技术领域
[0001] 本
发明涉及时
深度学习领域,具体为
计算机视觉中
图像识别处理,涉及一种人体皮肤识别的方法与装置。
背景技术
[0002] 随着深度学习技术的发展,人像皮肤识别最主要的步骤是提取图像语义信息,准确的识别皮肤区域并进行分离。语义分割是计算机视觉中的一个重要研究领域。人像皮肤实际上是一个二分类的问题,需要判断每一个
像素点是否属于皮肤区域或者非皮肤区域。目前,在同类技术当中,传统的人像皮肤识别主要是根据灰度、
颜色等特征将图像进行划分区域,让区域显示差异性,区域内呈现相似性。深度学习领域,基于深层卷积网络提取图像的语义信息和空间结构实现
图像分割。然而,人像千姿百态,北京复杂多变,人种肤色多样性,而且在实际应用中,人像拍摄容易受到拍摄
角度、光照强度、方位的影响。其技术终端的使用,以移动终端的娱乐
软件为主,其次,移动终端的计算能
力,资源相对比较缺乏,如果通过
数据网络传输,依赖于
云端方式运行的胡啊,会占用网络资源以及需要较长的时间,因而,寻找一种对计算资源需求较低,能够利用客户端资源进行运算的方法变得更加迫切。在皮肤识别领域,如何能够自动准确的进行人像皮肤识别并提高精确度,实时提供人像皮肤识别的服务,成为技术难题。
[0003] 皮肤分割也是图像分割中一个重要的分支,具有重要的意义。皮肤分割(Skin Region Segmentation)在人脸和
手势识别与
跟踪、Web图像内容过滤、人物检索和医疗诊断等方面有广泛应用,由于不同种族、年龄、性别、光线、
亮度、
饱和度、
对比度等影响因子,会导致人体肤色呈现多样化。在当前技术,主要使用颜色空间模型(如RGB、HSV等颜色模型)和基于椭圆皮肤模型的皮肤检测技术来进行皮肤识别。基于颜色空间模型实现皮肤识别技术主要是根据颜色模型找出定义好的肤色范围内的像素点,范围外的像素点则判断为非皮肤区域,该方法皮肤检测的完整性并不高,一些稍微光线不好的区域也没有办法检测出皮肤来,鲁棒性不好。基于椭圆皮肤模型的皮肤检测技术来进行皮肤识别,经过前人学者大量的皮肤统计信息可以知道,如果将皮肤信息映射到YCrCb空间,则在CrCb二维空间中这些皮肤像素点近似成一个椭圆分布。因此如果我们得到了一个CrCb的椭圆,下次一个坐标(Cr, Cb)我们只需判断它是否在椭圆内(包括边界),如果是,则可以判断其为皮肤,否则就是非皮肤像素点,相比方法一,基于肤色椭圆模型的
算法的皮肤检测在效果上有着较大的提升,基本上能够检测到皮肤区域,对光线的抗干扰能力也是比较强的,但是皮肤检测的
精度不高且不完整,基于深度学习的皮肤识别技术能够有效提高识别的准确性,且鲁棒性较强。
发明内容
[0004] 本发明提供如下技术方案,一种人体皮肤识别的方法,包括以下内容:步骤S100:待识别处理图像,通过预设人像皮肤
训练数据集,对数据进行剪裁,旋转以及调整图片的尺寸,使所有的图片都是一样的尺寸大小,并对图片进行归一化处理,使图片的值域处于-1~1之间;
步骤S200:通过编译器和
解码器皮肤识别,输出人体皮肤标记的效果图;
步骤S300:返回人体皮肤识别的结果,输出所述带人体皮肤标记的效果图,用于后续的处理,例如磨皮,美颜等皮肤区域
图像处理;
进一步的,所述步骤S200是一个encoder-decoder的结构,由两部分组成:
编码器(encoder)和解码器(decoder);所述编码器由多个编码模
块级联而成,用于卷积运算和残差块运算,从而提取不同层次的图像特征;所述解码器由多个解码模块级联组成,解码器的第一个输入为编码器最后一个编码模块的输出,编码模块输入用于上
采样运算并作为下一个解码器的输入,以此类推,直到最后的解码器的输出与输入图像的大小一致;网络输出了一个与输入尺寸一样的mask矩阵,每个像素点代表了该像素属于人体皮肤的概率。
[0005] 为实现上述目的,本发明还提供一种人体皮肤识别的装置,其中包括:训练数据集预处理模块:待识别处理图像,通过预设人像皮肤训练数据集,对数据进行剪裁,旋转以及调整图片的尺寸,使所有的图片都是一样的尺寸大小,并对图片进行归一化处理,使图片的值域处于-1~1之间;
皮肤识别处理模块:通过编译器和解码器皮肤识别,标记人体皮肤区域;
输出返回模块:输出人体皮肤识别的标记效果图,用于后续的处理,例如磨皮,美颜等皮肤区域图像处理;
进一步的,皮肤识别处理模块是一个encoder-decoder的结构,由两部分组成:编码器(encoder)和解码器(decoder);所述编码器由多个编码模块级联而成,用于卷积运算和残差块运算,从而提取不同层次的图像特征;所述解码器由多个解码模块级联组成,解码器的第一个输入为编码器最后一个编码模块的输出,编码模块输入用于上采样运算并作为下一个解码器的输入,以此类推,直到最后的解码器的输出与输入图像的大小一致;网络输出了一个与输入尺寸一样的mask矩阵,每个像素点代表了该像素属于人体皮肤的概率。
[0006] 本发明主要是通过一种人体皮肤识别的方法和装置,通过一个轻量级的模型结构,实现了在离线的状态下,能够实时实现人体皮肤的识别,有效提高了识别的准确性和完整性。
附图说明
[0007] 为了更清楚地说明本发明的
实施例的技术方案,下面将对本发明的实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
[0008] 图1示出了本发明的一种人体皮肤识别的方法
流程图;图2示出了本发明的一种人体皮肤识别的装置流程图。
具体实施方式
[0009] 为了使本发明的目的,技术方案和有点更加清楚,下面结合附图对本发明作进一步的阐述解释。显然,所描述的实施例是本发明的实施例的一部分,而不是全部的实施例,基于本发明的实施方式中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的实施例保护范围。
[0010] 参照图1,其示出了本发明的一种人体皮肤识别的方法,具体如下;训练数据集的准备,为了提供模型的鲁棒性,需要提前准备大量的训练数据集,且该数据集必须具有多样性,如包含了不同肤色、年龄、人种、背景、
姿态的人像图片及其对应的标注数据集;人工标注了12000多张的皮肤数据,使用数据增强的方式增加训练集的容量,如加入了光照,亮度,角度等影响因子对图像进行增强;
步骤S100:待识别处理图像,通过预设人像皮肤训练数据集,对数据进行剪裁,旋转以及调整图片的尺寸,使所有的图片都是一样的尺寸大小,并对图片进行归一化处理,使图片的值域处于-1~1之间;
步骤S200:通过编译器和解码器皮肤识别,输出人体皮肤标记的效果图;
步骤S300:返回人体皮肤识别的结果,输出所述带人体皮肤标记的效果图,用于后续的处理,例如磨皮,美颜等皮肤区域图像处理;
进一步的,所述步骤S200是一个encoder-decoder的结构,由两部分组成:编码器(encoder)和解码器(decoder);所述编码器由多个编码模块级联而成,用于卷积运算和残差块运算,从而提取不同层次的图像特征;所述解码器由多个解码模块级联组成,解码器的第一个输入为编码器最后一个编码模块的输出,编码模块输入用于上采样运算并作为下一个解码器的输入,以此类推,直到最后的解码器的输出与输入图像的大小一致;网络输出了一个与输入尺寸一样的mask矩阵,每个像素点代表了该像素属于人体皮肤的概率。
[0011] 为实现上述目的,本发明还提供一种人体皮肤识别的装置,其中包括:训练数据集预处理模块:待识别处理图像,通过预设人像皮肤训练数据集,对数据进行剪裁,旋转以及调整图片的尺寸,使所有的图片都是一样的尺寸大小,并对图片进行归一化处理,使图片的值域处于-1~1之间;
皮肤识别处理模块:通过编译器和解码器皮肤识别,标记人体皮肤区域;
输出返回模块:输出人体皮肤识别的标记效果图,用于后续的处理,例如磨皮,美颜等皮肤区域图像处理;
进一步的,皮肤识别处理模块是一个encoder-decoder的结构,由两部分组成:编码器(encoder)和解码器(decoder);所述编码器由多个编码模块级联而成,用于卷积运算和残差块运算,从而提取不同层次的图像特征;所述解码器由多个解码模块级联组成,解码器的第一个输入为编码器最后一个编码模块的输出,编码模块输入用于上采样运算并作为下一个解码器的输入,以此类推,直到最后的解码器的输出与输入图像的大小一致;网络输出了一个与输入尺寸一样的mask矩阵,每个像素点代表了该像素属于人体皮肤的概率。
[0012] 以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉
本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以
权利要求的保护范围为准。