基于图割闪光夜景人像自动分割方法①.docVIP

基于图割闪光夜景人像自动分割方法① 　　摘 要：图像前景分割作为目标检测、图像融合的关键步骤，是当前图像处理与计算机视觉领域的研究热点。特别是在普通相机拍摄的夜景人像中，由于闪光的原因导致人像与背景的可视效果欠佳，分割算法存在极大挑战。为此，该文面向同步获取的闪光与非闪光图像，提出了一种基于人像检测和多源信息融合的人像分割方法。该算法首先采用梯度直方图特征（Histogram of Gradient， HOG）作为表观描述，通过支撑向量机（Support Vector Machine， SVM）实现夜景行人检测。在此基础上，根据两类图像的变化统计特征设计了代价函数，具体包括闪光图像变化分布、颜色信息，以及匹配变换估计信息等。最后利用图割方法（Graph Cut， GC）实现代价函数最优求解，并以此为依据提取夜景人像。针对多组夜景人像的分割实验结果表明，该文方法减少了传统人像分割算法的交互过程，可以实现对夜景人像区域的自动提取。 　　关键词：图像分割 夜景图像 图割 　　中图分类号：TP37 文献标识码：A 文章编号：1674-098X（2015）08（a）-0096-05 　　图像分割与融合是计算机视觉与图像处理领域的研究热点，特别是面向人像的前景分割，在目标检测、目标识别、图像融合等相关技术中有十分广泛的应用。其关键技术涉及到人体的定位，以及前景和背景的分离等。由于人体图像具有尺度差异大、纹理复杂、姿态变化多等特点，要从复杂背景中分离出人像信息是十分挑战的课题。特别利用家用低成本相机拍摄的夜景图像，因背景光源复杂，且在闪光拍摄的图像中前景边缘与背景信息容易交互干扰，使得现有的算法难以从这里图像中有效地分割人像区域。 　　目前人像分割方法大致可以分为人工交互分割与全自动分割等两类，其中人工交互分割一般是基于图割（Graph cut， GC）算法[1]，通过手工标记的方式，在人像周围指定背景与前景信息，进而通过构建能量图及边切割，实现背景与前景的分离。基于Grab cut方法[2]则是在选定前景框内，通过分析背景区域与前景框内的分布信息，实现前景目标的分割。实验结果表明，基于图割的算法运算速度较快，分割效率较好，特别对复杂的背景边缘有较好的适用性，得到了广泛的关注，目前市场上已有相关的产品[3]。尽管如此，这类方法在分割过程中需要人工干预，而且在夜景人像边缘模糊的情况下分割效果不佳。 　　前景的自动分割主要包括基于立体视觉[4]、运动信息[5]和背景建模[6-7]的方法。其中基于立体视觉的方法通过分析视差来判别前景区域。这类方法往往对分割目标的视差范围有一定限制，视差太小前景和背景难以分离，视差过大则场景中存在大量遮挡和零匹配现象，导致分割可靠性不足；基于背景建模的目标分割方法需要利用先验信息对背景进行建模，通常是在视频或序列图像的基础上，分析场景的变化信息，以构建背景模型。此外，在图像前景自动分割中，Sun提出了以闪光/非闪光图像为数据源的抠图方法[8-9]。前提是对场景分别进行闪光/非闪光两次拍摄，在闪光灯开启时，由于前景物体较为靠前因此受闪光影响较大，对应图像更加明亮（强度更高）；而没有闪光灯时，前背景的亮度区别较小，从而可以通过亮度对比信息提取前景区域。在相关后续工作[10]中，Sun将该方法拓展为Flash cut算法，实现了前景和背景的协同分割。其基本思路是根据闪光与非闪光图像的差异，分析前景与背景的统计模型，最后通过图割方法实现前景信息的分割。Flash cut提出后，得到了广泛的关注，其中文[11]将闪光-非闪光图构建的前景信息推广到图像的显著分析，取得良好的检测效果。 　　在简单背景下，现有的分割算法对人像交互分割与融合方面已经取得了较好的效果。然而，针对夜景的人像提取效果仍效果不佳，特别是当背景光源信息复杂，以及前景边缘和背景混合的时候，分割算法基本失效。为此，该文在闪光、非闪光图像的基础上，采用了检测+分割的思路，首先根据梯度直方图特征在非闪光夜景图像中检测人像方位；进而根据同步获取的闪光、非闪光图像差异分布，在人像候选区域统计差分直方图，并通过构建代价函数、分割能量图实现人像的分割。 　　该文余下内容安排如下：第二章介绍梯度直方图的计算方法，以及在夜景人像检测中的应用；第三章详细阐述基于闪光、非闪光图像的夜景人像分割算法流程；第四章通过实验分析本文算法的可靠性；第五章为论文总结。 　　1 基于梯度直方图的夜景人像检测 　　夜景人像检测的目的是确定分割的候选区域，避免背景复杂光源，以及背景运动目标等因素对分割效果的影响。针对夜景人像的特点，本文采用了基于梯度直方图（Histogram of Oriented Gradient，HOG）[12]与支撑向量机相结合的检测方法，以实现夜景人像