CN102436637A - 从头部图像中自动分割头发的方法及其系统 - Google Patents

Abstract

本发明涉及从头部图像中自动分割头发的方法和系统，方法包括：步骤1，通过人脸检测和特征定位算法提取含有人脸和头发的头部图像，并对提取出的头部图像进行归一化；步骤2，对于训练集中标定头发的头部图像，根据各头部图像中标记的头发像素点得出位置先验模型，并提取特征，进行头发和非头发SVM分类器的学习；步骤3，依据位置先验模型和头发和非头发SVM分类器从待分割的图像中选择头发种子和背景种子；步骤4，从头发种子区域和背景种子区域中提取特征，依据特征完成对应于待分割图像的头发和非头发SVM分类器的在线学习；步骤5，依据对应于待分割图像的头发和非头发SVM分类器和位置先验模型进行头发分割。本发明能够提高头发分割准确性。

Description

从头部图像中自动分割头发的方法及其系统

技术领域

本发明涉及头发分割领域，尤其涉及从头部图像中自动分割头发的方法及其系统。

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。然而，在头发相关应用中，头发通常被认为是分割好的，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。总之，我们应当对自动头发分割问题给予更多的关注。

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，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。但这些方法基本都是采用颜色等，建立产生式模型，没有充分利用头发和背景的判别性信息，造成分割结果不够准确。

SVM(Support Vector Machine，支持向量机)是Cortes和Vapnik首先提出的。SVM通过某种事先选择的非线性映射将输入向量映射到一个高维特征空间中，并在此高维特征空间中构造最大边缘间隔的分类超平面，它在解决小样本、非线性及高维模式识别中表现出特有的优势。

发明内容

为解决上述问题，本发明提供了从头部图像中自动分割头发的方法及其系统，能够提高头发分割准确性。

本发明公开了一种从头部图像中自动分割头发的方法，包括：

步骤1，通过人脸检测和特征定位算法从训练集中的图像和待分割的图像中提取含有人脸和头发的头部图像，以提取的头部图像作为后续处理的对象，并对提取出的头部图像进行归一化；

步骤2，对于训练集中图像的头部图像，根据各个头部图像中标记的头发像素点计算位置先验概率，组成位置先验模型，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，并对于训练集中已标记头发点的图像提取特征，进行通用的头发和非头发SVM分类器的学习；

步骤3，依据所述位置先验模型和所述头发和非头发SVM分类器从待分割的图像的头部图像中选择头发种子和背景种子；

步骤4，从所述头发种子区域和背景种子区域中提取特征，依据所述特征完成对应于待分割的头部图像的头发和非头发SVM分类器的在线学习；

步骤5，依据所述对应于待分割的头部图像的头发和非头发SVM分类器和所述位置先验模型对所述待分割的头部图像进行头发分割。

所述步骤1中归一化包括对图像进行如下操作中的一种或多种操作，所述操作包括旋转、平移、缩放。

所述步骤2中根据各个头部图像中标记的头发像素点得出位置先验模型进一步为，

步骤31，统计训练集中的图片的数量；

步骤32，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33，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34，各个像素的位于头发区域中的概率组成位置先验模型。

所述步骤2中根据各个头部图像中标记的头发像素点得出位置先验模型进一步为，

步骤41，针对训练集中的图片，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；

步骤42，沿着该边缘向外扩展多个像素的距离，得到一个环状区域；

步骤43，从人脸的特征点位置，向外均匀画多条射线；

步骤44，，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，作为所述位置先验模型。

所述步骤3进一步为，

步骤51，对待分割图像的头部图像进行区域划分；

步骤52，以区域内各个像素的位置先验概率的平均值为所述区域的位置先验概率；

步骤53，由所述头发和非头发SVM分类器根据区域的特征的平均值判断所述区域是否为头发区域；

步骤54，根据所述头发和非头发SVM分类器的判断结果和区域的位置先验概率从区域中选择作为头发种子的区域和作为背景种子的区域。

所述步骤54进一步为，

步骤61，通过贝叶斯方法将所述头发和非头发SVM分类器的判断和头发位置先验概率结合，得到所述区域的贝叶斯后验概率；

步骤62，依据所述区域的贝叶斯后验概率从区域中选择作为头发种子的区域和作为背景种子的区域。

所述步骤5进一步为，

步骤71，通过贝叶斯方法将对应于待分割的头部图像的头发和非头发SVM分类器输出概率和位置先验模型中头发发生的位置先验概率融合，生成待分割头部图像的贝叶斯概率；

步骤72，以所述贝叶斯概率作为Graph Cuts分割法的输入，应用GraphCuts分割法完成头发分割。

本发明还公开了一种从头部图像中自动分割头发的系统，包括：

图像提取模块，用于通过人脸检测和特征定位算法从训练集中的图像和待分割的图像中提取含有人脸和头发的头部图像，以提取的头部图像作为后续处理的对象，并对提取出的头部图像进行归一化；

位置先验模型建立模块，用于对于训练集中图像的头部图像，根据各个头部图像中标记的头发像素点计算位置先验概率，组成位置先验模型，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；

训练模块，用于对于训练集中已标记头发点的图像提取特征，进行通用的头发和非头发SVM分类器的学习；

种子选择模块，用于依据所述位置先验模型和所述头发和非头发SVM分类器从待分割的图像的头部图像中选择头发种子和背景种子；

分类器在线学习模块，用于从所述头发种子区域和背景种子区域中提取特征，依据所述特征完成对应于待分割的头部图像的头发和非头发SVM分类器的在线学习；

分割模块，用于依据所述对应于待分割的头部图像的头发和非头发SVM分类器和所述位置先验模型对所述待分割的头部图像进行头发分割。

所述图像提取模块在归一化时进一步用于对图像进行如下操作中的一种或多种操作，所述操作包括旋转、平移、缩放。

所述位置先验模型建立模块在根据各个头部图像中标记的头发像素点得出位置先验模型时进一步用于

统计训练集中的图片的数量；

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位置先验模型。

所述位置先验模型建立模块在根据各个头部图像中标记的头发像素点得出位置先验模型时进一步用于，

针对训练集中的图片，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；

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，作为所述位置先验模型。

所述种子选择模块进一步用于，

对待分割图像的头部图像进行区域划分；

以区域内各个像素的位置先验概率的平均值为所述区域的位置先验概率；

由所述头发和非头发SVM分类器根据区域的特征的平均值判断所述区域是否为头发区域；

根据所述头发和非头发SVM分类器的判断结果和区域的位置先验概率从区域中选择作为头发种子的区域和作为背景种子的区域。

所述种子选择模块在根据所述头发和非头发SVM分类器的判断结果和区域的位置先验概率从区域中选择作为头发种子的区域和作为背景种子的区域时进一步用于，

通过贝叶斯方法将所述头发和非头发SVM分类器的判断和头发位置先验概率结合，得到所述区域的贝叶斯后验概率；

依据所述区域的贝叶斯后验概率从区域中选择作为头发种子的区域和作为背景种子的区域。

所述分割模块进一步用于，

通过贝叶斯方法将对应于待分割的头部图像的头发和非头发SVM分类器输出概率和位置先验模型中头发发生的位置先验概率融合，生成待分割头部图像的贝叶斯概率；

以所述贝叶斯概率作为Graph Cuts分割法的输入，应用Graph Cuts分割法完成头发分割。

本发明的有益效果在于，头发和非头发SVM分类器选择头发种子和背景种子，再通过头发种子和背景种子完成对应于待分割的头部图像的头发和非头发SVM分类器的学习，应用待分割的头部图像的头发和非头发SVM分类器进行头发分割，能够提高头发分割准确性；基于SVM和Graph Cuts的自动头发分割方法，利用可靠种子区域，学习鲁棒的SVM分类器，用以类别评分，充分利用头发和非头发的判别信息，而且比统计模型更容易融入较多的特征信息，受维数的限制更少；SVM输出每类的概率和位置先验概率一起将作为Graph Cuts的边的权重输入，使得Graph Cuts产生的结果更精确。

附图说明

图1为本发明的从头部图像中自动分割头发的方法的流程图；

图2为一举例中人脸图像做预处理前和预处理后的图像；

图3为一举例中人脸图像过分割结果的效果图；

图4为一举例中头发种子的区域和背景种子的区域的选择效果图；

图5为一举例中待分割图像的头发和非头发SVM分类器输出的分类概率结果图；

图6为一举例中待分割图像的的头发和非头发SVM分类器输出概率和位置先验概率的联合概率结果图；

图7为一举例中采用Graph Cuts分割方法的分割结果图；

图8为本发明的从头部图像中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。

本发明提出基于SVM和Graph Cuts的自动头发分割方法，利用SVM分类能力，对头发种子和背景种子建立判别式模型，而后将输出概率和头发位置先验概率结合，输入到Graph Cuts进行准确地头发分割。

如图1所示，本发明的从头部图像中自动分割头发的方法包括如下步骤。

步骤S 100，通过人脸检测和特征定位算法从训练集中的图像和待分割的图像中提取含有人脸和头发的头部图像，以提取的头部图像作为后续处理的对象，并对提取出的头部图像进行归一化。

提取和归一化过程被称为预处理过程。

带头发的原始图像一般不能直接使用，因其在原始图像中人脸未必归正，难以利用头发出现的先验信息。为了提高头发种子的选择准确度，在头发分割前首先要将人脸和头发区域从原始图像中提取出来。

一具体实施方式中，在提取区域时，根据人脸检测和特征定位算法所给出的双眼位置，将待分割的人脸和头发图像从输入图像中裁剪出来，所裁剪的人脸大小和范围由现有技术中具体的人脸检测和特征定位算法决定。

人脸检测和特征定位算法为现有技术，在一个具体实施例中采用名为AdaBoost的人脸检测和特征定位算法。然后对裁剪出来的人脸区域做预处理。一种典型的预处理方法是归一化处理。

由于在头发分割时，通常是将待分割的头发图像与一个作为比较对象的标准头发图像做比较，归一化的目的就是使做比较的图像大小基本相同，特征点对齐，从而可以利用周围像素点相对于眼睛位置出现头发的先验概率。

以处理对象为准正面头部图像为例。归一化包括对图像进行如下操作中的一种或多种操作，所述操作包括旋转、平移、缩放。人脸图像做归一化处理前、后的实例图像如图2所示。在一实施例中归一化处理后的人脸图像的行数为h，列数为w。

步骤S200，对于训练集中图像的头部图像部分，根据各个头部图像中标记的头发像素点计算位置先验概率，位置先验概率组成位置先验概率模型，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，并对于训练集中已标记头发点的图像提取特征，进行通用的头发和非头发SVM分类器的学习。

根据各个图像中标记的头发像素点得出位置先验模型的实施例一如下所述。

为统计训练集中的图片的数量；对于头部图像的每个像素，根据头部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位置先验模型。

例如，训练集中的图片总数是nTotal，统计归一化图像中，每个像素位置出现头发的频次为nFreq，则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可以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，该概率矩阵作为位置先验模型。

根据各个图像中标记的头发像素点得出位置先验模型的实施例二如下所述。

针对训练集中的图片，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。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。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。

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。

头发和非头发SVM分类器用以区分头发和非头发像素点，

可以采用多种特征，此处以RGB颜色特征为例，针对训练集中图像的头部图像中已经标定好的头发区域和非头发区域完成头发和非头发SVM分类器的学习。实施例中采用现有技术中LibSVM的工具包，并采用了RBF核函数，进行头发和非头发SVM分类器的学习。通过上述方法，本领域的普通技术人员可以实现对头发/非头发两类问题的SVM分类器学习。

SVM针对线性可分的情况进行分析，对于线性不可分的情况，通过非线性映射到高维空间中，进行线性分析，寻找最优分类面。假设给定了学习样本(x_i，y_i)，x_i∈Rⁿ，y_j∈{-1，1}为类别标号，i＝1，...，l，SVM将求解下列优化问题：

$\underset{w,b,\mathrm{\ξ}}{\min }\frac{1}{2}{w}^{T}w+C\underset{i}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i,$

其中，

y_i(w^Tφ(x_i)+b)≥1-ξ_i，ξ_i≥0

w是分类超平面的法向量，ξ_i是错误率，b是阈值权，φ(x_i)是从低维空间到高维空间的映射函数。

其中，学习样本向量x_i通过函数φ映射到高维空间中。SVM在此高维空间中寻找有最大边界间隔的线性分类超平面。C＞0是对误差项的惩罚参数。

K(x_i，x_j)＝φ(x_i)^Tφ(x_j)称作核函数，比较基本的核函数有线性核，多项式核，径向基核函数(radial basis fuction，RBF)，sigmoid核函数。本例中采用RBF核函数：

K(x_i，x_j)＝exp(-γ||x_i-x_j||²)，γ＞0

γ为可调参数，和训练误差相关。

最终得到的SVM分类函数是：

$f\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x\·x_i)+b^{*})$

其中，0≤α_i≤C，常数C为训练过程中边界间隔最大化和训练误差最小化之间的平衡因子，对应于α_i的训练样本x_i为支持向量(support vector，SV)。

在本系统中，输入的样本x_i即为特征向量，比如颜色RGB三维组成的特征向量。分类函数具体参数的训练方法可以直接使用http://www.csie.ntu.edu.tw/～cjlin/libsvm提供的软件包，具体参考文章为Chih-Chung Chang and Chih-Jen Lin，LIBSVM：a library for support vectormachines，2001。

步骤S300，依据所述位置先验模型和所述头发和非头发SVM分类器的输出从待分割的人脸和头发部分的图像中选择头发种子和背景种子。

实施例一

步骤S310，对待分割图像的头部图像进行区域划分。

对待分割的图像进行区域分割，从分割的区域中选择头发种子区域和背景种子区域。

本例中首先采用名为Mean Sh ift的方法对步骤S100得到的预处理的图像进行过分割，一举例中人脸图像过分割结果如图3所示。图像中的每个像素点都会有一个区域的标号。后端的处理将把一个区域当做一个整体进行种子选择和头发分割。

步骤S320，以区域内各个像素的位置先验概率的平均值为所述区域的位置先验概率。

步骤S330，由所述头发和非头发SVM分类器根据所述区域的特征的平均值判断所述区域是否为头发区域。

步骤S340，根据所述头发和非头发SVM分类器的判断结果和区域的位置先验概率从区域中选择作为头发种子的区域和作为背景种子的区域。

通过贝叶斯方法将所述头发和非头发SVM分类器的判断和头发位置先验概率结合，得到所述区域的贝叶斯后验概率；依据所述区域的贝叶斯后验概率从区域中选择作为头发种子的区域和作为背景种子的区域。

具体的，针对每个区域，建立结合头发位置先验模型和头发和非头发SVM分类器输出概率的贝叶斯模型。

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。

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

f(R)表示区域R的特征，P(f(R)|S)表示特征为f(R)的区域属于头发的条件概率，此处即采用步骤S200训练得到的SVM分类器，若区域R被SVM判别为头发区域，那么该概率设为1，否则设为0；P(S)为位置先验概率，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。P(f(R))则表示头发特征出现的先验概率，此处设概率对所有区域均一样，故对结果无影响。

其中，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；该区域的RGB颜色值也是区域内每个点的平均RGB值，因此SVM是以每个区域的RGB平均值作为输入，依据其判别函数，判别该区域是否头发类别。区域的特征向量，可以采用区域内所有像素特征的统计值，本例中采用平均值。采用贝叶斯方法将SVM输出概率和头发位置先验概率结合，得到贝叶斯后验概率。

根据所有区域的贝叶斯后验概率进行排序，概率高的作为头发种子区域，概率低的作为背景种子区域。具体选择过程为将区域依据贝叶斯后验概率由高到低进行排序；对区域序列，从第一个区域，向后依次选择区域，至所选区域的像素总数超过n，同样的方法，从序列的最后一个区域，向前依次选择区域，至所选区域的像素总数超过m，n和m分别为预设数值。或者，选择贝叶斯后验概率大于第一预设阀值的区域为头发种子区域；选择贝叶斯后验概率小于第二预设阀值的区域为背景种子区域。一举例中头发种子的区域和背景种子的区域的选择效果如图4所示，图4(a)中黑色区域为头发种子，图4(b)中黑色区域为背景种子。

实施例二

对待分割的图像的像素中选择头发种子和背景种子。

步骤S310’，由所述头发和非头发SVM分类器根据各个像素的的特征的值判断所述像素是否在头发区域。

步骤S320’，根据各个像素的头发和非头发SVM分类器的判断结果和位置先验概率从待分割图像的头部图像的像素中选择作为头发种子的像素和作为背景种子的像素。

通过贝叶斯方法将像素的所述头发和非头发SVM分类器的判断和头发位置先验概率结合，得到像素的贝叶斯后验概率；依据像素的贝叶斯后验概率从像素中选择作为头发种子的像素和作为背景种子的像素。

步骤S400，从所述头发种子区域和背景种子区域中提取特征，依据所述特征完成对应于待分割的头部图像的头发和非头发SVM分类器的在线学习。

此处的头发特征，以RGB颜色特征为例，在实际中，可以根据具体应用，融合其它特征，比如梯度、纹理等，特征维数将随之增多。由于选择到的背景种子点往往远多于头发种子点数，SVM分类器的两类样本数目失调，本例中采用随机选取的方法，从背景种子点中选取和头发点相同数目的像素，用以训练对应于待分割图像的头发和非头发SVM分类器，学习方法同步骤S200，不同的是，训练样本采用当前已经选择的头发种子和背景种子。

步骤S500，依据所述对应于待分割的头部图像的头发和非头发SVM分类器和所述位置先验模型对所述待分割的头部图像进行头发分割。

将对应于待分割的头部图像的头发和非头发SVM分类器输出概率和位置先验模型中头发发生的位置先验概率融合，作为Graph Cuts分割法的输入，应用Graph Cuts分割法完成头发分割。

实施例一中，采用mean shift方法将待分割图像的头部图像进行区域划分，Graph Cuts分割法是针对划分的区域级进行。

利用对应于待分割的头部图像的头发和非头发SVM分类器，对当前待分割图像中除头发种子的区域和背景种子的区域以外的区域打分，即得到每个区域被分类为头发的概率。

图5为一举例中对应于头部图像的头发和非头发SVM分类器输出的分类概率结果，亮度越大的地方，属于头发的概率越大。

实施例中将采用贝叶斯方法将对应于待分割图像的头发和非头发SVM分类器的输出概率和头发发生的位置先验概率融合，图6为对应于待分割图像的SVM分类器的输出概率和头发位置先验概率的联合概率效果图，亮度越大的地方，属于头发的概率越大。

采用的特征为区域内所有像素点的颜色平均值。在具体应用中可以但不限于只采用颜色信息，比如可以加入纹理等信息，采用不同的特征，区域的特征表示也会有所不同。此处以颜色特征说明能量函数的设置。下面的公式为对Graph Cuts分割法的具体说明。

E(A)＝λ·R(A)+B(A)，

其中，

$B\left(A\right)=\underset{\{R_p,R_q\}\∈\mathrm{Neighbors}}{\mathrm{\Σ}}B(R_p,R_q)\·\mathrm{\δ}(A_p,A_q),$

$\mathrm{\δ}(A_p,A_q)=\left\{\begin{array}{c}1,\mathrm{if}{A}_p\≠A_q\\ 0,\mathrm{otherwise}.\end{array}\right.,$

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

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(头发或者背景)，f(R_k)表示区域R_k的特征矢量，P(f(R_k)|A_k)表示区域R_k被SVM分类为A_k(头发或者背景)的概率，而P(A_k)则为区域中R_k所有像素的位置先验概率平均值。如图7为Graph Cuts的分割结果，黑色表示头发区域。

在另一实施例中不进行区域分割，直接对像素应用Graph Cuts分割法

下面以一个400×600大小的图像，两眼距50像素的准正面图像为例，对本发明方法进行说明。训练阶段：对人脸图像做归一化处理，以眼睛为基准进行旋转、平移、缩放操作，归一化为300×400的图像，两眼距离为40像素，左眼位置(130，170)，右眼位置(160，170)。在训练阶段，我们针对每一像素，进行头发出现的先验概率进行统计；并针对头发像素的RGB颜色值进行SVM分类器的学习。由此我们得到了头发的位置先验概率和头发和非头发的SVM分类器。

测试阶段：首先针对输入图像进行人脸和眼睛的检测；随后根据眼睛的位置，将原始图像归一到300x400的大小上；利用Mean Shift方法对归一化后的图像进行过分割，分成若干个小区域；然后应用头发出现的位置先验概率，求出每个区域的所有像素点的平均位置先验概率；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SVM分类器下的输出概率；最后将每个区域的位置先验概率和SVM输出概率结合，构造贝叶斯模型，计算每一区域是头发的贝叶斯后验概率。针对后验概率，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2500；同理取后面的概率最小的一些区域作为背景种子区域，使得背景种子点数超过70000。利用得到的种子点，提取颜色RGB特征，并将其作为SVM的输入特征，在线学习对应于待分割的图像的头发和非头发的SVM分类器。根据学习到的分类器，针对未知区域打分，将每个区域的平均RGB特征值作为一个区域的特征，输入SVM分类器，即得到每个区域分类为头发和背景的概率。针对每个区域，将SVM的输出概率和每个区域像素点的平均未知先验概率融合，作为Graph Cuts的输入。针对整幅图像进行Graph Cuts分割。

一种从头部图像中自动分割头发的系统如图8所示。

图像提取模块100，用于通过人脸检测和特征定位算法从训练集中的图像和待分割的图像中提取含有人脸和头发的头部图像，以提取的头部图像作为后续处理的对象，并对提取出的头部图像进行归一化。

位置先验模型建立模块200，用于对于训练集中图像的头部图像，根据各个头部图像中标记的头发像素点计算位置先验概率，该些位置先验概率组成位置先验概率模型，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。

训练模块300，用于对于训练集中已标记头发点的图像提取特征，进行头发和非头发SVM分类器的学习。

种子选择模块400，用于依据所述位置先验模型和所述头发和非头发SVM分类器从待分割的图像的头部图像中选择头发种子和背景种子。

分类器在线学习模块500，用于从所述头发种子区域和背景种子区域中提取特征，依据所述特征完成对应于待分割的头部图像的头发和非头发SVM分类器的在线学习。

分割模块600，用于依据所述对应于待分割的头部图像的头发和非头发SVM分类器和所述位置先验模型对所述待分割的头部图像进行头发分割。

在一具体实施方式中，

所述图像提取模块100在归一化时进一步用于对图像进行如下操作中的一种或多种操作，所述操作包括旋转、平移、缩放。

在一具体实施方式中，位置先验模型建立模块200在根据各个头部图像中标记的头发像素点得出位置先验模型时进一步用于

统计训练集中的图片的数量；

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位置先验模型。

在一具体实施方式中，位置先验模型建立模块200在根据各个头部图像中标记的头发像素点得出位置先验模型时进一步用于，

针对训练集中的图片，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；

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，作为所述位置先验模型。

在一具体实施方式中，种子选择模块400进一步用于，

对待分割图像的头部图像进行区域划分；

以区域内各个像素的位置先验概率的平均值为所述区域的位置先验概率；

由所述头发和非头发SVM分类器根据区域的特征的平均值判断所述区域是否为头发区域；

根据所述头发和非头发SVM分类器的判断结果和区域的位置先验概率从区域中选择作为头发种子的区域和作为背景种子的区域。

进一步的，种子选择模块400在根据所述头发和非头发SVM分类器的判断结果和区域的位置先验概率从区域中选择作为头发种子的区域和作为背景种子的区域时进一步用于，

通过贝叶斯方法将所述头发和非头发SVM分类器的判断和头发位置先验概率结合，得到所述区域的贝叶斯后验概率；

依据所述区域的贝叶斯后验概率从区域中选择作为头发种子的区域和作为背景种子的区域。

在一具体实施方式中，分割模块600进一步用于，

通过贝叶斯方法将对应于待分割的头部图像的头发和非头发SVM分类器输出概率和位置先验模型中头发发生的位置先验概率融合，生成待分割头部图像的贝叶斯概率；

以所述贝叶斯概率作为Graph Cuts分割法的输入，应用Graph Cuts分割法完成头发分割。

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 (14)

1.一种从头部图像中自动分割头发的方法，其特征在于，包括：

步骤1，通过人脸检测和特征定位算法从训练集中的图像和待分割的图像中提取含有人脸和头发的头部图像，以提取的头部图像作为后续处理的对象，并对提取出的头部图像进行归一化；

步骤2，对于训练集中图像的头部图像，根据各个头部图像中标记的头发像素点计算位置先验概率，组成位置先验模型，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，并对于训练集中已标记头发点的图像提取特征，进行通用的头发和非头发SVM分类器的学习；

步骤3，依据所述位置先验模型和所述通用的头发和非头发SVM分类器从待分割的图像的头部图像中选择头发种子和背景种子；

步骤4，从所述头发种子区域和背景种子区域中提取特征，依据所述特征完成对应于待分割的头部图像的头发和非头发SVM分类器的在线学习；

步骤5，依据所述对应于待分割的头部图像的头发和非头发SVM分类器和所述位置先验模型对所述待分割的头部图像进行头发分割。

2.如权利要求1所述的从头部图像中自动分割头发的方法，其特征在于，

所述步骤1中归一化包括对图像进行如下操作中的一种或多种操作，所述操作包括旋转、平移、缩放。

3.如权利要求1所述的从头部图像中自动分割头发的方法，其特征在于，

所述步骤2中根据各个头部图像中标记的头发像素点得出位置先验模型进一步为，

步骤31，统计训练集中的图片的数量；

步骤32，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33，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34，各个像素的位于头发区域中的概率组成位置先验模型。

4.如权利要求1所述的从头部图像中自动分割头发的方法，其特征在于，

所述步骤2中根据各个头部图像中标记的头发像素点得出位置先验模型进一步为，

步骤41，针对训练集中的图片，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；

步骤42，沿着该边缘向外扩展多个像素的距离，得到一个环状区域；

步骤43，从人脸的特征点位置，向外均匀画多条射线；

步骤44，，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，各个像素点的概率组成所述位置先验模型。

5.如权利要求1所述的从头部图像中自动分割头发的方法，其特征在于，

所述步骤3进一步为，

步骤51，对待分割图像的头部图像进行区域划分；

步骤52，以区域内各个像素的位置先验概率的平均值为所述区域的位置先验概率；

步骤53，由所述头发和非头发SVM分类器根据区域的特征的平均值判断所述区域是否为头发区域；

步骤54，根据所述头发和非头发SVM分类器的判断结果和区域的位置先验概率从区域中选择作为头发种子的区域和作为背景种子的区域。

6.如权利要求5所述的从头部图像中自动分割头发的方法，其特征在于，

所述步骤54进一步为，

步骤61，通过贝叶斯方法将所述头发和非头发SVM分类器的判断和头发位置先验概率结合，得到所述区域的贝叶斯后验概率；

步骤62，依据所述区域的贝叶斯后验概率从区域中选择作为头发种子的区域和作为背景种子的区域。

7.如权利要求1所述的从头部图像中自动分割头发的方法，其特征在于，

所述步骤5进一步为，

步骤71，通过贝叶斯方法将对应于待分割的头部图像的头发和非头发SVM分类器输出概率和位置先验模型中头发发生的位置先验概率融合，生成待分割头部图像的贝叶斯概率；

步骤72，以所述贝叶斯概率作为Graph Cuts分割法的输入，应用GraphCuts分割法完成头发分割。

8.一种从头部图像中自动分割头发的系统，其特征在于，包括：

图像提取模块，用于通过人脸检测和特征定位算法从训练集中的图像和待分割的图像中提取含有人脸和头发的头部图像，以提取的头部图像作为后续处理的对象，并对提取出的头部图像进行归一化；

位置先验模型建立模块，用于对于训练集中图像的头部图像，根据各个头部图像中标记的头发像素点计算位置先验概率，组成位置先验模型，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；

训练模块，用于对于训练集中已标记头发点的图像提取特征，进行通用的头发和非头发SVM分类器的学习；

种子选择模块，用于依据所述位置先验模型和所述头发和非头发SVM分类器从待分割的图像的头部图像中选择头发种子和背景种子；

分类器在线学习模块，用于从所述头发种子区域和背景种子区域中提取特征，依据所述特征完成对应于待分割的头部图像的头发和非头发SVM分类器的在线学习；

分割模块，用于依据所述对应于待分割的头部图像的头发和非头发SVM分类器和所述位置先验模型对所述待分割的头部图像进行头发分割。

9.如权利要求8所述的从头部图像中自动分割头发的系统，其特征在于，

所述图像提取模块在归一化时进一步用于对图像进行如下操作中的一种或多种操作，所述操作包括旋转、平移、缩放。

10.如权利要求8所述的从头部图像中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根据各个头部图像中标记的头发像素点得出位置先验模型时进一步用于

统计训练集中的图片的数量；

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位置先验模型。

11.如权利要求8所述的从头部图像中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根据各个头部图像中标记的头发像素点得出位置先验模型时进一步用于，

针对训练集中的图片，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；

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，作为所述位置先验模型。

12.如权利要求8所述的从头部图像中自动分割头发的系统，其特征在于，

所述种子选择模块进一步用于，

对待分割图像的头部图像进行区域划分；

以区域内各个像素的位置先验概率的平均值为所述区域的位置先验概率；

由所述头发和非头发SVM分类器根据区域的特征的平均值判断所述区域是否为头发区域；

根据所述头发和非头发SVM分类器的判断结果和区域的位置先验概率从区域中选择作为头发种子的区域和作为背景种子的区域。

13.如权利要求12所述的从头部图像中自动分割头发的系统，其特征在于，

所述种子选择模块在根据所述头发和非头发SVM分类器的判断结果和区域的位置先验概率从区域中选择作为头发种子的区域和作为背景种子的区域时进一步用于，

通过贝叶斯方法将所述头发和非头发SVM分类器的判断和头发位置先验概率结合，得到所述区域的贝叶斯后验概率；

依据所述区域的贝叶斯后验概率从区域中选择作为头发种子的区域和作为背景种子的区域。

14.如权利要求8所述的从头部图像中自动分割头发的系统，其特征在于，

所述分割模块进一步用于，

通过贝叶斯方法将对应于待分割的头部图像的头发和非头发SVM分类器输出概率和位置先验模型中头发发生的位置先验概率融合，生成待分割头部图像的贝叶斯概率；

以所述贝叶斯概率作为Graph Cuts分割法的输入，应用Graph Cuts分割法完成头发分割。

Images