一种眉毛图像分割方法和系统技术方案

本发明专利技术公开了一种眉毛图像分割方法，包括：获取人脸图像，使用级联回归树算法对该人脸图像进行处理，以得到多个有序的人脸特征点，根据得到的多个有序的人脸特征点分别获取左眉毛和右眉毛的候选区域，使用得到的左眉毛和右眉毛的候选区域从数据集中提取左眉毛和右眉毛的图像，从而生成新的数据集，采用生成的新的数据集对全卷积网络进行训练，以得到训练后的局部眉毛分割模型。本发明专利技术通过确定眉毛候选区域并进而对其进行精确分割的方式，平衡运算效率和鲁棒性，从而解决现有机器学习方法鲁棒性差，以及现有深度学习方法运算效率低、速度慢的技术问题。

【技术实现步骤摘要】
一种眉毛图像分割方法和系统
本专利技术属于计算机视觉
，更具体地，涉及一种眉毛图像分割方法和系统。
技术介绍
生物特征识别作为信息安全的一个重要方面，已经越来越得到人们的重视。目前人们研究和使用的生物特征识别技术主要有：人脸识别、虹膜识别、指纹识别、声音识别等。眉毛作为人脸上的一个重要特征，具有作为识别特征的普遍性、唯一性、稳定性和可采集性。应用眉毛进行人脸识别目前主要包括传统机器学习方法，以及深度学习方法。传统机器学习的优点是速度快，但是其鲁棒性差；深度学习方法的优点则是鲁棒性高，识别精度高，但是其模型笨重，运算效率低，速度慢。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种眉毛图像分割方法和系统，其目的在于，通过确定眉毛候选区域并进而对其进行精确分割的方式，平衡运算效率和鲁棒性，从而解决现有机器学习方法鲁棒性差，以及现有深度学习方法运算效率低、速度慢的技术问题。为实现上述目的，按照本专利技术的一个方面，提供了一种眉毛图像分割方法，包括以下步骤：(1)获取人脸图像，使用级联回归树算法对该人脸图像进行处理，以得到多个有序的人脸特征点；(2)根据步骤(1)中得到的多个有序的人脸特征点分别获取左眉毛和右眉毛的候选区域；(3)使用步骤(2)得到的左眉毛和右眉毛的候选区域从数据集中提取左眉毛和右眉毛的图像，从而生成新的数据集；(4)采用生成的新的数据集对全卷积网络进行训练，以得到训练后的局部眉毛分割模型。优选地，当人脸图像为倾斜时，需要对该人脸图像进行旋转，以得到竖直方向的人脸图像，旋转的角度α等于：其中xa表示人脸特征点中位于鼻梁顶部的特征点的横坐标，ya表示人脸特征点中位于鼻梁顶部的特征点的纵坐标，xb表示人脸特征点中位于鼻尖部的特征点的横坐标，yb表示人脸特征点中位于鼻尖部的特征点的纵坐标。优选地，步骤(2)具体包括以下子步骤：(2-1)在步骤(1)得到的多个有序的人脸特征点中分别确定左眉毛的左端点c、右端点d、顶部端点e，左眼的顶点f，以及右眉毛的左端点g、右端点h、顶部端点i，右眼的顶点j；(2-2)根据步骤(2-1)确定的不同端点并使用以下公式计算左眉毛候选区域的位置；(2-3)根据步骤(2-1)确定的不同端点并使用以下公式计算右眉毛候选区域的位置。优选地，步骤(2-2)具体采用以下公式：xtl＝max(x0,(1+β)xc-βxc+1)ytl＝max(0,(1+γ)ye-γyf)xbr＝min(xa,(1+β)xd-βxd-1)ybr＝max(yf,yd)其中x0表示多个有序的人脸特征点中脸颊部分最左侧的点的横坐标，xtl表示左眉毛候选区域的左顶点的横坐标，ytl表示左眉毛候选区域的左顶点的纵坐标，xbr表示左眉毛候选区域的右底点的横坐标，ybr表示左眉毛候选区域的右底点的纵坐标，β表示横向冗余系数，γ表示纵向冗余系数。优选地，步骤(2-3)具体采用以下公式：Xtr＝min(X0,(1+β)xh-βxh-1)Ytr＝max(0,(1+γ)yi-γyj)Xbl＝max(xa,(1+β)xg-βxg+1)Ybl＝max(yj,yg)其中X0表示多个有序的人脸特征点中脸颊部分最右侧的点的横坐标，Xtr表示右眉毛候选区域的右顶点的横坐标，Ytr表示右眉毛候选区域的右顶点的纵坐标，Xbl表示右眉毛候选区域的左底点的横坐标，Ybl表示右眉毛候选区域的左底点的纵坐标。优选地，全卷积网络采用U-Net网络。优选地，U-Net网络的输入尺寸为361*361；U-Net网络中第四层和第六层的特征深度为256，第五层的特征深度为512。按照本专利技术的另一方面，提供了一种眉毛图像分割系统，包括：第一模块，用于获取人脸图像，使用级联回归树算法对该人脸图像进行处理，以得到多个有序的人脸特征点；第二模块，用于根据第一模块中得到的多个有序的人脸特征点分别获取左眉毛和右眉毛的候选区域；第三模块，用于使用第二模块得到的左眉毛和右眉毛的候选区域从数据集中提取左眉毛和右眉毛的图像，从而生成新的数据集；第四模块，用于采用生成的新的数据集对全卷积网络进行训练，以得到训练后的局部眉毛分割模型。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：(1)本专利技术能够解决传统机器学习方法中存在的鲁棒性差的技术问题：由于本专利技术通过在步骤(4)中引入全卷积网络，利用了深度学习的优势，实现了高的分割精确度和鲁棒性。(2)本专利技术能够解决现有深度学习方法存在的运算效率低、速度慢的技术问题的技术问题：本专利技术通过步骤(2)获取左右眉毛的候选区域，从而缩小了深度学习网络的输入尺寸，减少了计算量，从而加速了整个系统的运算速度。附图说明图1是本专利技术方法的步骤(1)中采用不同版本海伦数据集得到的人脸特征点示意图。图2是采用海伦数据集得到的68个人脸特征点分布示意图。图3是本专利技术方法的步骤(2)中确定的左眉毛候选区域的示意图。图4示出本专利技术方法的步骤(3)中得到的新的数据集的图像。图5示出本专利技术方法的步骤(3)中得到的新的数据集的标注。图6示出本专利技术方法的步骤(4)中得到的训练后的示例性局部眉毛分割模型。图7是本专利技术的眉毛图像分割方法的流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。如图7所示，本专利技术的眉毛图像分割方法包括以下步骤：(1)获取人脸图像，使用级联回归树算法(Ensembleofregressiontrees)对该人脸图像进行处理，以得到多个有序的人脸特征点；具体而言，得到的人脸特征点数量是和级联回归树算法训练过程中所使用的数据集(Dataset)有关。例如，当使用不同版本的海伦数据集(Helendataset)时，得到的人脸特征点数量可以是68个或194个，分别如图1(a)和(b)所示。参见图2所示，其示出了得到的68个人脸特征点的具体分布。需要注意的是，当人脸图像为倾斜时，此时需要对该人脸图像进行旋转，以得到竖直方向的人脸图像，旋转的角度α等于：其中xa表示人脸特征点中位于鼻梁顶部的特征点的横坐标，ya表示人脸特征点中位于鼻梁顶部的特征点的纵坐标，xb表示人脸特征点中位于鼻尖部的特征点的横坐标，yb表示人脸特征点中位于鼻尖部的特征点的纵坐标。(2)根据步骤(1)中得到的多个有序的人脸特征点分别获取左眉毛和右眉毛的候选区域；本步骤具体包括以下子步骤：(2-1)在步骤(1)得到的多个有序的人脸特征点中分别确定左眉毛的左端点c、右端点d、顶部端点e，左眼的顶点f，以及右眉毛的左端点g、右端点h、顶部端点i，右眼的顶点j；(2-2)根据步骤(2-1)确定的不同端点并使用以下公式计算左眉毛候选区域的位置，具体采用以下公式：xtl＝max(x0,(1+β)xc-βxc+1)ytl＝max(0,(1+γ)ye-γyf)xbr＝min(xa,(1+β)xd-βxd-1)ybr＝max(yf,yd)其中x0表示多个有序的人脸特征点中脸颊部分最左侧的点的横坐标，xtl表示左眉毛候选区域的左顶点的本文档来自技高网...

【技术保护点】
1.一种眉毛图像分割方法，其特征在于，包括以下步骤：(1)获取人脸图像，使用级联回归树算法对该人脸图像进行处理，以得到多个有序的人脸特征点；(2)根据步骤(1)中得到的多个有序的人脸特征点分别获取左眉毛和右眉毛的候选区域；(3)使用步骤(2)得到的左眉毛和右眉毛的候选区域从数据集中提取左眉毛和右眉毛的图像，从而生成新的数据集；(4)采用生成的新的数据集对全卷积网络进行训练，以得到训练后的局部眉毛分割模型。

【技术特征摘要】
1.一种眉毛图像分割方法，其特征在于，包括以下步骤：(1)获取人脸图像，使用级联回归树算法对该人脸图像进行处理，以得到多个有序的人脸特征点；(2)根据步骤(1)中得到的多个有序的人脸特征点分别获取左眉毛和右眉毛的候选区域；(3)使用步骤(2)得到的左眉毛和右眉毛的候选区域从数据集中提取左眉毛和右眉毛的图像，从而生成新的数据集；(4)采用生成的新的数据集对全卷积网络进行训练，以得到训练后的局部眉毛分割模型。2.根据权利要求1所述的眉毛图像分割方法，其特征在于，当人脸图像为倾斜时，需要对该人脸图像进行旋转，以得到竖直方向的人脸图像，旋转的角度α等于：其中xa表示人脸特征点中位于鼻梁顶部的特征点的横坐标，ya表示人脸特征点中位于鼻梁顶部的特征点的纵坐标，xb表示人脸特征点中位于鼻尖部的特征点的横坐标，yb表示人脸特征点中位于鼻尖部的特征点的纵坐标。3.根据权利要求2所述的眉毛图像分割方法，其特征在于，步骤(2)具体包括以下子步骤：(2-1)在步骤(1)得到的多个有序的人脸特征点中分别确定左眉毛的左端点c、右端点d、顶部端点e，左眼的顶点f，以及右眉毛的左端点g、右端点h、顶部端点i，右眼的顶点j；(2-2)根据步骤(2-1)确定的不同端点并使用以下公式计算左眉毛候选区域的位置；(2-3)根据步骤(2-1)确定的不同端点并使用以下公式计算右眉毛候选区域的位置。4.根据权利要求3所述的眉毛图像分割方法，其特征在于，步骤(2-2)具体采用以下公式：xtl＝max(x0,(1+β)xc-βxc+1)ytl＝max(0,(1+γ)ye-γyf)xbr＝min(xa,(1+β)xd-βxd-1)ybr＝max(yf,yd)其中x...

【专利技术属性】
技术研发人员：李方敏，沈逸，阳超，刘新华，栾悉道，
申请(专利权)人：长沙学院，
类型：发明
国别省市：湖南,43