[发明专利]基于深度卷积神经网络的人体图像头发检测方法

摘要

本发明公开了一种基于深度卷积神经网络的人体图像头发检测方法，主要解决了现有技术中检测效率低，适应性差的问题。其实现方案包括：1)获取人体图像的超像素分割图像；2)对超像素分割图像进行标记；3)从人体图像中提取图像块；4)从图像块中获取训练样本；5)构建深度卷积神经网络并通过训练样本对其进行训练；6)获取待估计头发位置的人体图像的超像素分割图像；7)提取待估计头发位置的人体图像的图像块，并用训练好的深度卷积神经网络对其进行分类；8)生成待估计头发位置的人体图像头发检测结果。本发明减小了提取特征算子复杂度和计算量，提高了鲁棒性和应用范围，可用于3D打印、虚拟试衣、人体测量学以及影视游戏模型构建。

主权项

1.基于深度卷积神经网络的人体图像头发检测方法，包括训练与估计两个阶段，其特征在于：第一个阶段，训练深度卷积神经网络的步骤如下：(1)输入待训练的人体图像，利用基于线性迭代聚类的超像素分割算法，对人体图像进行超像素分割，得到人体图像的超像素分割图像；(2)在所得人体图像的超像素分割图像中，对属于头发区域的所有超像素块，属于人体区域的所有超像素块和属于背景区域的所有超像素块分别进行标记；(3)以超像素聚类中心点位置为中心，在人体图像上提取大小为33*33*3图像块；(4)获取训练样本：(4a)对于提取到的每一个图像块，在超像素分割图像中的相同区域内，将属于头发的像素点数目大于属于脸部及背景的像素点数目的图像块归为第1类，将属于头发的像素点数目大于属于脸部及背景的像素点数目的图像块归为第2类，其中，第1类表示头发类，第2类表示属于非头发类；(4b)将每一个图像块和该图像块的类别组成一个样本，将所有样本作为深度卷积神经网络的训练样本；(5)构建并训练深度卷积神经网络：(5a)设计含有9层的深度卷积神经网络，该9层依次是卷积层Conv1、池化层Pool2、卷积层Conv3、池化层Pool4、卷积层Conv5、池化层Pool6、全连接层Fc7、全连接层Fc8和分类层Softmax9；(5b)将训练样本输入到(5a)设计的深度卷积神经神经网络中，利用深度学习框架caffe，对深度卷积神经网络进行训练，获得训练好的深度卷积神经网络；第二个阶段，估计人体图像中头发位置的步骤如下：(6)输入一幅待估计头发位置的人体图像，利用基于线性迭代聚类的超像素分割算法对人体图像进行超像素分割，得到人体图像的超像素分割图像；(7)以超像素聚类中心点位置为中心，在人体图像上提取大小为33*33*3图像块；(8)利用训练好的深度卷积神经网络提取图像块的特征，并根据每一个图像块的特征，输出该图像块的类别，即头发类1或者非头发类2；(9)估计人体图像中头发的位置：(9a)读入一幅与人体图像行数和列数相同的所有灰度值全为0的二维灰度图像；(9b)将所有超像素聚类中心点位置与第1类图像块中心点位置相同的超像素块，标记为第1类；将所有超像素聚类中心点位置与第2类图像块中心点位置相同的超像素块，标记为第2类；(9c)将灰度图像中与所有第1类超像素块的位置相同区域的灰度值标记为0，将灰度图像中与所有第2类超像素块的位置相同区域的灰度值标记为255，人体图像中的黑色区域即灰度值为0的像素点为头发检测结果。