WO2019062092A1 - 基于超像素-多色彩空间的人体轮廓提取方法 - Google Patents

基于超像素-多色彩空间的人体轮廓提取方法 Download PDF

Info

Publication number
WO2019062092A1
WO2019062092A1 PCT/CN2018/084090 CN2018084090W WO2019062092A1 WO 2019062092 A1 WO2019062092 A1 WO 2019062092A1 CN 2018084090 W CN2018084090 W CN 2018084090W WO 2019062092 A1 WO2019062092 A1 WO 2019062092A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
super
pixel
color
algorithm
Prior art date
Application number
PCT/CN2018/084090
Other languages
English (en)
French (fr)
Inventor
张春慨
Original Assignee
深圳市颐通科技有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 深圳市颐通科技有限公司 filed Critical 深圳市颐通科技有限公司
Publication of WO2019062092A1 publication Critical patent/WO2019062092A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Definitions

  • the invention belongs to the technical field of image processing, and in particular relates to a method for extracting a human body contour.
  • Human body parameters including height, weight, neck circumference, shoulder width, arm length, chest circumference, waist circumference, abdominal circumference, hip circumference, leg circumference, leg length, etc., contain a lot of valuable information.
  • Human body morphological parameters can be used in a wide variety of scenarios, such as remote clothing customization, human health assessment, and more.
  • the measurement method of human body morphology parameters is also excessively measured by manual measurement to non-contact measurement.
  • human body photo acquisition and preprocessing human body photo acquisition and preprocessing ⁇ human contour sequence extraction ⁇ human contour feature point calibration ⁇ human body parameter measurement.
  • human contour sequence extraction is a very critical step. The integrity and accuracy of human contour extraction will directly affect the accuracy of the final human body shape parameter measurement results. Therefore, the study of human contour extraction is of great practical significance.
  • Fang Jin et al proposed using image edge detection operator and optimal threshold segmentation to combine human body extraction, and the effect of gray processing and gray stretching on edge detection results in pictures; Han Qiang et al proposed to grayscale the image first.
  • Processing sequence for the extraction of human contours commonly used edge detection operators, mainly Roberts, Sobel, Prewitt, Laplacian, Log and Canny, etc., analyze the richness of information carried by image contours, using simple and practical hollow interior points Yang Dongmei et al.
  • Edge detection uses an improved Sobel operator and adds image morphology processing. Further adjustment of the contour extraction boundary of the human body, so that the adjustment result is more in line with the actual contour information of the human body; Super et al. proposed image preprocessing (gray processing, binarization processing) and edge detection processing sequences for human contour extraction.
  • the existing human body contour feature point marking method can mark the feature point through the human body size line, although the average level can be satisfied, and the human body contour is extracted when the background and the human body contrast are very obvious and the background is relatively simple, but since the method only utilizes the image in the image Gray-scale information is not robust enough and has great limitations.
  • the existing methods have the following problems and defects:
  • the existing human body contour extraction method has the defects of strict layout and corresponding to the shooting scene, and has high requirements on the simplicity and contrast of the background. If the background is slightly complicated, the contours of the human body may be improperly extracted, and the correct human body dimension data cannot be calculated. Such a strict shooting scene in real life is not very easy to get, only suitable for use in laboratory tests, real life can not be popularized.
  • the present invention introduces the following non-patent literature:
  • Non-Patent Document 1 R Achanta, A Shaji, K Smith, and A Lucchi, "SLIC Superpixels Compared to State-of-the-the-Art Superpixel Methods," PAMI, pp. 2274 - 2281, Nov. 2012.
  • Non-Patent Document 2 J. Zhang, S. Sclaroff, Z. Lin, X. Shen, B. Price, and R. Mech, "Minimum Barrier Salient Object Detection at 80 FPS," in IEEE International Conference on Computer Vision, 2015 , pp.1404–1412.
  • the present invention proposes a human body contour extraction method based on SP-MCS, which is suitable for extracting human body contour information in pictures taken under complicated background conditions.
  • a method for extracting a human body contour based on SP-MCS comprising the following steps:
  • the super color pixel segmentation algorithm is used to divide the original color image into a plurality of super pixel blocks, and the intra-block color value and the brightness value of each super pixel block are calculated by using median or mean values, respectively, and the adjacent relationship between the super pixels is recorded. ;
  • S104 Clustering the super-pixel-averaged image, and reducing the gray value in the class in which the clustering result is in contact with the image boundary to 0, and the central region is brightened;
  • step S101 the central color of each super pixel, the value of the luminance channel, and the super pixel serial number connected to each super pixel are respectively recorded.
  • the super-pixel image is region-fused using the DBSCAN clustering algorithm, and the super-pixel set in the segmentation result region and the adjacent relationship between the segment regions are respectively recorded.
  • the color density S channel in the HSV color space is also used as the fourth channel in the equalized image in the step S103.
  • the four channels of the image are used as the feature values of the pixel by using the clustering algorithm, and the K-mean clustering algorithm is used to cluster the image color information, and the clustering result is represented by Arabic numerals. Map the class label to the grayscale image interval.
  • the filtering algorithm is used to eliminate the noise that may occur in the clustering result.
  • the median filtering effect is best.
  • step S105 the image obtained in step S104 is binarized, and the binarized contour is obtained by a global binarization method with a given threshold, and then the morphological operator is used to etch the extracted contour.
  • the algorithm then extracts the human contour sequence using the eight-chain code.
  • An MDB-based human body contour extraction method which is applied to human contour extraction under complex background conditions, and includes the following steps:
  • step S203 combining the detection result of step S201 with the detection result of step S201;
  • step S204 The image of step S203 is segmented by using a locally adaptive binarization segmentation method.
  • S205 Perform conventional contour extraction on the image, and perform morphological adjustment on the image by using an expansion and erosion algorithm.
  • the MBD region saliency detection is specifically: calculating a MBD of each color channel by using a Fast MBD distance change algorithm by using a scan sequence of a raster scan algorithm to obtain a picture, and obtaining a distance converted image, and then merging The MBD region significance test results were obtained.
  • FIG. 1 is a flow chart of a SP-MCS-based human body contour extraction method of the present invention
  • 3 is an effect diagram of performing region blending processing on a super pixel image
  • Figure 4 (a) is an effect diagram after the Lab color space is averaged
  • Figure 4 (b) is an effect diagram after converting the Lab image three channels back to the RGB color space
  • Figure 5 is an effect diagram after processing using the HSV color space
  • Figure 7 is an effect diagram after filtering processing
  • Figure 9 is an effect diagram after binarization division
  • Figure 10 is an effect diagram after the human body contour sequence is extracted
  • Figure 11 is a result of performing RGB, Lab, and HSV color space detection on the original image
  • Figure 13 is a graph showing the results of MDB significance region detection
  • Figure 14 is an effect diagram of performing significant area detection after averaging
  • Figure 15 is a diagram showing the fusion of the region detection results after the mean and the mean;
  • 16 is an effect diagram of the local adaptive binarization division processing
  • Figure 17 (a) is the original image of Comparative Experiment 1;
  • Figure 17 (b) is a result of the processing obtained by using the existing contour extraction algorithm
  • Figure 17 (c) is a result chart obtained by the SP-MCS algorithm of the present invention.
  • Figure 18 (a) is an original image of Comparative Experiment 2;
  • Figure 18 (b) is a result chart obtained by processing using an existing contour extraction algorithm
  • Fig. 18 (c) is a graph showing the results obtained by the MDB algorithm of the present invention.
  • the present invention proposes a human body contour extraction method based on SP-MCS, which is aimed at the human body contour under complicated background conditions.
  • a human body contour extraction method based on SP-MCS-MBD is proposed.
  • the invention is different from the existing human body contour extraction method, and is improved from the perspective of superpixel (SP) and multivariate color spaces (MCS).
  • SP superpixel
  • MCS multivariate color spaces
  • the present invention selects the attribute as a feature of the area separated by the contour, and the feature has the characteristics of small intra-class gap and large difference between classes, which can be very Good to divide different areas, and then use the regional information to extract complete human contour information.
  • the distance transform of MBD saliency detection is added for raster scanning, which makes the algorithm more excellent in real life.
  • SP-MCS-based human body contour extraction method (hereinafter referred to as "SP-MCS algorithm"), the flow chart is shown in Figure 1, the method flow is: first use the super pixel segmentation method (such as SLIC algorithm, see Non-Patent Document 1), The original color image is segmented into a plurality of super pixel blocks, and the intra-block color value and the brightness value of each super pixel block are calculated by using median or mean values respectively, and the adjacent relationship between the super pixels is recorded; then each super pixel is recorded Comparing with its neighboring superpixels, merging them into one region within a given threshold range, and finally recording the superpixel set contained in each region; then calculating the color mean and brightness mean between the regions, the present invention
  • the Lab color space is used, that is, the mean values of the three channels a, b, and L in the calculation area respectively; next, the images of the super pixel averaged image are clustered, and the clustering result is in contact with the image boundary. The gray value is reduced to 0; the image
  • the superpixel initialization segmentation processing result is shown in Fig. 2.
  • the center color of each super pixel, the value of the luminance channel, and the super pixel number connected to each super pixel are separately recorded.
  • the super-pixel image is region-fused using DBSCAN clustering algorithm, and the result of segmentation is the result of clustering of similar super-pixels.
  • the super-pixel set in the segmentation result region and the adjacent relationship between each segment are recorded.
  • the color and brightness mean values in each divided area are calculated by using the obtained super pixel set records in the divided regions.
  • the Lab color space averaged result is shown in Fig. 4(a), and the Lab image is converted into the RGB color space as shown in Fig. 4(a). 4(b).
  • the captured image is due to light problems, there may be obvious shadows, and the original method is directly extracted because the difference between the shadow and the background gray value is large.
  • the color information can better distinguish the shadow and the entity.
  • the image color density is also a key feature for distinguishing the foreground from the background.
  • the present invention uses the color density (S) channel in the HSV color space as the equalized image.
  • the fourth channel is shown in Figure 5.
  • the obtained four-channel image has the influence of the brightness information, and the shadow in the background still has an influence and cannot be directly used.
  • the present invention uses the clustering algorithm to use the four channels of the image as the feature value of the pixel, and selects the K-mean clustering algorithm.
  • the image color information is clustered, the clustering result is represented by Arabic numerals, and the class label is mapped to the gray image interval, as shown in FIG. 6.
  • the clustering method can aggregate images into multiple categories, but the clustering results may be different each time. Therefore, increasing the number of iterations can make the results converge, and the experiment can satisfy the ideal convergence more than 5 times.
  • the method of the invention selects a classification algorithm with a given number of classes, and the more complex the color, the more the definition of the category is, the higher the accuracy is, which can be estimated by super pixel block or image information entropy.
  • the clustering result class label is mapped to the gray image, and some noise points may appear in the clustering result.
  • the filtering algorithm can eliminate the noise. In order to reduce the intervention of the new gray value, the median filtering effect is best, and the smoothing result is obtained. As shown in Figure 7.
  • Binary segmentation of the image obtained above can directly use the contour extraction operator to detect the contour after binarization. Because the image segmentation obviously uses different operators, the result gap is not obvious. According to the actual situation, the processing speed is selected.
  • a fast and simple Roberts operator using a global binarization method with a given threshold, obtains the binarized contour, as shown in Figure 9.
  • the above method is proposed under a relatively simple background application condition, but it is not easy to find a scene with such a single background in practice. It is not satisfactory to satisfy the actual application only by satisfying a single background. Therefore, the present invention adds MBD significance detection.
  • the distance transform is used for raster scanning, and the human body contour extraction method based on SP-MCS-MBD (Minimum Barrier Distance) (hereinafter referred to as “SP-MCS-MBD algorithm”) is proposed, which can greatly enhance contour extraction under complex background. Accuracy and integrity.
  • MBD is defined as:
  • P(y) indicates that the path is currently assigned to the pixel y
  • ⁇ y, x> indicates the edge of the pixel y to the pixel x
  • P(y) ⁇ y, x> indicates that the edge ⁇ y, x> to P is added to the pixel x.
  • P(y) ⁇ y, x> is expressed as P y (x).
  • U(y) and L(y) represent the maximum and minimum pixel values on P(y), respectively, so the MBD consumption ⁇ I (P y (x)) can pass the two auxiliary parameters of U and L ( Tracking the maximum and minimum pixel values of the current path of each pixel is efficiently calculated.
  • the image to be detected is scanned by the raster scanning algorithm and the FastMBD algorithm is used to calculate the MBD of each color channel, and the image after the distance conversion processing is obtained, and then the fusion detection image is obtained.
  • the MBD definition and the FastMBD algorithm can be referred to Non-Patent Document 2.
  • the detection results of the three color spaces of RGB, Lab and HSV are compared respectively.
  • the first column is the original image
  • the second column is the saliency detection result in the RGB color space
  • the third column is the Lab color space.
  • the fourth column is the significance test results under the HSV color space.
  • the saliency images obtained under the HSV color space in the saliency check results are in line with our requirements. After a large number of sample verifications, the present invention finally selects the HSV color space to detect the saliency of the image.
  • the contour extraction process of the human body in a more complex background is shown in FIG. 12, and the acquired complex background image is converted into the HSV color space, and the MBD region detection is performed, and the detection result is shown in FIG. 13 , and the white region is detected significantly.
  • the MBD saliency algorithm calculates the distance relationship between the weights of each pixel, the results that may be detected for the same color region are also different, such as the detection result of the human clothes in the first frame of FIG. 13, although the colors of the clothes are similar. However, the significant results are quite different.
  • the image processed by the superpixel averaging method of the present invention is subjected to saliency detection to obtain an image result as shown in FIG.
  • the original image detection result is merged with the region-averaged detection result, and the fusion result is shown in Fig. 15.
  • the fusion can improve the accuracy of the detection result of most images.
  • the fusion result enhances the utilization of image color information without affecting the overall detection result and improving the robustness of detection.
  • the detected grayscale image has different gray value values due to different significant properties, and the grayscale value changes in the similar region are relatively smooth.
  • the present invention adopts a local adaptive binary segmentation method.
  • the inspection image is segmented, and the segmentation result is as shown in FIG.
  • the detection result may affect the contour extraction result due to the contact between the human body and the more complicated lines in the background.
  • the expansion and erosion algorithm can be used to adjust the shape of the image, and in practice, the human body contour is not required to be in contact with complex objects when shooting. .
  • Fig. 17(a) is the original image to be processed, and the result obtained by performing the existing human body contour extraction processing is as shown in Fig. 17(b), and the result extracted by the SP-MCS algorithm proposed by the present invention is shown in Fig. 17(c). ) shown.
  • the comparison experiments show that under the simple background conditions, the proposed scheme can solve the problem of incomplete human contour extraction under the gray-scale approximation condition in the existing algorithm, and is not affected by the shadow in the background image. Interference. Even under laboratory conditions, the availability of human contour extraction is significantly improved.
  • Fig. 18(a) shows the original image to be processed, and the result obtained by performing the existing human body contour extraction processing is as shown in Fig. 18(b), and the result of the SP-MCS-MBD algorithm proposed by the present invention is as shown in Fig. 18. (c) is shown.
  • the more complicated background is relatively easy to obtain.
  • the method is no longer limited to the traditional edge detection algorithm for edge detection of the whole image, but the target boundary information and the foreground background position information are used for pre-judging.

Abstract

本发明提出了一种基于超像素-多色彩空间的人体轮廓提取方法，从超像素SP 和多色彩空间 MCS 视觉角度出发进行改进，对于一副图像的轮廓信息而言，最主要的差别就是色彩或亮度信息在某一梯度方向上发生剧变或跳跃，将该属性选定为轮廓所分开的区域的特征，该特征具有类内差距小、类间差别大的特点，能够很好的将不同的区域划分开来，再利用区域信息提取完整人体轮廓信息。本发明还提出基于最小阻碍距离 MBD 的人体轮廓提取方法，能够大大加强较复杂背景下的轮廓提取的准确度和完整性。实验证明，在非接触式人体轮廓提取中的问题在本发明中都很好的得到了解决，本发明提出的基于超像素-多色彩空间的人体轮廓提取方案是具有很大的实用价值的。

Description

基于超像素-多色彩空间的人体轮廓提取方法 技术领域
本发明属于图像处理技术领域，具体涉及一种人体轮廓提取方法。
背景技术
人体形态参数，包括身高、体重、颈围、肩宽、臂长、胸围、腰围、腹围、臀围、腿围、腿长等，蕴含大量有价值的信息。人体形态参数可运用场景非常广泛，例如实现远程的服装定制、人体健康状况的评估等等。人体形态参数测量方法也由人为手工测量向非接触式测量过度。在基于被动非接触式人体形态参数提取过程为：人体照片采集与预处理→人体轮廓序列提取→人体轮廓特征点标定→人体参数测量。该过程中，人体轮廓序列提取是非常关键的一步，人体轮廓提取的完整性、精确程度都将直接影响最终人体形态参数测量结果的准确性。因此，人体轮廓提取研究极具现实意义。
关于人体轮廓提取的研究国内外相关学者已经做过了大量的工作。目前国内学者针对图像中的人体轮廓提取最常使用的方法是先将图像增强处理然后利用边缘检测算子将图像中的轮廓信息提取出；接着，通过图像分割将轮廓分割成二值化图像；最后利用轮廓追踪最终将轮廓序列提取出来。
方金等提出利用图像边缘检测算子和最佳阈值分割相结合进行人体提取，在对图片中灰度处理与灰度拉伸对边缘检测结果的影响；韩强等提出先将图片进行灰度化、滤波处理后基于图像的肤色区域和梯度Hough变换进行图像定位后进行图像分割；蔡欣等提出按照图像灰度化处理、图像滤波、图像锐化、图像边缘检测、图像二值化分割的处理顺序进行人体轮廓的提取，常用的边缘检测算子，主要有Roberts、Sobel、Prewitt、Laplacian、Log和Canny等，分析了图像轮廓所携带信息的丰富性，采用简单而实用的掏空内部点法；杨冬梅等对比了图像处理中各种算子对人体轮廓提取场景中最适用的各部分算子后组合成为最终的处理流程，边缘检测采用一种改进的Sobel算子并加入图像形态学处理对人体轮廓提取边界进行进一步调整，使得调整结果更符合人体实际轮廓信息；岳超等提出图像预处理(灰度处理、二值化处理)、边缘检测的处理顺序进行人体轮廓提取。
现有人体轮廓特征点标记方法通过人体尺寸线标记特征点虽然能够满足平均水平，在背景与人体反差非常明显且背景相对单一的情况下将人体 轮廓提取出来，但是由于该方法只利用图像中的灰度信息，鲁棒性不强，存在很大局限性。现有方法存在以下问题与缺陷：
1、已有人体轮廓提取方法对应拍摄场景都存在布置严苛等缺陷，对背景的简洁度和对比度都有很高的要求。背景略微复杂的情况下会导致人体轮廓提取不当，进而无法计算出正确的人体维度数据。实际生活中如此严格的拍摄场景不是很容易能够得到，只适合与实验室测试使用，现实生活无法得到普及。
2、对于人体轮廓中与背景的灰度相近的部分无法被很好的检测出来，导致最终人体轮廓提取不完整而无法进行之后的处理。
3、对于较单一背景拍摄图像中如果存在物体的影子轮廓比较清晰情况，则影子的轮廓也会被提取出来，与完整的人体轮廓相比附加了许多不希望存在的冗余信息。
本发明引入以下非专利文献：
非专利文献1：R Achanta,A Shaji,K Smith,and A Lucchi,“SLIC Superpixels Compared to State-of-the-Art Superpixel Methods,”PAMI,pp.2274–2281,Nov.2012.
非专利文献2：J.Zhang,S.Sclaroff,Z.Lin,X.Shen,B.Price,and R.Mech,“Minimum Barrier Salient Object Detection at 80 FPS,”in IEEE International Conference on Computer Vision,2015,pp.1404–1412.
发明内容
为解决现有技术中存在的问题，本发明提出了一种基于SP-MCS的人体轮廓提取方法，适用于在较复杂背景条件下拍摄的图片中进行人体轮廓信息提取。
本发明具体通过如下技术方案实现：
一种基于SP-MCS的人体轮廓提取方法，包括以下步骤：
S101、利用超像素分割算法将原始彩色图像分割成为若干个超像素块，分别利用中值或均值计算得到各个超像素块的块内色彩值和亮度值，并记录超像素之间的相邻关系；
S102、将每个超像素与其相邻超像素进行比较，在给定阈值范围内则将其合并为一个区域，并最终记录各个区域中所包含的超像素集合；
S103、采用Lab色彩空间计算各个区域之间的色彩均值和亮度均值，即计算区域中a、b、L三个通道分别对应的均值；
S104、将超像素均值化处理后的图像进行聚类，并将聚类结果与图像边界接触的类中的灰度值降为0，中心区域亮化；
S105、对图像进行常规的轮廓提取。
进一步地，所述步骤S101中，分别记录各个超像素中的中心色彩、亮度通道的数值以及与各超像素相连接的超像素序号。
进一步地，所述步骤S102中，使用DBSCAN聚类算法对超像素图像进行区域融合，分别记录分割结果区域中的超像素集合以及各个分割区域之间的相邻关系。
进一步地，所述步骤S103中还将HSV色彩空间中的色彩浓度S通道作为均衡化图像中的第四通道。
进一步地，所述步骤S104中利用聚类算法将图像四个通道作为该像素的特征值，选用K-mean聚类算法将图像色彩信息进行聚类，聚类结果用阿拉伯数字表示类标，再将类标映射到灰度图像区间。
进一步地，所述步骤S104中利用滤波算法将聚类结果可能出现的噪声消除，为了减小新灰度值的介入，选择中值滤波效果最好。
进一步地，所述步骤S105中对步骤S104获得的图像进行二值化分割，利用给定阈值的全局二值化方法获取二值化轮廓，然后，使用形态学算子对提取的轮廓做腐蚀膨胀算法，再使用八链码将人体轮廓序列提取出来。
一种基于MDB的人体轮廓提取方法，所述方法应用于较复杂背景条件下人体轮廓提取，包括以下步骤：
S201、对采集到的原始图像转换为HSV色彩空间，并进行最小阻碍距离MBD区域显著性检测；
S202、对采集到的原始图像进行超像素均值化处理，再进行MBD区域显著性检测；
S203、将步骤S201的检测结果与步骤S201的检测结果相融合；
S204、采用局部自适应的二值化分割方法对步骤S203的图像进行分割；
S205、对图像进行常规的轮廓提取，并利用膨胀和腐蚀算法对图像进行形态学调整。
进一步地，所述MBD区域显著性检测具体为：将需要检测的图片使用光栅扫描算法的扫描顺序进行FastMBD距离变化算法计算每个颜色信道的MBD，得到距离变换处理后的图像，然后融合即可得到MBD区域显著性检测结果。
进一步地，所述对采集到的原始图像进行超像素均值化处理具体为：。
附图说明
图1是本发明的基于SP-MCS的人体轮廓提取方法流程图；
图2是超像素初始化分割处理后的效果图；
图3是对超像素图像进行区域融合处理的效果图；
图4(a)是Lab色彩空间均值化后的效果图；
图4(b)是将Lab图像三通道转换回RGB颜色空间后的效果图；
图5是利用HSV色彩空间处理后的效果图；
图6是对图像色彩信息进行聚类处理后的灰度图像；
图7是滤波处理后的效果图；
图8是边界暗化、中心区域亮化处理后的效果图；
图9是二值化分割后的效果图；
图10是人体轮廓序列提取后的效果图；
图11是对原始图像分别进行RGB、Lab、HSV颜色空间检测的结果；
图12是本发明的较复杂背景下基于MDB的人体轮廓提取流程图；
图13是MDB显著性区域检测结果图；
图14是均值化后再进行显著性区域检测的效果图；
图15是未均值化和均值化后的区域检测结果进行融合后的图；
图16是局部自适应二值化分割处理后的效果图；
图17(a)是对比实验一的原始图像；
图17(b)是采用现有轮廓提取算法处理后得到的结果图；
图17(c)是采用本发明的SP-MCS算法处理后得到的结果图；
图18(a)是对比实验二的原始图像图；
图18(b)是采用现有轮廓提取算法处理后得到的结果图；
图18(c)是采用本发明的MDB算法处理后得到的结果图。
具体实施方式
下面结合附图说明及具体实施方式对本发明进一步说明。
针对已有人体轮廓提取算法中存在的灰度图像中影子干扰和相似灰度值轮廓分割不完整的问题，本发明提出了基于SP-MCS的人体轮廓提取方法，针对较复杂背景条件下人体轮廓提取鲁棒性差的问题提出了基于SP-MCS-MBD的人体轮廓提取方法。
本发明区别于已有的人体轮廓提取方法，从超像素(Superpixel，SP)和多色彩空间(Multivariate color spaces，MCS)视觉角度出发进行改进， 对于一副图像的轮廓信息而言，最主要的差别就是色彩或亮度信息在某一梯度方向上发生剧变或跳跃，本发明将该属性选定为轮廓所分开的区域的特征，该特征具有类内差距小、类间差别大的特点，能够很好的将不同的区域划分开来，再利用区域信息提取完整人体轮廓信息。
针对较复杂背景下实用性考虑加入了MBD显著性检测的距离变换进行光栅扫描，使得算法在实际生活中能够得到更优秀的运用。
基于SP-MCS的人体轮廓提取方法(以下简称“SP-MCS算法”)，流程图如图1所示，方法流程为：首先利用超像素分割方法(如SLIC算法，参见非专利文献1)，将原始彩色图像分割成为若干个超像素块，分别利用中值或均值计算得到各个超像素块的块内色彩值和亮度值，并记录超像素之间的相邻关系；然后将每个超像素与其相邻超像素进行比较，在给定阈值范围内则将其合并为一个区域，并最终记录各个区域中所包含的超像素集合；接着计算各个区域之间的色彩均值和亮度均值，本发明采用Lab色彩空间，即计算区域中a、b、L三个通道分别对应的均值；下一步，将超像素均值化处理后的图像进行聚类，并将聚类结果与图像边界接触的类中的灰度值降为0；最终对图像进行常规的轮廓提取。
超像素初始化分割处理结果如图2所示。分别记录各个超像素中的中心色彩、亮度通道的数值以及与各超像素相连接的超像素序号。
使用DBSCAN聚类算法对超像素图像进行区域融合，得到图3，分割结果为相近超像素聚类后的结果，分别记录分割结果区域中的超像素集合以及各个分割区域之间的相邻关系。
利用得到的分割区域中的超像素集合记录计算每个分割区域中的颜色与亮度均值，Lab色彩空间均值化结果如图4(a)所示，将Lab图像三通道转换回RGB颜色空间如图4(b)所示。
如果拍摄图像由于光线问题，可能会出现影子比较明显的情况，而直接利用原方法由于影子与背景灰度值相差较大，影子轮廓也会被提取出来。利用颜色信息可以较好的区分影子和实体，对于较单一背景条件下，图像色彩浓度也是区分前景与背景的关键特征，本发明将HSV色彩空间中的色彩浓度(S)通道作为均衡化图像中的第四通道，如图5所示。
得到的四通道图像由于具有亮度信息的影响，背景中的阴影还是存在影响，不能够直接使用，本发明利用聚类算法将图像四个通道作为该像素的特征值，选用K-mean聚类算法将图像色彩信息进行聚类，聚类结果用阿拉伯数字表示类标，再将类标映射到灰度图像区间，如图6所示。
聚类方法能够将图像聚集成多个类别，但聚类结果每次处理可能有所差别，故加大迭代次数能够使得结果收敛，实验中基本5次以上就能满足较理想收敛。本发明的方法选用给定类数的分类算法，色彩越复杂类别定义越多准确性越高，可通过超像素块或图像信息熵来预估。将聚类结果类标映射到灰度图像中，聚类结果可能出现一些噪声点，利用滤波算法可将噪声消除，为了减小新灰度值的介入，选择中值滤波效果最好，平滑结果如图7所示。
由于聚类结果每次标记的类标不可预估，所以还要进一步处理将接近图像边界色彩像素暗化为0，中心区域亮化，如图8所示，便于后期处理。
对上述获得的图像进行二值化分割，可直接利用轮廓提取算子检测轮廓后二值化，由于图像轮廓分割明显选用不同的算子的结果差距并不明显，本文根据实际情况选择处理速度较快且处理简单的Roberts算子，利用给定阈值的全局二值化方法获取二值化轮廓，如图9所示。
最后，使用形态学算子对提取的轮廓做腐蚀膨胀算法，再使用八链码将人体轮廓序列提取出来，处理结果如图10所示。
以上方法是在较单一背景应用条件下提出的，但是实际中要找一个这样单一背景的场景并不容易，仅仅满足单一背景是无法满足实际运用的，因此，本发明加入了MBD显著性检测的距离变换进行光栅扫描，提出基于SP-MCS-MBD(Minimum Barrier Distance,最小阻碍距离)的人体轮廓提取方法(以下简称“SP-MCS-MBD算法”)，能够大大加强较复杂背景下的轮廓提取的准确度和完整性。
MBD的定义为：
Figure PCTCN2018084090-appb-000001
β I(πP y(x))＝max{U(y)，I(x)}-min{L(y)，I(x)}
P(y)表示路径当前分配给像素y，〈y,x〉表示像素y到像素x的边缘，P(y)·〈y,x〉表示为对像素x追加边缘〈y,x〉到P(y)之后的路径。为了便于书写，将P(y)·〈y,x〉表示为P y(x)。其中，U(y)和L(y)分别表示P(y)上的最大与最小像素值，因此MBD消耗β I(P y(x))可以通过U图和L图这两个辅助参数(追踪每个像素当前路径的最大与最小像素值)高效的计算得到。将需要检测的图片使用光栅扫描算法扫描顺序进行FastMBD算法计算每个颜色信道的MBD，得到距离变换处理后的图像，然后融合即可得到显著性检测图像。MBD定义和FastMBD算法可参考非专利文献2。
分别比较了RGB、Lab、HSV三个颜色空间的检测结果，如图11所示，第1列为原始图像，第2列为RGB颜色空间下显著性检测结果，第3列为Lab颜色空间下显著性检测结果，第4列为HSV颜色空间下显著性检测结果。显著性检查结果中HSV颜色空间下得到的显著性图像比较符合我们的需求，经过大量样本验证，最终本发明选择HSV颜色空间下对图像进行显著性检测。
实验测试中发现显著性检查倾向于全局最优的表现，对于局部边界的表现并不明显，该算法对颜色并没有直接的处理，一些由颜色信息分割的边界信息被弱化。将超像素均值化之后的图像再进行显著性检查，检测效果有所提升。
较复杂背景下人体轮廓提取流程如图12所示，对于采集到的较复杂背景图像转换为HSV色彩空间，并进行MBD区域检测，得到检测结果如图13所示，白色区域为检测出的显著性区域，其中亮度越亮表示该区域在图中越显著。
由于MBD显著性算法计算的是每个像素权值之间的距离关系，对同一颜色区域可能检测出的结果也不尽相同，例如图13第一幅中人体衣服的检测结果，虽然衣服颜色相近，但显著性结果却大不相同。利用本发明的超像素均值化方法处理后的图像再进行显著性检测得到图像结果如图14所示。
将原始图像检测的结果与区域均值化后的检测结果相融合，融合结果如图15所示，融合能够改善大部分图像的检测结果准确度。融合后的结果针对图像颜色信息的利用率加强，又不影响整体的检测结果，提高检测的鲁棒性。
检测得到的灰度图像由于显著属性不同，所赋予的灰度值也有所差别，相似区域中的灰度值变化相对平滑，为了充分利用这个信息，本发明采用局部自适应的二值化分割方法对检查图像进行分割，分割结果如图16所示。
检测结果可能由于人体与背景中较复杂线条接触等会对轮廓提取结果产生影响，可利用膨胀和腐蚀算法对图像进行形态学调整，同时在实际应用中尽量要求拍摄时人体轮廓不与复杂物品接触。
下面给出了三组单一背景下人体轮廓检测结果和四组较复杂背景条件下的人体轮廓提取结果。
图17(a)是待处理的原始图像，进行已有人体轮廓提取处理后得到的结果如图17(b)所示，使用本发明所提出的SP-MCS算法提取的结果如图17(c)所示。通过对比实验证明，在较单一的背景条件下，本发明所提出 的方案能够很好的解决已有算法中存在的灰度近似条件下人体轮廓提取不完整的问题，并且不受背景图像中影子的干扰。即使是实验室拍摄条件下，人体轮廓提取可用率也显著提高。
图18(a)为待处理的原始图像，进行已有人体轮廓提取处理后得到的结果如图18(b)所示，使用本发明所提出的SP-MCS-MBD算法提取的结果如图18(c)所示。
对于实际应用场景中，较复杂的背景是比较容易获得的，我们列举了四组日常生活中的常见的场景处理效果图。从图中对比效果可以明显看出SP-MCS-MBD算法处理提取出的人体轮廓更加完整并且符合我们的要求，不会存在大量冗余边界信息。该方法不再局限于传统的边缘检测算法对全图进行边缘检测，而是有针对性的利用边界提示信息和前景背景位置信息进行预判断。
上述的两个实验都说明了在非接触式人体轮廓提取中的问题在本发明中都很好的得到了解决，而我们设计的方案大大降低了图像拍摄的场景要求并提高了提取精度。因此，本发明提出的SP-MCS-MBD算法是具有很大的实用价值的。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

  1. 一种基于超像素-多色彩空间的人体轮廓提取方法，其特征在于，所述方法包括以下步骤：
    S1、利用超像素SP分割算法将原始彩色图像分割成为若干个超像素块，分别利用中值或均值计算得到各个超像素块的块内色彩值和亮度值，并记录超像素之间的相邻关系；
    S2、将每个超像素与其相邻超像素进行比较，在给定阈值范围内则将其合并为一个区域，并最终记录各个区域中所包含的超像素集合；
    S3、采用多色彩空间MCS计算各个区域之间的色彩均值和亮度均值，即采用Lab色彩空间计算区域中a、b、L三个通道分别对应的均值；
    S4、将超像素均值化处理后的图像进行聚类，并将聚类结果与图像边界接触的类中的灰度值降为0，中心区域亮化；
    S5、对图像进行常规的轮廓提取。
  2. 根据权利要求1所述的方法，其特征在于：所述步骤S1中，分别记录各个超像素中的中心色彩、亮度通道的数值以及与各超像素相连接的超像素序号。
  3. 根据权利要求1所述的方法，其特征在于：所述步骤S2中，使用DBSCAN聚类算法对超像素图像进行区域融合，分别记录分割结果区域中的超像素集合以及各个分割区域之间的相邻关系。
  4. 根据权利要求1所述的方法，其特征在于：所述步骤S3中还将HSV色彩空间中的色彩浓度S通道作为均衡化图像中的第四通道。
  5. 根据权利要求4所述的方法，其特征在于：所述步骤S4中利用聚类算法将图像四个通道作为该像素的特征值，选用K-mean聚类算法将图像色彩信息进行聚类，聚类结果用阿拉伯数字表示类标，再将类标映射到灰度图像区间。
  6. 根据权利要求5所述的方法，其特征在于：所述步骤S4中利用滤波算法将聚类结果可能出现的噪声消除，为了减小新灰度值的介入，选择中值滤波效果最好。
  7. 根据权利要求1-6任一项所述的方法，其特征在于：所述步骤S5中对步骤S4获得的图像进行二值化分割，利用给定阈值的全局二值化方法获取二值化轮廓，然后，使用形态学算子对提取的轮廓做腐蚀膨胀算法，再使用八链码将人体轮廓序列提取出来。
  8. 一种基于超像素-多色彩空间的人体轮廓提取方法，其特征在于，所述 方法应用于较复杂背景条件下人体轮廓提取，包括以下步骤：
    S201、对采集到的原始图像转换为HSV色彩空间，并进行最小阻碍距离MBD区域显著性检测；
    S202、对采集到的原始图像进行超像素均值化处理，再进行MBD区域显著性检测；
    S203、将步骤S201的检测结果与步骤S201的检测结果相融合；
    S204、采用局部自适应的二值化分割方法对步骤S203的图像进行分割；
    S205、对图像进行常规的轮廓提取，并利用膨胀和腐蚀算法对图像进行形态学调整。
  9. 根据权利要求8所述的方法，其特征在于：所述MBD区域显著性检测具体为：将需要检测的图片使用光栅扫描算法的扫描顺序进行FastMBD距离变化算法计算每个颜色信道的MBD，得到距离变换处理后的图像，然后融合即可得到MBD区域显著性检测结果。
  10. 根据权利要求8所述的方法，其特征在于：所述对采集到的原始图像进行超像素均值化处理具体为：利用超像素SP分割算法将原始彩色图像分割成为若干个超像素块，分别利用中值或均值计算得到各个超像素块的块内色彩值和亮度值，并记录超像素之间的相邻关系；将每个超像素与其相邻超像素进行比较，在给定阈值范围内则将其合并为一个区域，并最终记录各个区域中所包含的超像素集合；采用多色彩空间MCS计算各个区域之间的色彩均值和亮度均值，即采用Lab色彩空间计算区域中a、b、L三个通道分别对应的均值。
PCT/CN2018/084090 2017-09-30 2018-04-23 基于超像素-多色彩空间的人体轮廓提取方法 WO2019062092A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710913381.6 2017-09-30
CN201710913381.6A CN107578035B (zh) 2017-09-30 2017-09-30 基于超像素-多色彩空间的人体轮廓提取方法

Publications (1)

Publication Number Publication Date
WO2019062092A1 true WO2019062092A1 (zh) 2019-04-04

Family

ID=61039934

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/084090 WO2019062092A1 (zh) 2017-09-30 2018-04-23 基于超像素-多色彩空间的人体轮廓提取方法

Country Status (2)

Country Link
CN (1) CN107578035B (zh)
WO (1) WO2019062092A1 (zh)

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163868A (zh) * 2019-04-17 2019-08-23 安阳师范学院 一种遥感图像分割方法
CN110288622A (zh) * 2019-05-18 2019-09-27 河南大学 基于线密度的不规则轮廓匹配算法
CN110533669A (zh) * 2019-08-06 2019-12-03 西安电子科技大学 基于变分水平集的sar图像超像素分割方法
CN110544259A (zh) * 2019-09-04 2019-12-06 合肥工业大学 一种基于计算机视觉的复杂背景下伪装人体目标检测方法
CN110569711A (zh) * 2019-07-19 2019-12-13 沈阳工业大学 面向人体动作识别方法
CN110634142A (zh) * 2019-08-20 2019-12-31 长安大学 一种复杂车路图像边界优化方法
CN110910392A (zh) * 2019-11-18 2020-03-24 济南大学 一种基于多重空间信息加权的模糊聚类的图像分割方法
CN110929598A (zh) * 2019-11-07 2020-03-27 西安电子科技大学 基于轮廓特征的无人机载sar图像匹配方法
CN111080696A (zh) * 2019-10-25 2020-04-28 青岛农业大学 一种基于计算机视觉的水下海参识别及定位方法
CN111242140A (zh) * 2020-01-17 2020-06-05 厦门理工学院 一种非均匀光照下快速提取轮廓线的方法
CN111340826A (zh) * 2020-03-25 2020-06-26 南京林业大学 基于超像素与拓扑特征的航拍图像单株树冠分割算法
CN111462084A (zh) * 2020-03-31 2020-07-28 上海大学 基于随机森林的图像矢量化印刷出血点预测系统和方法
CN111598897A (zh) * 2020-05-13 2020-08-28 西安工程大学 基于Otsu和改进Bernsen的红外图像分割方法
CN111696125A (zh) * 2020-06-17 2020-09-22 广西科技大学 一种重叠叶片边缘的提取方法
CN111860616A (zh) * 2020-06-30 2020-10-30 中国科学院西安光学精密机械研究所 综合诊断系统弱对比度准直图像目标中心通用获取方法
CN111899296A (zh) * 2020-06-24 2020-11-06 广西大学 一种基于计算机视觉的原木材积检测方法与装置
CN112037230A (zh) * 2019-06-04 2020-12-04 北京林业大学 一种基于超像素和超度量轮廓图的林区图像分割算法
CN112037302A (zh) * 2020-08-31 2020-12-04 南通大学 一种基于大数据的扩散光层析成像智能化建模方法
CN112215793A (zh) * 2020-08-28 2021-01-12 阳信瑞鑫集团有限公司 手工枪刺地毯图案检测纹理绘制及在地毯织造中应用方法
CN112634269A (zh) * 2021-01-14 2021-04-09 华东交通大学 一种轨道车辆车体检测方法
CN112669295A (zh) * 2020-12-30 2021-04-16 上海电机学院 一种基于二次阈值分割理论的锂电池极片缺陷检测方法
CN112734720A (zh) * 2021-01-08 2021-04-30 沈阳工业大学 基于视觉识别的船壳激光清洗在位检测方法及系统
CN112907574A (zh) * 2021-03-25 2021-06-04 成都纵横自动化技术股份有限公司 一种飞行器的降落点寻找方法、装置、系统及存储介质
CN112991302A (zh) * 2021-03-22 2021-06-18 华南理工大学 基于超像素的柔性ic基板变色缺陷检测方法和装置
CN113255547A (zh) * 2021-06-03 2021-08-13 上海申瑞继保电气有限公司 电力仪表指针图像轮廓计算方法
CN113345036A (zh) * 2021-05-24 2021-09-03 广西电网有限责任公司电力科学研究院 基于hsv特征变换的指示灯状态识别方法
CN113361382A (zh) * 2021-05-14 2021-09-07 沈阳工业大学 基于压缩相对轮廓特征点的手形识别方法
CN113362293A (zh) * 2021-05-27 2021-09-07 西安理工大学 一种基于显著性的sar图像舰船目标快速检测方法
CN113553966A (zh) * 2021-07-28 2021-10-26 中国科学院微小卫星创新研究院 一种单一星图的有效星空区域的提取方法
CN114998614A (zh) * 2022-08-08 2022-09-02 浪潮电子信息产业股份有限公司 一种图像处理方法、装置、设备及可读存储介质
CN115170572A (zh) * 2022-09-08 2022-10-11 山东瑞峰新材料科技有限公司 一种bopp复合薄膜表面涂胶质量监测方法
CN116095914A (zh) * 2023-04-10 2023-05-09 同方德诚(山东)科技股份公司 一种基于大数据的智慧建筑照明调节方法及系统
CN116342638A (zh) * 2023-03-31 2023-06-27 西南大学 基于相变和扩散神经网络的图像元素提取方法
CN116452474A (zh) * 2023-05-17 2023-07-18 天津国兴海洋能源工程有限公司 一种基于数字孪生的污水处理设备可视化管理系统
CN116452613A (zh) * 2023-06-14 2023-07-18 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) 一种地质调查中裂缝轮廓提取方法
CN116934636A (zh) * 2023-09-15 2023-10-24 济宁港航梁山港有限公司 一种水质实时监测数据智能管理系统
CN117689657A (zh) * 2024-02-02 2024-03-12 深圳市福源晖科技有限公司 一种柔性线路板贴片异常检测方法及系统
CN111860616B (zh) * 2020-06-30 2024-05-14 中国科学院西安光学精密机械研究所 综合诊断系统弱对比度准直图像目标中心通用获取方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578035B (zh) * 2017-09-30 2020-06-16 深圳市颐通科技有限公司 基于超像素-多色彩空间的人体轮廓提取方法
CN108535287B (zh) * 2018-03-29 2020-09-15 多科智能装备（常熟）有限公司 基于X-Ray成像技术异物检测系统、方法以及装置
JP7147292B2 (ja) * 2018-06-29 2022-10-05 株式会社デンソー 勾配方向算出装置
CN109035254A (zh) * 2018-09-11 2018-12-18 中国水产科学研究院渔业机械仪器研究所 基于改进K-means聚类的运动鱼体阴影去除及图像分割方法
CN109509194B (zh) * 2018-11-23 2023-04-28 上海师范大学 一种复杂背景下正面人体图像分割方法及装置
CN109685739A (zh) * 2018-12-25 2019-04-26 中国科学院苏州生物医学工程技术研究所 伤口创面图像处理方法及采用该方法的伤口创面治疗系统
CN113223009B (zh) * 2021-04-16 2023-10-17 北京戴纳实验科技有限公司 一种衣着检测系统
CN114299086B (zh) * 2021-12-24 2023-05-26 深圳明锐理想科技有限公司 一种低对比度成像的图像分割处理方法、电子设备及系统
CN115439474B (zh) * 2022-11-07 2023-01-24 山东天意机械股份有限公司 一种电力设备故障快速定位方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101042770A (zh) * 2007-04-29 2007-09-26 南京大学 一种重叠细胞区域分离方法
CN104636728A (zh) * 2015-02-09 2015-05-20 金陵科技学院 一种图像处理方法
CN106056155A (zh) * 2016-05-30 2016-10-26 西安电子科技大学 基于边界信息融合的超像素分割方法
CN106097313A (zh) * 2016-06-02 2016-11-09 甘肃读者动漫科技有限公司 图像分割方法及装置
CN106127791A (zh) * 2016-07-06 2016-11-16 武汉大学 一种航空遥感影像的建筑物轮廓线提取方法
CN106384354A (zh) * 2016-09-14 2017-02-08 哈尔滨工业大学 基于slic算法的超像素分割方法
CN107578035A (zh) * 2017-09-30 2018-01-12 深圳市颐通科技有限公司 基于超像素‑多色彩空间的人体轮廓提取方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100433795C (zh) * 2006-09-01 2008-11-12 上海大学 基于变换域数学形态学的图像降噪方法
CN101226155A (zh) * 2007-12-21 2008-07-23 中国人民解放军第八一医院 智能化肺癌早期细胞病理图像识别处理方法
CN103077529B (zh) * 2013-02-27 2016-04-06 电子科技大学 基于图像扫描的植物叶片特征分析系统
CN103473768B (zh) * 2013-09-05 2018-09-28 中国科学院深圳先进技术研究院 一种腹部软组织核磁图像分割的方法和装置
CN103699578B (zh) * 2013-12-01 2017-01-11 北京航空航天大学 一种基于谱图分析的图像检索方法
CN103679148B (zh) * 2013-12-11 2017-04-26 哈尔滨工业大学深圳研究生院 一种基于聚类角点加权面积的群体聚散检测的方法与装置
CN105913070B (zh) * 2016-04-29 2019-04-23 合肥工业大学 一种基于光场相机的多线索显著性提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101042770A (zh) * 2007-04-29 2007-09-26 南京大学 一种重叠细胞区域分离方法
CN104636728A (zh) * 2015-02-09 2015-05-20 金陵科技学院 一种图像处理方法
CN106056155A (zh) * 2016-05-30 2016-10-26 西安电子科技大学 基于边界信息融合的超像素分割方法
CN106097313A (zh) * 2016-06-02 2016-11-09 甘肃读者动漫科技有限公司 图像分割方法及装置
CN106127791A (zh) * 2016-07-06 2016-11-16 武汉大学 一种航空遥感影像的建筑物轮廓线提取方法
CN106384354A (zh) * 2016-09-14 2017-02-08 哈尔滨工业大学 基于slic算法的超像素分割方法
CN107578035A (zh) * 2017-09-30 2018-01-12 深圳市颐通科技有限公司 基于超像素‑多色彩空间的人体轮廓提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHANG, JIANMING: "Minimum Barrier Salient Object Detection at 80 FPS", IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION, 31 December 2015 (2015-12-31), pages 1404 - 1412, XP032866470, DOI: doi:10.1109/ICCV.2015.165 *

Cited By (66)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163868A (zh) * 2019-04-17 2019-08-23 安阳师范学院 一种遥感图像分割方法
CN110288622B (zh) * 2019-05-18 2022-10-11 河南大学 基于线密度的不规则轮廓匹配算法
CN110288622A (zh) * 2019-05-18 2019-09-27 河南大学 基于线密度的不规则轮廓匹配算法
CN112037230B (zh) * 2019-06-04 2023-07-18 北京林业大学 一种基于超像素和超度量轮廓图的林区图像分割方法
CN112037230A (zh) * 2019-06-04 2020-12-04 北京林业大学 一种基于超像素和超度量轮廓图的林区图像分割算法
CN110569711A (zh) * 2019-07-19 2019-12-13 沈阳工业大学 面向人体动作识别方法
CN110569711B (zh) * 2019-07-19 2022-07-15 沈阳工业大学 面向人体动作识别方法
CN110533669B (zh) * 2019-08-06 2023-01-06 西安电子科技大学 基于变分水平集的sar图像超像素分割方法
CN110533669A (zh) * 2019-08-06 2019-12-03 西安电子科技大学 基于变分水平集的sar图像超像素分割方法
CN110634142A (zh) * 2019-08-20 2019-12-31 长安大学 一种复杂车路图像边界优化方法
CN110634142B (zh) * 2019-08-20 2024-02-02 长安大学 一种复杂车路图像边界优化方法
CN110544259A (zh) * 2019-09-04 2019-12-06 合肥工业大学 一种基于计算机视觉的复杂背景下伪装人体目标检测方法
CN111080696A (zh) * 2019-10-25 2020-04-28 青岛农业大学 一种基于计算机视觉的水下海参识别及定位方法
CN111080696B (zh) * 2019-10-25 2023-08-08 青岛农业大学 一种基于计算机视觉的水下海参识别及定位方法
CN110929598A (zh) * 2019-11-07 2020-03-27 西安电子科技大学 基于轮廓特征的无人机载sar图像匹配方法
CN110929598B (zh) * 2019-11-07 2023-04-18 西安电子科技大学 基于轮廓特征的无人机载sar图像匹配方法
CN110910392A (zh) * 2019-11-18 2020-03-24 济南大学 一种基于多重空间信息加权的模糊聚类的图像分割方法
CN110910392B (zh) * 2019-11-18 2023-04-18 济南大学 一种基于多重空间信息加权的模糊聚类的图像分割方法
CN111242140B (zh) * 2020-01-17 2023-04-18 厦门理工学院 一种非均匀光照下快速提取轮廓线的方法
CN111242140A (zh) * 2020-01-17 2020-06-05 厦门理工学院 一种非均匀光照下快速提取轮廓线的方法
CN111340826A (zh) * 2020-03-25 2020-06-26 南京林业大学 基于超像素与拓扑特征的航拍图像单株树冠分割算法
CN111462084B (zh) * 2020-03-31 2023-05-23 上海大学 基于随机森林的图像矢量化印刷出血点预测系统和方法
CN111462084A (zh) * 2020-03-31 2020-07-28 上海大学 基于随机森林的图像矢量化印刷出血点预测系统和方法
CN111598897A (zh) * 2020-05-13 2020-08-28 西安工程大学 基于Otsu和改进Bernsen的红外图像分割方法
CN111598897B (zh) * 2020-05-13 2023-03-28 西安工程大学 基于Otsu和改进Bernsen的红外图像分割方法
CN111696125A (zh) * 2020-06-17 2020-09-22 广西科技大学 一种重叠叶片边缘的提取方法
CN111696125B (zh) * 2020-06-17 2022-05-24 广西科技大学 一种重叠叶片边缘的提取方法
CN111899296B (zh) * 2020-06-24 2023-07-25 广西大学 一种基于计算机视觉的原木材积检测方法与装置
CN111899296A (zh) * 2020-06-24 2020-11-06 广西大学 一种基于计算机视觉的原木材积检测方法与装置
CN111860616A (zh) * 2020-06-30 2020-10-30 中国科学院西安光学精密机械研究所 综合诊断系统弱对比度准直图像目标中心通用获取方法
CN111860616B (zh) * 2020-06-30 2024-05-14 中国科学院西安光学精密机械研究所 综合诊断系统弱对比度准直图像目标中心通用获取方法
CN112215793A (zh) * 2020-08-28 2021-01-12 阳信瑞鑫集团有限公司 手工枪刺地毯图案检测纹理绘制及在地毯织造中应用方法
CN112215793B (zh) * 2020-08-28 2022-10-14 阳信瑞鑫集团有限公司 手工枪刺地毯图案检测纹理绘制及在地毯织造中应用方法
CN112037302A (zh) * 2020-08-31 2020-12-04 南通大学 一种基于大数据的扩散光层析成像智能化建模方法
CN112669295A (zh) * 2020-12-30 2021-04-16 上海电机学院 一种基于二次阈值分割理论的锂电池极片缺陷检测方法
CN112734720A (zh) * 2021-01-08 2021-04-30 沈阳工业大学 基于视觉识别的船壳激光清洗在位检测方法及系统
CN112734720B (zh) * 2021-01-08 2024-03-05 沈阳工业大学 基于视觉识别的船壳激光清洗在位检测方法及系统
CN112634269A (zh) * 2021-01-14 2021-04-09 华东交通大学 一种轨道车辆车体检测方法
CN112634269B (zh) * 2021-01-14 2023-12-26 华东交通大学 一种轨道车辆车体检测方法
CN112991302A (zh) * 2021-03-22 2021-06-18 华南理工大学 基于超像素的柔性ic基板变色缺陷检测方法和装置
CN112991302B (zh) * 2021-03-22 2023-04-07 华南理工大学 基于超像素的柔性ic基板变色缺陷检测方法和装置
CN112907574A (zh) * 2021-03-25 2021-06-04 成都纵横自动化技术股份有限公司 一种飞行器的降落点寻找方法、装置、系统及存储介质
CN112907574B (zh) * 2021-03-25 2023-10-17 成都纵横自动化技术股份有限公司 一种飞行器的降落点寻找方法、装置、系统及存储介质
CN113361382B (zh) * 2021-05-14 2024-02-02 沈阳工业大学 基于压缩相对轮廓特征点的手形识别方法
CN113361382A (zh) * 2021-05-14 2021-09-07 沈阳工业大学 基于压缩相对轮廓特征点的手形识别方法
CN113345036A (zh) * 2021-05-24 2021-09-03 广西电网有限责任公司电力科学研究院 基于hsv特征变换的指示灯状态识别方法
CN113362293A (zh) * 2021-05-27 2021-09-07 西安理工大学 一种基于显著性的sar图像舰船目标快速检测方法
CN113255547A (zh) * 2021-06-03 2021-08-13 上海申瑞继保电气有限公司 电力仪表指针图像轮廓计算方法
CN113255547B (zh) * 2021-06-03 2024-02-09 上海申瑞继保电气有限公司 电力仪表指针图像轮廓计算方法
CN113553966B (zh) * 2021-07-28 2024-03-26 中国科学院微小卫星创新研究院 一种单一星图的有效星空区域的提取方法
CN113553966A (zh) * 2021-07-28 2021-10-26 中国科学院微小卫星创新研究院 一种单一星图的有效星空区域的提取方法
CN114998614A (zh) * 2022-08-08 2022-09-02 浪潮电子信息产业股份有限公司 一种图像处理方法、装置、设备及可读存储介质
CN114998614B (zh) * 2022-08-08 2023-01-24 浪潮电子信息产业股份有限公司 一种图像处理方法、装置、设备及可读存储介质
CN115170572A (zh) * 2022-09-08 2022-10-11 山东瑞峰新材料科技有限公司 一种bopp复合薄膜表面涂胶质量监测方法
CN116342638B (zh) * 2023-03-31 2023-10-31 西南大学 一种图像元素提取方法
CN116342638A (zh) * 2023-03-31 2023-06-27 西南大学 基于相变和扩散神经网络的图像元素提取方法
CN116095914B (zh) * 2023-04-10 2023-08-25 同方德诚(山东)科技股份公司 一种基于大数据的智慧建筑照明调节方法及系统
CN116095914A (zh) * 2023-04-10 2023-05-09 同方德诚(山东)科技股份公司 一种基于大数据的智慧建筑照明调节方法及系统
CN116452474B (zh) * 2023-05-17 2023-08-29 天津国兴海洋能源工程有限公司 一种基于数字孪生的污水处理设备可视化管理系统
CN116452474A (zh) * 2023-05-17 2023-07-18 天津国兴海洋能源工程有限公司 一种基于数字孪生的污水处理设备可视化管理系统
CN116452613B (zh) * 2023-06-14 2023-08-29 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) 一种地质调查中裂缝轮廓提取方法
CN116452613A (zh) * 2023-06-14 2023-07-18 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) 一种地质调查中裂缝轮廓提取方法
CN116934636A (zh) * 2023-09-15 2023-10-24 济宁港航梁山港有限公司 一种水质实时监测数据智能管理系统
CN116934636B (zh) * 2023-09-15 2023-12-08 济宁港航梁山港有限公司 一种水质实时监测数据智能管理系统
CN117689657A (zh) * 2024-02-02 2024-03-12 深圳市福源晖科技有限公司 一种柔性线路板贴片异常检测方法及系统
CN117689657B (zh) * 2024-02-02 2024-04-16 深圳市福源晖科技有限公司 一种柔性线路板贴片异常检测方法及系统

Also Published As

Publication number Publication date
CN107578035B (zh) 2020-06-16
CN107578035A (zh) 2018-01-12

Similar Documents

Publication Publication Date Title
WO2019062092A1 (zh) 基于超像素-多色彩空间的人体轮廓提取方法
CN108319973B (zh) 一种树上柑橘果实检测方法
CN106570486B (zh) 基于特征融合和贝叶斯分类的核相关滤波目标跟踪方法
WO2018107939A1 (zh) 一种基于边缘完备度的图像分割最优识别方法
Zhang et al. Object-oriented shadow detection and removal from urban high-resolution remote sensing images
Guan et al. Accurate segmentation of partially overlapping cervical cells based on dynamic sparse contour searching and GVF snake model
CN106846289A (zh) 一种基于显著性迁移与细节分类的红外光强与偏振图像融合方法
CN110866932A (zh) 多通道舌体边缘检测装置、方法及存储介质
WenJuan et al. A real-time lip localization and tacking for lip reading
Feng et al. A separating method of adjacent apples based on machine vision and chain code information
CN112200019B (zh) 一种快速建筑夜景照明灯光故障检测方法
CN105787912B (zh) 一种基于分类的阶跃型边缘亚像素定位方法
CN112101370A (zh) 一种纯色背景图像自动抠像算法、计算机可读存储介质及设备
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN108038458B (zh) 基于特征摘要图的视频中的户外场景文本自动获取方法
CN110263778A (zh) 一种基于图像识别的抄表方法及装置
Mo et al. Nighttime infrared ship target detection based on Two-channel image separation combined with saliency mapping of local grayscale dynamic range
Hu et al. Fast face detection based on skin color segmentation using single chrominance Cr
Shiting et al. Clustering-based shadow edge detection in a single color image
Fathy et al. Benchmarking of pre-processing methods employed in facial image analysis
CN110458012B (zh) 多角度人脸识别方法及装置、存储介质和终端
CN105528795B (zh) 一种利用环形最短路径的红外人脸分割方法
US10115195B2 (en) Method and apparatus for processing block to be processed of urine sediment image
Zhu Moving Objects Detection and Segmentation Based on Background Subtraction and Image Over-Segmentation.
CN111489371B (zh) 一种场景的直方图近似单峰分布时的图像分割方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18862829

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 07/09/2020)

122 Ep: pct application non-entry in european phase

Ref document number: 18862829

Country of ref document: EP

Kind code of ref document: A1