一种基于深度学习的头发精细化分割方法及系统技术方案

本发明专利技术公开了一种基于深度学习的头发精细化分割方法及系统，分割方法包括步骤：S1、构建包括头发分割模块、发丝精细化模块的卷积神经网络；S2、利用所述头发分割模块提取训练人像数据中的头发概率图；S3、合并训练人像数据及相应的头发概率图，利用发丝精细化模块提取精细化头发掩膜；S4、计算卷积神经网络的损失函数，利用损失函数对卷积神经网络进行迭代、更新，生成最终的头发精细化分割模型；S5、将待分割人像数据输入所述头发精细化分割模型，得到相应的精细化头发掩膜。本发明专利技术在对头发区域进行整体分割的同时，能够对发丝部分进行分割，提高了头发分割的精细度。

A fine hair segmentation method and system based on deep learning

【技术实现步骤摘要】
一种基于深度学习的头发精细化分割方法及系统
本专利技术涉及图像处理领域，具体涉及一种基于深度学习的头发精细化分割方法及系统。
技术介绍
由于头发关乎个人形象，头发仿真、头发编辑等问题备受关注。手机自拍已经成为现代人们生活中非常流行的现象。各种美图工具也孕育而生。很多软件都可以识别人脸的特征，对人脸进行一些有趣的处理。但是人们手机自拍时的背景往往很复杂，当软件想对人像做处理时，比如生成人物的素描图或者将人物动漫化，往往需要将背景分离出去。在分离的过程中，头发分割往往非常困难。此外，头发在人的身份识别、性别识别方面起着至关重要的作用。由于人们一般不会频繁地更换发型，头发分割有利于身份识别，而男女发型差异使其可辅助性别识别。为了完成以上这些应用任务，从输入图像中分割出头发区域用于后续处理，是相当有价值的工作。公开号为CN107220990A的专利技术专利申请公开了一种基于深度学习的头发分割方法，并具体公开了：S100获取原始图像；S200对原始图像进行人脸检测，得到人脸关键点；S300利用人脸关键点生成人脸关键部位描述图；S400将原始图像和本文档来自技高网...

【技术保护点】
1.一种基于深度学习的头发精细化分割方法，其特征在于，包括步骤：/nS1、构建包括头发分割模块、发丝精细化模块的卷积神经网络；/nS2、利用所述头发分割模块提取训练人像数据中的头发概率图；/nS3、合并训练人像数据及相应的头发概率图，利用发丝精细化模块提取精细化头发掩膜；/nS4、计算卷积神经网络的损失函数，利用损失函数对卷积神经网络进行迭代、更新，生成最终的头发精细化分割模型；/nS5、将待分割人像数据输入所述头发精细化分割模型，得到相应的精细化头发掩膜。/n

【技术特征摘要】
1.一种基于深度学习的头发精细化分割方法，其特征在于，包括步骤：
S1、构建包括头发分割模块、发丝精细化模块的卷积神经网络；
S2、利用所述头发分割模块提取训练人像数据中的头发概率图；
S3、合并训练人像数据及相应的头发概率图，利用发丝精细化模块提取精细化头发掩膜；
S4、计算卷积神经网络的损失函数，利用损失函数对卷积神经网络进行迭代、更新，生成最终的头发精细化分割模型；
S5、将待分割人像数据输入所述头发精细化分割模型，得到相应的精细化头发掩膜。


2.根据权利要求1所述的头发精细化分割方法，其特征在于，
所述头发分割模块由编码子模块和解码子模块组成，其中编码子模块由卷积层和下采样层组成，解码子模块由卷积层和上采样层组成；所述发丝精细化模块包括少量的卷积层。


3.根据权利要求1所述的头发精细化分割方法，其特征在于，所述步骤S2之前还包括：
S21、对收集的人像数据进行头发区域标注，得到对应的二值化头发掩膜；
S22、对所述人像数据及二值化头发掩膜进行缩放，对应生成训练人像数据及训练掩膜；
S23、对所述训练人像数据及训练掩膜进行数据增强，生成最终的训练人像数据集及训练掩膜集。


4.根据权利要求3所述的头发精细化分割方法，其特征在于，所述损失函数包括头发分割模块造成的损失Loss1及发丝精细化模块引起的损失Loss2，即整个头发精细化分割模型的损失函数为：
Loss＝Loss1+Loss2
其中，Loss1＝-Ylog(M)+(1-Y)log(1-M)
M为头发概率图，Y为相应人像数据的训练掩膜；
Loss2＝(P-Q)2
P为精细化头发掩膜，Q为滤波后的发丝掩膜。


5.根据权利要求4所述的头发精细化分割方法，其特征在于，所述发丝掩膜通过对所述头发概率图进行引导滤波生成。


6.根据权利要求1所述的头发精细化分割方法，其特征在于，所述步骤S5具体为：
S51、对待分割人像数据进行缩放；
S52、利用所述头...

【专利技术属性】
技术研发人员：张明琦，李云夕，陈希玥，
申请(专利权)人：杭州趣维科技有限公司，
类型：发明
国别省市：浙江;33