08WORKSHOP自動化背景模糊機制.doc-Ntu.edu.tw.docVIP

自動化影像背景模糊機制 顏芷妤 黃俊翔 吳家麟 E-mail: {shadow, bh, wjl}@cmlab.csie.ntu.edu.tw 動機 無論是基於保護他人隱私的考量，或是加強美學上的視覺上效果，在我們拍照時，並不希望有不相干的人物出現在背景中，但在實際的狀況中，這一點往往會事與願違。雖然利用補繪（inpainting）技術可以除去相片中不應該存在的背景物件，但如果我們希望去除的部份在照片裡所佔的比例過大，填回背景的難度就會變得很高。 不過，我們其實不需要真正地將背景人物去除掉。只要讓畫面中的背景人物變得模糊，不致干擾觀賞者的目光，就可以達到所需的效果。如果能夠利用模糊效果製造出景深的錯覺，使畫面呈現自然的模糊效果，甚至可以達到利用高級相機與特殊鏡頭所拍攝的效果。 在三維空間裡，我們可以依靠左右眼的差距看出立體的效果，進而分辨出各個物件的邊緣。而人們在觀賞照片的時候，又是如何分辨平面照片裡各個物件的界線呢？我們猜測是藉由顏色、材質，以及強烈的邊緣差異來判定每個物件的範圍。 在本論文中，我們將針對主角為「人物」的照片來進行討論。雖然影像臉部辨識的技術已經十分發達，但是進行人物身體區域的辨識仍然是個難度很高的問題。這是因為人物的服裝樣式顏色，以及身體動作的差異性都非常大。不過由於背景模糊機制所達到的效果只是模糊化而非將背景物件移除，所以即使找出來的範圍與真實範圍有些差距，對照片在美學上的破壞程度也會小於補繪失敗的結果。 方法 我們先定義出前景和背景，再透過Alpha Matting的方式將原圖 I 和模糊後的圖片Ib組合為結果 I’。組合的過程如方程式(1)所示： (1) 其中 為一遮罩影像M中對應至各像素之權重值。 茲將計算遮罩影像 M 及產生背景模糊化照片I’ 之演算法詳細說明如下： 利用臉部偵測模組找到照片裡面所有人臉的座標和範圍大小，並將臉部面積最大的人物當作前景的主角。 根據上個步驟的資訊取得概略的身體區塊（body block）範圍。 約略算出各個像素可能屬於前景或背景的機率值： 3.1 直接將影像轉換為64色階，統計身體區塊內和身體區塊外的色階分佈（histogram）。如果某顏色在身體區塊內所佔比例較高、但在身體區塊外所佔比例較低，則表示該顏色他屬於前景的機率較高，反之亦然。換言之，我們可將某一色彩的最終色階分佈 Hm 表示為： (2) 其中的?為避免分母為零所加入之常數。最後將Hm 對應回I，即可取得遮罩M1。 3.2利用邊界偵測（edge detection）模組取得影像的邊界資訊，並套用平均值濾波器（mean filter），產生一灰階影像。接著統計身體區塊內部和外部的色階分佈(步驟同3-1)，即可算出另一遮罩M2。 3.3 將M1，M2以及依據身體區塊所產生的遮罩 B加以結合，即可得到最後的遮罩M： (3) 其中 C 為一由給定權重值所組成的遮罩線性組合函數。 利用步驟3取得的遮罩M，依據 (1) 將模糊影像與原始影像結合在一起，即可產生最終的背景模糊化影像。 當主角不只一人時，如果第二人以上的臉部面積小於最大臉部面積的一定比例，則會將之亦判定為背景，反之則亦視為前景。 實驗結果 圖一為依據本文演算法所產生之部分實驗結果。其中第一行為原始影像，第二行為背景模糊化後之影像，第三行則為對應之遮罩影像。 原始影像 背景模糊化之影像 遮罩 圖一 實驗結果 以下為依據85張包含背景人物的照片所統計的實驗結果，其中有35張為畢業典禮活動照和學士服照片（服裝主要黑色學士服或白襯衫），20張是利用Google的圖片搜尋功能尋找「活動」及「人群」這兩個關鍵字所取得的照片，其餘的30張則為各種表演活動（奇裝異服）的照片。 圖二 前後景像素正確偵測比率的統計結果 圖二是前後景分割比例的正確偵測率（detection rate），其中正確率為0的錯誤，係出現於臉部偵測模組無法找出人臉的情況。請留意此數據是將所有影像之遮罩按照同一給定門檻值二元化後，與手動標示之真相（ground truth）遮罩進行比較之結果。其平均值為0.54。 圖三 圖三為分割比例的錯誤警示比率（false alarm rate），平均值為0.04。 結論 本篇提出的方法，可以讀進一張圖片，在不需輸入其他參數的狀況下，產生出背景模糊、仿造景深差距的結果圖片。 在