[发明专利]基于grubcut和人工智能的人像背景分离及轮廓提取方法

说明书

技术领域

本发明属于图像识别技术领域，特别是指一种基于grubcut和人工智能的人像背景分离及轮廓提取方法。

背景技术

现有的技术中在获取人体轮廓这一步骤中通常采用的是诸如canny边缘检测算子或者K-means算法等去提取人体轮廓，从而达到分离背景的目的。这种办法实际操作效果不理想，因为这些算法只有在背景简单的情况下才能达到良好的分离背景的效果。在背景复杂的情况下，比如背景中包含多个其他复杂物体的情况下去提取人体的轮廓效果很不理想。

于是有关研究人员就利用了一种叫做背景差分法的算法去除背景。这种算法要用户每一次都拍两张照片，一张背景照片，一张包含人像和背景的照片，然后用后者减去前者，这样就去掉了背景。但是这种算法由于前后两张照片的拍摄有时间差，即使这个时间差很小也会引起前后两张照片的不一致。这些不一致表现为前后照片的光线条件不可能完全一样，导致前后两张照片在相同背景的地方像素其实是不同的，这样相减之后其实不能把背景像素完全去掉。由于每个用户在前后的时间差拍照时外界光线或多或少都产生了一定变化。

当然，针对此问题，研究人员会想到设置一定的前后变化差的阈值条件。但是实际上每个用户拍照前后变化的程度都是不一样的，所以阈值的值其实是无法确定的。此外，前后拍摄的两张照片由于是用户自己拍摄的，所以会存在或多或少的位移和旋转情况，这样的话就要将后面那张照片先旋转再平移以保证它和原来的背景照片相应的像素点能够严格对应上，这就要用到诸如模板匹配的算法，但是无论用什么匹配算法去匹配前后这两张照片都不太稳定，这些匹配算法没办法保证在任何背景条件下匹配的准确率能够精确到每一个像素点。再次，更致命的是背景差分法前后两张照片存在畸变情况，这种畸变情况矫正难度是非常大的，因为在一张图片的不同区域的畸变程度往往还不一样，每个小区域内的像素点之间的畸变程度往往还不一样，也就是整张图片上每处小区域相比原图的放大和缩小的比例还是变化的，这样如果要将前后两张图片完全以一个像素点的精确度一一对应上操作性不强。

发明内容

针对目前的一些算法诸如canny边缘检测算子或者K-means算法等方法在背景稍微复杂情况下提取人体轮廓不准确的问题，本发明提出基于grubcut算法和人工智能的人像图片背景分离方法及轮廓提取方法，以实现快速有效的分离采集到的人像图片的背景，以更精确地提取人体轮廓。技术方案如下：

一种基于grubcut和人工智能的人像图片背景分离方法，包括：

步骤S1、采用人工智能模型分别定位出待背景分离的原始人像图片中第一区域、第二区域和第三区域的位置，所述第一区域、第二区域和第三区域的面积依次增大；

步骤S2、根据步骤S1定位的第三区域的位置，在原始人像图片中分割生成一个待处理的人像矩形框，所述人像矩形框包括整个人像；

步骤S3、在人像中以步骤S1定位的第一区域作为起始点，垂直生成至少一条前景色线，所述前景色线的长度根据步骤S1定位的第二区域的半径为比例设定的；

步骤S4、根据步骤S1定位的第二区域和第三区域的位置，在所述前景色线两侧均匀生成多条背景色线；

步骤S5、根据生成的所述前景色线和背景色线，采用grubcut迭代算法对步骤S2生成的人像矩形框中的原始人像图片进行背景分离处理。

进一步地，所述第一区域为鼻子区域，第二区域为人脸区域，第三区域为人体上半部分区域；

进一步地，在所述前景色线两侧均匀生成多条背景色线至少覆盖包括人体外侧区域以及两耳边之间、两手之间和两脚之间的区域。

进一步地，在步骤S5之后还包括利用人像图片中像素的不对称性进行迭代去背景操作。

进一步地，以已定位出的人脸或者人体的上半部分的中心点做垂直线，然后以这条垂直线为中心搜索人体手与胸之间左右两侧的像素点，若发现左右两侧像素明显不对称，那么不对称的地方标记上背景色线，进一步采用grubcut迭代算法去掉背景。

进一步地，采集的人像图片中包括正面、侧面和背面图像。

本发明还提供一种基于grubcut和人工智能的人像轮廓提取方法，采用上述任一项所述的基于grubcut算法和人工智能的人像图片背景分离方法之后，还包括：

步骤S10、将已经去除背景的人像图片进行灰度化；

步骤S11、分析已经灰度化的人像图片的像素分布图，并据此设置像素阈值；