專利名稱：自動分割頭發(fā)的方法及其系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及自動的頭發(fā)分割方法及其系統(tǒng)。
背景技術(shù)：
頭發(fā)對人的整體形象，起著至關(guān)重要的作用。因此，頭發(fā)建模、編輯、著色、合成及動畫制作等頭發(fā)相關(guān)的應(yīng)用，在近些年來已經(jīng)引起越來越多的關(guān)注。這些任務(wù)中，頭發(fā)分割往往作為前端的首要任務(wù)?，F(xiàn)有技術(shù)中，在大部分頭發(fā)相關(guān)應(yīng)用中，頭發(fā)都被認(rèn)為是分割好的，或者手動標(biāo)定。除了頭發(fā)相關(guān)的應(yīng)用，許多計算機視覺任務(wù)都可以從頭發(fā)分割技術(shù)中獲益。比如，男性和女性的發(fā)型一般有很大的不同，分割得到的頭發(fā)可以為性別分類提供重要的線索；而隨著年齡的變化，人們的發(fā)型風(fēng)格、頭發(fā)顏色，尤其是老年時，會發(fā)生很大變化， 由此頭發(fā)也有助于年齡的估計。另外，由于通常人們不會在短時間內(nèi)經(jīng)常改變發(fā)型，頭發(fā)還可對身份識別有所貢獻(xiàn)。由于頭發(fā)的模式變化多樣，而圖像中的背景又往往比較復(fù)雜，易與頭發(fā)混淆，頭發(fā)分割面臨著一定的挑戰(zhàn)性。已有的頭發(fā)分割技術(shù)包括利用幾何和顏色模型，針對光照和陰影建立簡單的顏色模型；或采用頻率統(tǒng)計和顏色分析選取種子，而后擴展頭發(fā)區(qū)域。但這些方法前端的種子選擇往往根據(jù)經(jīng)驗，選出的種子比較離散、數(shù)量不多，不易建立準(zhǔn)確的頭發(fā)統(tǒng)計模型；另外，目前的方法大都只能解決正面人臉圖像的頭發(fā)分割問題。

發(fā)明內(nèi)容
為解決上述問題，本發(fā)明提供了自動分割頭發(fā)的方法及其系統(tǒng)，能夠解決多種人臉姿態(tài)的頭發(fā)分割問題。本發(fā)明公開了一種自動分割頭發(fā)的方法，包括步驟1，對訓(xùn)練集中圖像和待分割的圖像進(jìn)行人臉檢測，以從圖像中提取的人臉部分的擴展圖像作為后續(xù)處理的對象，并確定所述對象中人臉的姿態(tài)；步驟2，對于訓(xùn)練集中的圖像，根據(jù)各個圖像中標(biāo)記的頭發(fā)像素點建立通用頭發(fā)特征統(tǒng)計模型，并依據(jù)所述圖像中人臉的姿態(tài)對所述圖像進(jìn)行分類，對于每一姿態(tài)類別，根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ?，所述位置先驗?zāi)Ｐ桶鱾€像素位于頭發(fā)區(qū)域中的位置先驗概率，所述通用頭發(fā)特征統(tǒng)計模型表示各種人在各種情況下的頭發(fā)的共性特征；步驟3，確定分割單位，按所述分割單位對待分割的圖像進(jìn)行劃分，根據(jù)待分割的圖像的人臉的姿態(tài)確定所述待分割的圖像所屬的姿態(tài)類別，依據(jù)通用頭發(fā)特征統(tǒng)計模型和所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛷膭澐值牟糠种羞x擇頭發(fā)種子和背景種子；步驟4，對所述頭發(fā)種子建立待分割圖像對應(yīng)的頭發(fā)特征統(tǒng)計模型，對所述背景種子建立待分割圖像對應(yīng)的背景特征統(tǒng)計模型；步驟5，根據(jù)所述待分割圖像的頭發(fā)特征統(tǒng)計模型和背景特征統(tǒng)計模型，以及所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛯λ龃指畹膱D像進(jìn)行頭發(fā)分割。
所述步驟3中分割單位為區(qū)域；所述步驟3中依據(jù)通用頭發(fā)特征統(tǒng)計模型和所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛷膭澐值牟糠种羞x擇頭發(fā)種子和背景種子進(jìn)一步為，步驟21，對于每個區(qū)域，以區(qū)域中各個像素的位置先驗概率的數(shù)值平均值為所述區(qū)域的位置先驗概率，以區(qū)域中各個像素的頭發(fā)特征的數(shù)值平均值作為區(qū)域的特征數(shù)值， 計算區(qū)域的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率；步驟22，依據(jù)區(qū)域的位置先驗概率和區(qū)域的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率，通過貝葉斯方法計算所述區(qū)域作為頭發(fā)區(qū)域的后驗概率；步驟23，依據(jù)所述后驗概率從分割的區(qū)域中選擇頭發(fā)種子和背景種子。所述步驟3中分割單位為像素；所述步驟3中依據(jù)通用頭發(fā)特征統(tǒng)計模型和所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛷膭澐值牟糠种羞x擇頭發(fā)種子和背景種子進(jìn)一步為，步驟31，對于每個像素，以像素的位置先驗概率的數(shù)值為所述像素的位置先驗概率，以像素的頭發(fā)特征的數(shù)值作為像素的特征數(shù)值，計算像素的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率；步驟32，依據(jù)像素的位置先驗概率和像素的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率，通過貝葉斯方法計算像素作為頭發(fā)區(qū)域的后驗概率；步驟33，依據(jù)所述后驗概率從待分割圖像的像素中選擇頭發(fā)種子和背景種子。所述步驟23進(jìn)一步為，步驟41，將所有分割單位依據(jù)后驗概率的數(shù)值由高到低進(jìn)行排序；步驟42，對有序的分割單位的序列，從序列的第一個分割單位開始，依次選擇當(dāng)前分割單位之后的分割單位，直至所選分割單位的總像素數(shù)目超過n，將所選分割單位作為頭發(fā)種子；從序列的最后一個分割單位開始，依次選擇當(dāng)前分割單位之前的分割單位，直至所選的分割單位的總像素數(shù)目超過m，將所選分割單位作為背景種子；??！和！!!分別為預(yù)設(shè)數(shù)值。所述步驟23進(jìn)一步為，步驟51，選擇后驗概率大于第一預(yù)設(shè)閾值的區(qū)域為頭發(fā)種子；步驟52，選擇后驗概率小于第二預(yù)設(shè)閾值的區(qū)域為背景種子。所述步驟1和所述步驟2間還包括步驟61，對訓(xùn)練集中圖像和待分割的圖像進(jìn)行歸一化。所述人臉的姿態(tài)包括準(zhǔn)正面和非準(zhǔn)正面；所述步驟1還包括在確定圖像中人臉的姿態(tài)為準(zhǔn)正面時，檢測人臉特征點的位置；所述步驟61進(jìn)一步為在圖像中人臉的姿態(tài)為準(zhǔn)正面時，根據(jù)人臉特征點位置對原始圖像進(jìn)行旋轉(zhuǎn)、平移、縮放；在檢測到的人臉的姿態(tài)不是準(zhǔn)正面時，對人臉進(jìn)行相應(yīng)的縮放處理。所述步驟2中對于每一姿態(tài)類別，根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ瓦M(jìn)一步為，步驟81，統(tǒng)計訓(xùn)練集中屬于所述姿態(tài)類別的圖片的數(shù)量；步驟82，對于每個像素，根據(jù)圖像中標(biāo)記的頭發(fā)像素點，統(tǒng)計所述像素位于頭發(fā)區(qū)域中的次數(shù)；步驟83，對于每個像素，將所述像素位于頭發(fā)區(qū)域中的次數(shù)除以所述姿態(tài)類別的圖片的數(shù)量，所得商為所述像素的位于頭發(fā)區(qū)域中的概率；步驟84，各個像素的位于頭發(fā)區(qū)域中的概率組成所述姿態(tài)類別對應(yīng)的位置先驗?zāi)Ｐ?。所述步驟2中對于每一姿態(tài)類別，根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ瓦M(jìn)一步為，步驟91，針對每個姿態(tài)類別的訓(xùn)練集中的圖片，根據(jù)人臉檢測的結(jié)果和由所述結(jié)果得出的膚色模型，在所述圖像中分割出面部的膚色區(qū)域，并得到膚色和頭發(fā)的邊緣；步驟92，沿著所述邊緣向外擴展多個像素的距離，得到一個環(huán)狀區(qū)域；從人臉的特征點位置向外均勻畫多條射線；步驟93，針對所述射線和所述環(huán)狀區(qū)域的交集中的每個像素點，根據(jù)標(biāo)記的頭發(fā)像素點統(tǒng)計作為頭發(fā)像素出現(xiàn)的頻次，求出每個像素點的作為頭發(fā)像素出現(xiàn)的位置先驗概率，組成所述姿態(tài)類別的位置先驗?zāi)Ｐ?。本發(fā)明還公開了一種自動分割頭發(fā)的系統(tǒng)，包括圖像提取模塊，用于對訓(xùn)練集中圖像和待分割的圖像進(jìn)行人臉檢測，以從圖像中提取的人臉部分的擴展圖像作為后續(xù)處理的對象，并確定所述對象中人臉的姿態(tài)；通用特征模型建立模塊，用于對于訓(xùn)練集中的圖像，根據(jù)各個圖像中標(biāo)記的頭發(fā)像素點建立通用頭發(fā)特征統(tǒng)計模型，所述通用頭發(fā)特征統(tǒng)計模型表示各種人在各種情況下的頭發(fā)的共性特征；位置先驗?zāi)Ｐ徒⒛K，用于依據(jù)所述圖像中人臉的姿態(tài)對所述圖像進(jìn)行分類， 對于每一姿態(tài)類別，根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ?，所述位置先驗?zāi)Ｐ桶鱾€像素位于頭發(fā)區(qū)域中的位置先驗概率；種子選擇模塊，用于按配置的分割單位對待分割的圖像進(jìn)行劃分，根據(jù)待分割的圖像的人臉的姿態(tài)確定所述待分割的圖像所屬的姿態(tài)類別，依據(jù)通用頭發(fā)特征統(tǒng)計模型和所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛷膭澐值牟糠种羞x擇頭發(fā)種子和背景種子；特征統(tǒng)計模型建立模塊，用于對所述頭發(fā)種子建立待分割圖像對應(yīng)的頭發(fā)特征統(tǒng)計模型，對所述背景種子建立待分割圖像對應(yīng)的背景特征統(tǒng)計模型；分割進(jìn)行模塊，根據(jù)所述待分割圖像的頭發(fā)特征統(tǒng)計模型和背景特征統(tǒng)計模型， 以及所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛯λ龃指畹膱D像進(jìn)行頭發(fā)分割。所述分割單位為區(qū)域；所述種子選擇模塊在依據(jù)通用頭發(fā)特征統(tǒng)計模型和所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛷膭澐值牟糠种羞x擇頭發(fā)種子和背景種子時進(jìn)一步用于，對于每個區(qū)域，以區(qū)域中各個像素的位置先驗概率的數(shù)值平均值為所述區(qū)域的位置先驗概率，以區(qū)域中各個像素的頭發(fā)特征的數(shù)值平均值作為區(qū)域的特征數(shù)值，計算區(qū)域的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率；依據(jù)區(qū)域的位置先驗概率和區(qū)域的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率，通過貝葉斯方法計算所述區(qū)域作為頭發(fā)區(qū)域的后驗概率；依據(jù)所述后驗概率從分割的區(qū)域中選擇頭發(fā)種子和背景種子。
所述分割單位為像素；所述種子選擇模塊在依據(jù)通用頭發(fā)特征統(tǒng)計模型和所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛷膭澐值牟糠种羞x擇頭發(fā)種子和背景種子時進(jìn)一步用于，對于每個像素，以像素的位置先驗概率的數(shù)值為所述像素的位置先驗概率，以像素的頭發(fā)特征的數(shù)值作為像素的特征數(shù)值，計算像素的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率；依據(jù)像素的位置先驗概率和像素的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率，通過貝葉斯方法計算像素作為頭發(fā)區(qū)域的后驗概率；依據(jù)所述后驗概率從待分割圖像的像素中選擇頭發(fā)種子和背景種子。所述種子選擇模塊在依據(jù)所述后驗概率從分割的區(qū)域中選擇頭發(fā)種子和背景種子時進(jìn)一步用于，將所有分割單位依據(jù)后驗概率的數(shù)值由高到低進(jìn)行排序；對有序的分割單位的序列，從序列的第一個分割單位開始，依次選擇其后的分割單位，直至所選分割單位的總像素數(shù)目超過n，將所選分割單位作為頭發(fā)種子；從序列的最后一個分割單位開始，依次選擇當(dāng)前分割單位之前的分割單位，直至所選的分割單位的總像素數(shù)目超過m，將所選分割單位作為背景種子；η和m分別為預(yù)設(shè)數(shù)值。所述種子選擇模塊在依據(jù)所述后驗概率從分割的區(qū)域中選擇頭發(fā)種子和背景種子時進(jìn)一步用于，選擇后驗概率大于第一預(yù)設(shè)閾值的區(qū)域為頭發(fā)種子；選擇后驗概率小于第二預(yù)設(shè)閾值的區(qū)域為背景種子。所述圖像提取模塊還用于對訓(xùn)練集中圖像和待分割的圖像進(jìn)行歸一化。所述人臉的姿態(tài)包括準(zhǔn)正面和非準(zhǔn)正面；所述圖像提取模塊還用于在確定圖像中人臉的姿態(tài)為準(zhǔn)正面時，檢測人臉特征點的位置；所述圖像提取模塊在對訓(xùn)練集中圖像和待分割的圖像進(jìn)行歸一化時進(jìn)一步用于為在圖像中人臉的姿態(tài)為準(zhǔn)正面時，根據(jù)人臉特征點位置對原始圖像進(jìn)行旋轉(zhuǎn)、平移、縮放；在檢測到的人臉的姿態(tài)不是準(zhǔn)正面時，對人臉進(jìn)行相應(yīng)的縮放處理。所述位置先驗?zāi)Ｐ徒⒛K在對于每一姿態(tài)類別，根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ蜁r進(jìn)一步用于，統(tǒng)計訓(xùn)練集中屬于所述姿態(tài)類別的圖片的數(shù)量；對于每個像素，根據(jù)圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計所述像素位于頭發(fā)區(qū)域中的次數(shù)；對于每個像素，將所述像素位于頭發(fā)區(qū)域中的次數(shù)除以所述姿態(tài)類別的圖片的數(shù)量，所得商為所述像素的位于頭發(fā)區(qū)域中的概率；各個像素的位于頭發(fā)區(qū)域中的概率組成所述姿態(tài)類別對應(yīng)的位置先驗?zāi)Ｐ?。所述位置先驗建立模塊在對于每一姿態(tài)類別，根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ蜁r進(jìn)一步用于，針對每個姿態(tài)類別的訓(xùn)練集中的圖片，根據(jù)人臉檢測的結(jié)果和由所述結(jié)果得出的膚色模型，在所述圖像中分割出面部的膚色區(qū)域，并得到膚色和頭發(fā)的邊緣；
沿著所述邊緣向外擴展多個像素的距離，得到一個環(huán)狀區(qū)域；從人臉的特征點位置向外均勻畫多條射線；針對所述射線和所述環(huán)狀區(qū)域的交集中的每個像素點，根據(jù)標(biāo)記的頭發(fā)像素點統(tǒng)計作為頭發(fā)像素出現(xiàn)的頻次，求出每個像素點的作為頭發(fā)像素出現(xiàn)的位置先驗概率，組成所述姿態(tài)類別的位置先驗?zāi)Ｐ汀１景l(fā)明的有益效果在于，通過依據(jù)人臉的姿態(tài)進(jìn)行分類，能夠不對人臉的姿態(tài)做限制，通過采用了貝葉斯方法融合位置先驗和特征統(tǒng)計模型進(jìn)行種子選擇，能夠提提高頭發(fā)種子區(qū)域選擇準(zhǔn)確性；本發(fā)明能夠隨著人臉檢測和人臉姿態(tài)估計方法的精確性提高，不斷細(xì)化分類，從而提高準(zhǔn)確率，并具有可擴展性。


圖1為本發(fā)明的自動分割頭發(fā)的方法的流程圖；圖2為圖像的自動人臉檢測結(jié)果；圖3為人臉姿態(tài)為左側(cè)時，頭發(fā)出現(xiàn)的位置先驗?zāi)Ｐ偷目梢暬瘓D像；圖4為舉例中選擇作為頭發(fā)種子的區(qū)域和作為背景種子的區(qū)域的效果圖(a)圖的黑色區(qū)域為背景種子區(qū)域，(b)圖的黑色區(qū)域為頭發(fā)和背景種子區(qū)域的加和；圖5為舉例中分割出的頭發(fā)區(qū)域的效果圖；圖6為本發(fā)明的自動分割頭發(fā)的系統(tǒng)的結(jié)構(gòu)圖。
具體實施例方式下面結(jié)合附圖，對本發(fā)明做進(jìn)一步的詳細(xì)描述。本發(fā)明的自動分割頭發(fā)的方法的流程如圖1所示，包括步驟S100，對訓(xùn)練集中圖像和待分割的圖像進(jìn)行人臉檢測，以從圖像中提取的人臉部分的擴展圖像作為后續(xù)處理的對象，并確定所述對象中人臉的姿態(tài)。步驟S200，對于訓(xùn)練集中的圖像，根據(jù)各個圖像中標(biāo)記的頭發(fā)像素點建立通用頭發(fā)特征統(tǒng)計模型，并依據(jù)所述圖像中人臉的姿態(tài)對訓(xùn)練集中的圖像進(jìn)行分類，對于每一姿態(tài)類別，根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ?，所述位置先驗?zāi)Ｐ桶鱾€像素位于頭發(fā)區(qū)域中的位置先驗概率，所述通用頭發(fā)特征統(tǒng)計模型表示各種人在各種情況下的頭發(fā)的共性特征。所述通用頭發(fā)特征統(tǒng)計模型表示針對標(biāo)定好頭發(fā)像素點的訓(xùn)練圖像，建立的頭發(fā)特征的統(tǒng)計模型。現(xiàn)有技術(shù)中存在多種建立頭發(fā)特征統(tǒng)計模型的方法，例如應(yīng)用高斯混合模型進(jìn)行建立。步驟S300，確定分割單位，按所述分割單位對待分割的圖像進(jìn)行劃分，根據(jù)待分割的圖像的人臉的姿態(tài)確定所述待分割的圖像所屬的姿態(tài)類別，依據(jù)所屬姿態(tài)類別的位置先驗?zāi)Ｐ秃屯ㄓ妙^發(fā)特征統(tǒng)計模型從劃分的部分中選擇頭發(fā)種子和背景種子。其中分割單位為劃分區(qū)域或像素。像素實質(zhì)對應(yīng)于不進(jìn)行區(qū)域劃分。在分割單位為區(qū)域時，所述步驟S300中依據(jù)所屬姿態(tài)類別的位置先驗?zāi)Ｐ秃屯ㄓ妙^發(fā)特征統(tǒng)計模型從劃分的部分中選擇頭發(fā)種子和背景種子的具體實施方式
如下所述。步驟S310，對于每個區(qū)域，以區(qū)域中各個像素的位置先驗概率的數(shù)值平均值為所述區(qū)域的位置先驗概率，以區(qū)域中各個像素的頭發(fā)特征的數(shù)值平均值作為區(qū)域的特征數(shù)值，計算區(qū)域的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率。步驟S320，依據(jù)區(qū)域的位置先驗概率和區(qū)域的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率，通過貝葉斯方法計算所述區(qū)域作為頭發(fā)區(qū)域的后驗概率。步驟S330，依據(jù)所述后驗概率從分割的區(qū)域中選擇頭發(fā)種子和背景種子。在分割單位為像素時，所述步驟S300中依據(jù)所屬姿態(tài)類別的位置先驗?zāi)Ｐ秃屯ㄓ妙^發(fā)特征統(tǒng)計模型從劃分的部分中選擇頭發(fā)種子和背景種子的具體實施方式
如下所述。步驟S310’，對于每個像素，以像素的位置先驗概率的數(shù)值為所述像素的位置先驗概率，以像素的頭發(fā)特征的數(shù)值作為像素的特征數(shù)值，計算像素的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率。步驟S320’，依據(jù)像素的位置先驗概率和像素的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率，通過貝葉斯方法計算像素作為頭發(fā)區(qū)域的后驗概率。步驟S330’，依據(jù)所述后驗概率從待分割圖像的像素中選擇頭發(fā)種子和背景種子。步驟S400，對所述頭發(fā)種子建立待分割圖像對應(yīng)的頭發(fā)特征統(tǒng)計模型，對所述背景種子建立待分割圖像對應(yīng)的背景特征統(tǒng)計模型。步驟S500，根據(jù)所述待分割圖像的頭域特征統(tǒng)計模型和背景特征統(tǒng)計模型，以及所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛯λ龃指畹膱D像進(jìn)行頭發(fā)分割。在進(jìn)一步較佳的技術(shù)方案中，所述步驟SlOO和所述步驟S200間還包括步驟 S600，對訓(xùn)練集中圖像和待分割的圖像進(jìn)行歸一化。本發(fā)明的一具體實施方式
如下所述。步驟S710，對訓(xùn)練集中圖像和待分割的圖像進(jìn)行人臉檢測，以從圖像中提取的人臉部分的擴展圖像作為后續(xù)處理的對象，并確定所述提取的擴展圖像中人臉的姿態(tài)。在進(jìn)行頭發(fā)分割時，通常需要對原始圖像進(jìn)行預(yù)處理，其中原始圖像包括訓(xùn)練集中圖像和待分割的圖像。通常方法為將人臉從原始圖像中提取出來，由于要包括頭發(fā)，提取的部分應(yīng)按照人臉檢測的矩形框向外擴充，以保證全部頭發(fā)被包含進(jìn)來。同時，在提取區(qū)域時，通過人臉檢測確定圖像中人臉的姿態(tài)。實施例一采用現(xiàn)有技術(shù)中名為AdaBoost的人臉檢測方法。人臉檢測的結(jié)果只能給出一個包含人臉的矩形框。針對準(zhǔn)正面人臉，一般能夠采用同樣的方法檢測到其他特征點位置， 比如眼睛、鼻尖、嘴角等，可以用來歸一化人臉。如圖2所示，為檢測到的圖像中的人臉框， 圖2中白色方框標(biāo)出了人臉框。該方法的具體實現(xiàn)詳見文獻(xiàn)“Rapid Object Detection using a Boosted Cascade ofSimple Features，，CVPR, International Conference on Computer Vision andPattern Recognition,2001. Volume :1，Issue :C，Publisher :IEEE ComputerSocietyο利用人臉檢測的結(jié)果進(jìn)行人臉的姿態(tài)估計。具體的實施方法如下所述。首先，將人臉姿態(tài)劃分為幾個不同的姿態(tài)，人臉的姿態(tài)分為準(zhǔn)正面和非準(zhǔn)正面；非準(zhǔn)正面進(jìn)一步包括準(zhǔn)正面、左側(cè)面、右側(cè)面，或者按角度對非準(zhǔn)正面進(jìn)行更精確的劃分。賦予訓(xùn)練集合中的人臉圖像相應(yīng)的類別標(biāo)簽。然后，對人臉圖像提取特征?；谏鲜鋈四槇D像特征和姿態(tài)類別的標(biāo)簽，通過線性判別分析訓(xùn)練得到一組線性投影基向量。對于一幅輸入的人臉圖像，提取同樣的特征，并用這組投影基向量將其映射到另一個線性子空間中；在這個子空間中采用最近鄰分類器判斷姿態(tài)類別屬性。步驟S720，對訓(xùn)練集中圖像和待分割的圖像進(jìn)行歸一化。為了方便后續(xù)處理需要對檢測到人臉的圖像進(jìn)行歸一化。進(jìn)行歸一化的具體實現(xiàn)方法為，在圖像中人臉的姿態(tài)為準(zhǔn)正面時，根據(jù)人臉特征點位置對原始圖像進(jìn)行旋轉(zhuǎn)、平移、縮放；在檢測到的人臉的姿態(tài)不是準(zhǔn)正面時，根據(jù)檢測到的人臉矩形框位置和大小，對人臉進(jìn)行相應(yīng)的縮放處理。步驟S730，對于訓(xùn)練集中的圖像，根據(jù)各個圖像中標(biāo)記的頭發(fā)像素點建立通用頭發(fā)特征統(tǒng)計模型，并依據(jù)所述圖像中人臉的姿態(tài)估計對訓(xùn)練集中的圖像進(jìn)行分類，對于每一姿態(tài)類別，根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ?。位置先驗?zāi)Ｐ捅硎靖鱾€像素位于頭發(fā)區(qū)域中的概率。通用頭發(fā)特征統(tǒng)計模型表示通常情況下頭發(fā)具有的特征，是非特定人、非特定圖像的特征統(tǒng)計模型，反映不同人的、不同情況下的頭發(fā)的共性。對頭發(fā)的某種或者某幾種特征建立統(tǒng)計模型，比如對于顏色的RGB三維特征建立高斯混合模型；或者針對紋理特征，比如每個像素的鄰域直方圖、梯度方向用以建立統(tǒng)計模型。根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ偷膶嵤├蝗缦滤?。步驟S731，統(tǒng)計訓(xùn)練集中屬于所述姿態(tài)類別的圖片的數(shù)量。步驟S732，對于每個像素，根據(jù)圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計所述像素位于頭發(fā)區(qū)域中的次數(shù)。針對每個像素，依據(jù)圖像中標(biāo)記的頭發(fā)像素點判斷該像素在圖像中是否位于頭發(fā)區(qū)域，如果是，則在像素位于頭發(fā)區(qū)域中的次數(shù)的統(tǒng)計值上加1。步驟S733，對于每個像素，將所述像素位于頭發(fā)區(qū)域中的次數(shù)除以所述姿態(tài)類別的圖片的數(shù)量，所得商為所述像素的位于頭發(fā)區(qū)域中的概率。步驟S734，各個像素的位于頭發(fā)區(qū)域中的概率組成所述姿態(tài)類別對應(yīng)的位置先驗?zāi)Ｐ?。假設(shè)步驟S710檢測到的人臉的姿態(tài)為左側(cè)面，步驟S720歸一化處理后的圖像的行數(shù)為h，列數(shù)為w，并且訓(xùn)練集中人臉姿態(tài)為左側(cè)面的圖片總數(shù)是nTotal，依據(jù)圖像中標(biāo)記的頭發(fā)像素點，統(tǒng)計這些圖像中每個像素位置出現(xiàn)頭發(fā)的次數(shù)，統(tǒng)計出該次數(shù)為nFreq， 那么該像素點出現(xiàn)頭發(fā)的先驗概率為P = nFreq/nT0tal。通過上述方法，本領(lǐng)域的普通技術(shù)人員能夠?qū)崿F(xiàn)對頭發(fā)出現(xiàn)的位置先驗概率進(jìn)行統(tǒng)計，得到hXw的概率矩陣，概率矩陣的可視化表示如圖3所示，其中亮度越大的地方，頭發(fā)出現(xiàn)的概率越大。根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ偷膶嵤├缦滤觥２襟ES731’，針對每個姿態(tài)類別的訓(xùn)練集中的圖片，根據(jù)人臉檢測的結(jié)果和膚色模型，在圖像中分割出面部的膚色區(qū)域，并得到膚色和頭發(fā)的邊緣。膚色分割的具體過程為，首先根據(jù)人臉檢測的結(jié)果，在人臉檢測框內(nèi)做k-means 聚類，將樣本最多的類視為膚色區(qū)域；然后利用該膚色區(qū)域作為膚色模型的訓(xùn)練樣本，訓(xùn)練統(tǒng)計模型；最后根據(jù)該統(tǒng)計模型的均值、方差限定值域范圍，顏色值在此值域范圍內(nèi)的為膚色區(qū)域，否則為非膚色區(qū)域。步驟S732’，沿著該邊緣向外擴展多個像素的距離，得到一個環(huán)狀區(qū)域；從人臉的某個特征點位置，比如兩眼睛的中心點，向外均勻畫多條射線。步驟733’，針對所述射線和所述環(huán)狀區(qū)域的交集中的每個像素點，根據(jù)標(biāo)記的頭發(fā)像素點統(tǒng)計作為頭發(fā)像素出現(xiàn)的頻次，求出每個像素點的作為頭發(fā)像素出現(xiàn)的概率，作為所述姿態(tài)類別的位置先驗?zāi)Ｐ?。具體地，從中心點周圍均勻畫12條射線，相鄰射線夾角30度，每條射線和環(huán)狀區(qū)域交點有5個，那么將得到一個60維的概率數(shù)組，作為頭發(fā)的位置先驗?zāi)Ｐ汀８鶕?jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點計算通用頭發(fā)特征統(tǒng)計模型。頭發(fā)特征為圖像中頭發(fā)區(qū)域的特征屬性，例如顏色、亮度等。建立通用頭發(fā)特征統(tǒng)計模型的具體實施方式
如下所述該實施例中頭發(fā)區(qū)域的特征為RGB顏色特征。通用頭發(fā)特征統(tǒng)計模型則以高斯混合模型(GMM，Gaussian Mixture Models)為例。一般性的頭發(fā)顏色統(tǒng)計模型，可以事先在標(biāo)記好的訓(xùn)練集上統(tǒng)計建立。此步驟在步驟S720預(yù)處理后的圖像做，也可以在原始的圖像上做。此處以采用像素的RGB值作為統(tǒng)計特征為例，訓(xùn)練通用頭發(fā)統(tǒng)計模型，模型訓(xùn)練也可以采用多種方法，比如現(xiàn)有技術(shù)中期望最大化算法(EM算法)。最終得到通用頭發(fā)特征統(tǒng)計模型參數(shù)θ g。通過上述方法，本領(lǐng)域的普通技術(shù)人員能夠?qū)︻^發(fā)建立通用頭發(fā)特征統(tǒng)計模型。θ g是EM算法訓(xùn)練GMM所得到的模型參數(shù)，是EM算法訓(xùn)練的模型的輸出。EM算法是訓(xùn)練GMM參數(shù)的通用方法。高斯混合模型表示為公式1其中，χ為樣本值，^表示每個高斯成分的權(quán)重，μ” Σ i分別表示每個高斯成分的均值和方差。設(shè)混合成分個數(shù)為M，EM算法是一種概率密度的參數(shù)估計方法，對高斯混合模型參數(shù)的學(xué)習(xí)過程分為兩步。初始化模型參數(shù)θ g為θ °，閾值τ，i — 0 ；用下列公式3-6迭代計算模型參數(shù)，直到似然函數(shù)變化小于T為止 ； (X) = Za" (Χ; μ,·，Σ,·)公式 1模型參數(shù)θ g表示為公式2θ g = (&1, a2,......，aM，θ ” θ 2，......，θ
公式2
公式3 am
J>(m|X,,0')公式 4
13
μ
權(quán)利要求
1.一種自動分割頭發(fā)的方法，其特征在于，包括步驟1，對訓(xùn)練集中圖像和待分割的圖像進(jìn)行人臉檢測，以從圖像中提取的人臉部分的擴展圖像作為后續(xù)處理的對象，并確定所述對象中人臉的姿態(tài)；步驟2，對于訓(xùn)練集中的圖像，根據(jù)各個圖像中標(biāo)記的頭發(fā)像素點建立通用頭發(fā)特征統(tǒng)計模型，并依據(jù)所述圖像中人臉的姿態(tài)對所述圖像進(jìn)行分類，對于每一姿態(tài)類別，根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ?，所述位置先驗?zāi)Ｐ桶鱾€像素位于頭發(fā)區(qū)域中的位置先驗概率，所述通用頭發(fā)特征統(tǒng)計模型表示各種人在各種情況下的頭發(fā)的共性特征；步驟3，確定分割單位，按所述分割單位對待分割的圖像進(jìn)行劃分，根據(jù)待分割的圖像的人臉的姿態(tài)確定所述待分割的圖像所屬的姿態(tài)類別，依據(jù)通用頭發(fā)特征統(tǒng)計模型和所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛷膭澐值牟糠种羞x擇頭發(fā)種子和背景種子；步驟4，對所述頭發(fā)種子建立待分割圖像對應(yīng)的頭發(fā)特征統(tǒng)計模型，對所述背景種子建立待分割圖像對應(yīng)的背景特征統(tǒng)計模型；步驟5，根據(jù)所述待分割圖像的頭發(fā)特征統(tǒng)計模型和背景特征統(tǒng)計模型，以及所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛯λ龃指畹膱D像進(jìn)行頭發(fā)分割。
2.如權(quán)利要求1所述的自動分割頭發(fā)的方法，其特征在于， 所述步驟3中分割單位為區(qū)域；所述步驟3中依據(jù)通用頭發(fā)特征統(tǒng)計模型和所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛷膭澐值牟糠种羞x擇頭發(fā)種子和背景種子進(jìn)一步為，步驟21，對于每個區(qū)域，以區(qū)域中各個像素的位置先驗概率的數(shù)值平均值為所述區(qū)域的位置先驗概率，以區(qū)域中各個像素的頭發(fā)特征的數(shù)值平均值作為區(qū)域的特征數(shù)值，計算區(qū)域的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率；步驟22，依據(jù)區(qū)域的位置先驗概率和區(qū)域的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率，通過貝葉斯方法計算所述區(qū)域作為頭發(fā)區(qū)域的后驗概率；步驟23，依據(jù)所述后驗概率從分割的區(qū)域中選擇頭發(fā)種子和背景種子。
3.如權(quán)利要求1所述的自動分割頭發(fā)的方法，其特征在于， 所述步驟3中分割單位為像素；所述步驟3中依據(jù)通用頭發(fā)特征統(tǒng)計模型和所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛷膭澐值牟糠种羞x擇頭發(fā)種子和背景種子進(jìn)一步為，步驟31，對于每個像素，以像素的位置先驗概率的數(shù)值為所述像素的位置先驗概率，以像素的頭發(fā)特征的數(shù)值作為像素的特征數(shù)值，計算像素的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率；步驟32，依據(jù)像素的位置先驗概率和像素的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率，通過貝葉斯方法計算像素作為頭發(fā)區(qū)域的后驗概率；步驟33，依據(jù)所述后驗概率從待分割圖像的像素中選擇頭發(fā)種子和背景種子。
4.如權(quán)利要求2所述的自動分割頭發(fā)的方法，其特征在于， 所述步驟23進(jìn)一步為，步驟41，將所有分割單位依據(jù)后驗概率的數(shù)值由高到低進(jìn)行排序； 步驟42，對有序的分割單位的序列，從序列的第一個分割單位開始，依次選擇當(dāng)前分割單位之后的分割單位，直至所選分割單位的總像素數(shù)目超過n，將所選分割單位作為頭發(fā)種子；從序列的最后一個分割單位開始，依次選擇當(dāng)前分割單位之前的分割單位，直至所選的分割單位的總像素數(shù)目超過m，將所選分割單位作為背景種子；η和m分別為預(yù)設(shè)數(shù)值。
5.如權(quán)利要求2所述的自動分割頭發(fā)的方法，其特征在于， 所述步驟23進(jìn)一步為，步驟51，選擇后驗概率大于第一預(yù)設(shè)閾值的區(qū)域為頭發(fā)種子； 步驟52，選擇后驗概率小于第二預(yù)設(shè)閾值的區(qū)域為背景種子。
6.如權(quán)利要求1所述的自動分割頭發(fā)的方法，其特征在于， 所述步驟1和所述步驟2間還包括步驟61，對訓(xùn)練集中圖像和待分割的圖像進(jìn)行歸一化。
7.如權(quán)利要求6所述的自動分割頭發(fā)的方法，其特征在于， 所述人臉的姿態(tài)包括準(zhǔn)正面和非準(zhǔn)正面；所述步驟1還包括在確定圖像中人臉的姿態(tài)為準(zhǔn)正面時，檢測人臉特征點的位置； 所述步驟61進(jìn)一步為在圖像中人臉的姿態(tài)為準(zhǔn)正面時，根據(jù)人臉特征點位置對原始圖像進(jìn)行旋轉(zhuǎn)、平移、縮放；在檢測到的人臉的姿態(tài)不是準(zhǔn)正面時，對人臉進(jìn)行相應(yīng)的縮放處理。
8.如權(quán)利要求6所述的自動分割頭發(fā)的方法，其特征在于，所述步驟2中對于每一姿態(tài)類別，根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ瓦M(jìn)一步為，步驟81，統(tǒng)計訓(xùn)練集中屬于所述姿態(tài)類別的圖片的數(shù)量；步驟82，對于每個像素，根據(jù)圖像中標(biāo)記的頭發(fā)像素點，統(tǒng)計所述像素位于頭發(fā)區(qū)域中的次數(shù)；步驟83，對于每個像素，將所述像素位于頭發(fā)區(qū)域中的次數(shù)除以所述姿態(tài)類別的圖片的數(shù)量，所得商為所述像素的位于頭發(fā)區(qū)域中的概率；步驟84，各個像素的位于頭發(fā)區(qū)域中的概率組成所述姿態(tài)類別對應(yīng)的位置先驗?zāi)Ｐ汀?br> 9.如權(quán)利要求6所述的自動分割頭發(fā)的方法，其特征在于，所述步驟2中對于每一姿態(tài)類別，根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ瓦M(jìn)一步為，步驟91，針對每個姿態(tài)類別的訓(xùn)練集中的圖片，根據(jù)人臉檢測的結(jié)果和由所述結(jié)果得出的膚色模型，在所述圖像中分割出面部的膚色區(qū)域，并得到膚色和頭發(fā)的邊緣；步驟92，沿著所述邊緣向外擴展多個像素的距離，得到一個環(huán)狀區(qū)域；從人臉的特征點位置向外均勻畫多條射線；步驟93，針對所述射線和所述環(huán)狀區(qū)域的交集中的每個像素點，根據(jù)標(biāo)記的頭發(fā)像素點，統(tǒng)計作為頭發(fā)像素出現(xiàn)的頻次，求出每個像素點的作為頭發(fā)像素出現(xiàn)的位置先驗概率， 組成所述姿態(tài)類別的位置先驗?zāi)Ｐ汀?br> 10.一種自動分割頭發(fā)的系統(tǒng)，其特征在于，包括圖像提取模塊，用于對訓(xùn)練集中圖像和待分割的圖像進(jìn)行人臉檢測，以從圖像中提取的人臉部分的擴展圖像作為后續(xù)處理的對象，并確定所述對象中人臉的姿態(tài)；通用特征模型建立模塊，用于對于訓(xùn)練集中的圖像，根據(jù)各個圖像中標(biāo)記的頭發(fā)像素點建立通用頭發(fā)特征統(tǒng)計模型，所述通用頭發(fā)特征統(tǒng)計模型表示各種人在各種情況下的頭發(fā)的共性特征；位置先驗?zāi)Ｐ徒⒛K，用于依據(jù)所述圖像中人臉的姿態(tài)對所述圖像進(jìn)行分類，對于每一姿態(tài)類別，根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ?，所述位置先驗?zāi)Ｐ桶鱾€像素位于頭發(fā)區(qū)域中的位置先驗概率；種子選擇模塊，用于按配置的分割單位對待分割的圖像進(jìn)行劃分，根據(jù)待分割的圖像的人臉的姿態(tài)確定所述待分割的圖像所屬的姿態(tài)類別，依據(jù)通用頭發(fā)特征統(tǒng)計模型和所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛷膭澐值牟糠种羞x擇頭發(fā)種子和背景種子；特征統(tǒng)計模型建立模塊，用于對所述頭發(fā)種子建立待分割圖像對應(yīng)的頭發(fā)特征統(tǒng)計模型，對所述背景種子建立待分割圖像對應(yīng)的背景特征統(tǒng)計模型；分割進(jìn)行模塊，根據(jù)所述待分割圖像的頭發(fā)特征統(tǒng)計模型和背景特征統(tǒng)計模型，以及所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛯λ龃指畹膱D像進(jìn)行頭發(fā)分割。
11.如權(quán)利要求10所述的自動分割頭發(fā)的系統(tǒng)，其特征在于， 所述分割單位為區(qū)域；所述種子選擇模塊在依據(jù)通用頭發(fā)特征統(tǒng)計模型和所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛷膭澐值牟糠种羞x擇頭發(fā)種子和背景種子時進(jìn)一步用于，對于每個區(qū)域，以區(qū)域中各個像素的位置先驗概率的數(shù)值平均值為所述區(qū)域的位置先驗概率，以區(qū)域中各個像素的頭發(fā)特征的數(shù)值平均值作為區(qū)域的特征數(shù)值，計算區(qū)域的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率；依據(jù)區(qū)域的位置先驗概率和區(qū)域的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率， 通過貝葉斯方法計算所述區(qū)域作為頭發(fā)區(qū)域的后驗概率；依據(jù)所述后驗概率從分割的區(qū)域中選擇頭發(fā)種子和背景種子。
12.如權(quán)利要求10所述的自動分割頭發(fā)的系統(tǒng)，其特征在于， 所述分割單位為像素；所述種子選擇模塊在依據(jù)通用頭發(fā)特征統(tǒng)計模型和所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛷膭澐值牟糠种羞x擇頭發(fā)種子和背景種子時進(jìn)一步用于，對于每個像素，以像素的位置先驗概率的數(shù)值為所述像素的位置先驗概率，以像素的頭發(fā)特征的數(shù)值作為像素的特征數(shù)值，計算像素的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率；依據(jù)像素的位置先驗概率和像素的特征數(shù)值在通用頭發(fā)特征統(tǒng)計模型下的條件概率， 通過貝葉斯方法計算像素作為頭發(fā)區(qū)域的后驗概率；依據(jù)所述后驗概率從待分割圖像的像素中選擇頭發(fā)種子和背景種子。
13.如權(quán)利要求11所述的自動分割頭發(fā)的系統(tǒng)，其特征在于，所述種子選擇模塊在依據(jù)所述后驗概率從分割的區(qū)域中選擇頭發(fā)種子和背景種子時進(jìn)一步用于，將所有分割單位依據(jù)后驗概率的數(shù)值由高到低進(jìn)行排序；對有序的分割單位的序列，從序列的第一個分割單位開始，依次選擇其后的分割單位， 直至所選分割單位的總像素數(shù)目超過n，將所選分割單位作為頭發(fā)種子；從序列的最后一個分割單位開始，依次選擇當(dāng)前分割單位之前的分割單位，直至所選的分割單位的總像素數(shù)目超過m，將所選分割單位作為背景種子；η和m分別為預(yù)設(shè)數(shù)值。
14.如權(quán)利要求11所述的自動分割頭發(fā)的系統(tǒng)，其特征在于，所述種子選擇模塊在依據(jù)所述后驗概率從分割的區(qū)域中選擇頭發(fā)種子和背景種子時進(jìn)一步用于，選擇后驗概率大于第一預(yù)設(shè)閾值的區(qū)域為頭發(fā)種子； 選擇后驗概率小于第二預(yù)設(shè)閾值的區(qū)域為背景種子。
15.如權(quán)利要求10所述的自動分割頭發(fā)的系統(tǒng)，其特征在于，所述圖像提取模塊還用于對訓(xùn)練集中圖像和待分割的圖像進(jìn)行歸一化。
16.如權(quán)利要求15所述的自動分割頭發(fā)的系統(tǒng)，其特征在于， 所述人臉的姿態(tài)包括準(zhǔn)正面和非準(zhǔn)正面；所述圖像提取模塊還用于在確定圖像中人臉的姿態(tài)為準(zhǔn)正面時，檢測人臉特征點的位置；所述圖像提取模塊在對訓(xùn)練集中圖像和待分割的圖像進(jìn)行歸一化時進(jìn)一步用于為在圖像中人臉的姿態(tài)為準(zhǔn)正面時，根據(jù)人臉特征點位置對原始圖像進(jìn)行旋轉(zhuǎn)、平移、縮放；在檢測到的人臉的姿態(tài)不是準(zhǔn)正面時，對人臉進(jìn)行相應(yīng)的縮放處理。
17.如權(quán)利要求15所述的自動分割頭發(fā)的系統(tǒng)，其特征在于，所述位置先驗?zāi)Ｐ徒⒛K在對于每一姿態(tài)類別，根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ蜁r進(jìn)一步用于，統(tǒng)計訓(xùn)練集中屬于所述姿態(tài)類別的圖片的數(shù)量；對于每個像素，根據(jù)圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計所述像素位于頭發(fā)區(qū)域中的次數(shù)； 對于每個像素，將所述像素位于頭發(fā)區(qū)域中的次數(shù)除以所述姿態(tài)類別的圖片的數(shù)量， 所得商為所述像素的位于頭發(fā)區(qū)域中的概率；各個像素的位于頭發(fā)區(qū)域中的概率組成所述姿態(tài)類別對應(yīng)的位置先驗?zāi)Ｐ汀?br> 18.如權(quán)利要求15所述的自動分割頭發(fā)的系統(tǒng)，其特征在于，所述位置先驗建立模塊在對于每一姿態(tài)類別，根據(jù)姿態(tài)類別中各個圖像中標(biāo)記的頭發(fā)像素點統(tǒng)計位置先驗?zāi)Ｐ蜁r進(jìn)一步用于，針對每個姿態(tài)類別的訓(xùn)練集中的圖片，根據(jù)人臉檢測的結(jié)果和由所述結(jié)果得出的膚色模型，在所述圖像中分割出面部的膚色區(qū)域，并得到膚色和頭發(fā)的邊緣；沿著所述邊緣向外擴展多個像素的距離，得到一個環(huán)狀區(qū)域；從人臉的特征點位置向外均勻畫多條射線；針對所述射線和所述環(huán)狀區(qū)域的交集中的每個像素點，根據(jù)標(biāo)記的頭發(fā)像素點統(tǒng)計作為頭發(fā)像素出現(xiàn)的頻次，求出每個像素點的作為頭發(fā)像素出現(xiàn)的位置先驗概率，組成所述姿態(tài)類別的位置先驗?zāi)Ｐ汀?br> 全文摘要
本發(fā)明涉及自動分割頭發(fā)的方法及系統(tǒng)，方法包括步驟1，對訓(xùn)練集和待分割的圖像進(jìn)行人臉檢測，提取人臉部分的擴展圖像；步驟2，對于訓(xùn)練集中的圖像，根據(jù)標(biāo)記的頭發(fā)像素點建立通用頭發(fā)特征統(tǒng)計模型，依據(jù)姿態(tài)進(jìn)行分類，計算各類的位置先驗?zāi)Ｐ?；步驟3，對待分割的圖像進(jìn)行劃分，確定待分割的圖像所屬的姿態(tài)類別，依據(jù)通用頭發(fā)特征統(tǒng)計模型和所屬姿態(tài)類別的位置先驗?zāi)Ｐ瓦x擇頭發(fā)種子和背景種子；步驟4，對頭發(fā)種子建立頭發(fā)特征統(tǒng)計模型，對背景種子建立背景特征統(tǒng)計模型；步驟5，根據(jù)待分割圖像的頭發(fā)特征統(tǒng)計模型和背景特征統(tǒng)計模型，及所屬姿態(tài)類別的位置先驗?zāi)Ｐ蛯Υ指畹膱D像進(jìn)行頭發(fā)分割。本發(fā)明能夠解決多種人臉姿態(tài)的頭發(fā)分割問題。
文檔編號G06T5/00GK102436636SQ20101029674
公開日2012年5月2日 申請日期2010年9月29日 優(yōu)先權(quán)日2010年9月29日
發(fā)明者山世光, 張洪明, 曾煒, 王丹, 陳熙霖 申請人:中國科學(xué)院計算技術(shù)研究所, 日電(中國)有限公司