人脸检测的结果和由所述结果得出的肤色模型，在所述图像中分割出面部的肤色区域，并得到肤色和头发的边缘；

步骤92，沿着所述边缘向外扩展多个像素的距离，得到一个环状区域；从人脸的特征点位置向外均匀画多条射线；

步骤93，针对所述射线和所述环状区域的交集中的每个像素点，根据标记的头发像素点，统计作为头发像素出现的频次，求出每个像素点的作为头发像素出现的位置先验概率，组成所述姿态类别的位置先验模型。

10.一种自动分割头发的系统，其特征在于，包括：

图像提取模块，用于对训练集中图像和待分割的图像进行人脸检测，以从图像中提取的人脸部分的扩展图像作为后续处理的对象，并确定所述对象中人脸的姿态；

通用特征模型建立模块，用于对于训练集中的图像，根据各个图像中标记的头发像素点建立通用头发特征统计模型，所述通用头发特征统计模型表示各种人在各种情况下的头发的共性特征；

位置先验模型建立模块，用于依据所述图像中人脸的姿态对所述图像进行分类，对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型，所述位置先验模型包含各个像素位于头发区域中的位置先验概率；

种子选择模块，用于按配置的分割单位对待分割的图像进行划分，根据待分割的图像的人脸的姿态确定所述待分割的图像所属的姿态类别，依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子；

特征统计模型建立模块，用于对所述头发种子建立待分割图像对应的头发特征统计模型，对所述背景种子建立待分割图像对应的背景特征统计模型；

分割进行模块，根据所述待分割图像的头发特征统计模型和背景特征统计模型，以及所属姿态类别的位置先验模型对所述待分割的图像进行头发分割。

11.如权利要求10所述的自动分割头发的系统，其特征在于，

所述分割单位为区域；

所述种子选择模块在依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子时进一步用于，

对于每个区域，以区域中各个像素的位置先验概率的数值平均值为所述区域的位置先验概率，以区域中各个像素的头发特征的数值平均值作为区域的特征数值，计算区域的特征数值在通用头发特征统计模型下的条件概率；

依据区域的位置先验概率和区域的特征数值在通用头发特征统计模型下的条件概率，通过贝叶斯方法计算所述区域作为头发区域的后验概率；

依据所述后验概率从分割的区域中选择头发种子和背景种子。

12.如权利要求10所述的自动分割头发的系统，其特征在于，

所述分割单位为像素；

所述种子选择模块在依据通用头发特征统计模型和所属姿态类别的位置先验模型从划分的部分中选择头发种子和背景种子时进一步用于，

对于每个像素，以像素的位置先验概率的数值为所述像素的位置先验概率，以像素的头发特征的数值作为像素的特征数值，计算像素的特征数值在通用头发特征统计模型下的条件概率；

依据像素的位置先验概率和像素的特征数值在通用头发特征统计模型下的条件概率，通过贝叶斯方法计算像素作为头发区域的后验概率；

依据所述后验概率从待分割图像的像素中选择头发种子和背景种子。

13.如权利要求11所述的自动分割头发的系统，其特征在于，

所述种子选择模块在依据所述后验概率从分割的区域中选择头发种子和背景种子时进一步用于，

将所有分割单位依据后验概率的数值由高到低进行排序；

对有序的分割单位的序列，从序列的第一个分割单位开始，依次选择其后的分割单位，直至所选分割单位的总像素数目超过n，将所选分割单位作为头发种子；从序列的最后一个分割单位开始，依次选择当前分割单位之前的分割单位，直至所选的分割单位的总像素数目超过m，将所选分割单位作为背景种子；n和m分别为预设数值。

14.如权利要求11所述的自动分割头发的系统，其特征在于，

所述种子选择模块在依据所述后验概率从分割的区域中选择头发种子和背景种子时进一步用于，

选择后验概率大于第一预设阈值的区域为头发种子；

选择后验概率小于第二预设阈值的区域为背景种子。

15.如权利要求10所述的自动分割头发的系统，其特征在于，

所述图像提取模块还用于对训练集中图像和待分割的图像进行归一化。

16.如权利要求15所述的自动分割头发的系统，其特征在于，

所述人脸的姿态包括准正面和非准正面；

所述图像提取模块还用于在确定图像中人脸的姿态为准正面时，检测人脸特征点的位置；

所述图像提取模块在对训练集中图像和待分割的图像进行归一化时进一步用于为在图像中人脸的姿态为准正面时，根据人脸特征点位置对原始图像进行旋转、平移、缩放；在检测到的人脸的姿态不是准正面时，对人脸进行相应的缩放处理。

17.如权利要求15所述的自动分割头发的系统，其特征在于，

所述位置先验模型建立模块在对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型时进一步用于，

统计训练集中属于所述姿态类别的图片的数量；

对于每个像素，根据图像中标记的头发像素点统计所述像素位于头发区域中的次数；

对于每个像素，将所述像素位于头发区域中的次数除以所述姿态类别的图片的数量，所得商为所述像素的位于头发区域中的概率；

各个像素的位于头发区域中的概率组成所述姿态类别对应的位置先验模型。

18.如权利要求15所述的自动分割头发的系统，其特征在于，

所述位置先验建立模块在对于每一姿态类别，根据姿态类别中各个图像中标记的头发像素点统计位置先验模型时进一步用于，

针对每个姿态类别的训练集中的图片，根据人脸检测的结果和由所述结果得出的肤色模型，在所述图像中分割出面部的肤色区域，并得到肤色和头发的边缘；

沿着所述边缘向外扩展多个像素的距离，得到一个环状区域；从人脸的特征点位置向外均匀画多条射线；

针对所述射线和所述环状区域的交集中的每个像素点，根据标记的头发像素点统计作为头发像素出现的频次，求出每个像素点的作为头发像素出现的位置先验概率，组成所述姿态类别的位置先验模型。

Images