主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
王丹,山世光,张洪明,曾炜,陈熙霖.一种由粗到细的头发分割方法.软件学报,2013,24(10):2391-2404
一种由粗到细的头发分割方法
Coarse-to-Fine Hair Segmentation Method
投稿时间:2012-08-16  修订日期:2013-05-07
DOI:10.3724/SP.J.1001.2013.04423
中文关键词:  头发分割  由粗到细  图割  支持向量机
英文关键词:hair segmentation  coarse-to-fine  graph cut  SVM (support vector machine)
基金项目:国家重点基础研究发展计划(973)(2009CB320902); 国家自然科学基金(61025010, 61173065); 北京市自然科学基金(4111003)
作者单位E-mail
王丹 中国科学院 计算技术研究所 智能信息处理重点实验室, 北京 100190
中国科学院大学, 北京 100049 
 
山世光 中国科学院 计算技术研究所 智能信息处理重点实验室, 北京 100190 sgshan@ict.ac.cn 
张洪明 NEC 中国研究院, 北京 100084  
曾炜 NEC 中国研究院, 北京 100084  
陈熙霖 中国科学院 计算技术研究所 智能信息处理重点实验室, 北京 100190  
摘要点击次数: 1796
全文下载次数: 2872
中文摘要:
      从图像中提取出头发区域,能够为头发分析、发型趋势预测等任务提供有利的线索.但是,头发的类内模式非常复杂,并且它与其他物体类间也常因光照复杂、表观特征相似等因素而难以分离.因此,头发分割是一个非常具有挑战性的问题.为了一定程度地解决这些问题,提出了一种由粗到细的头发分割方法.首先,该方法利用最新提出的利用视点进行主动分割(active segmentation with fixation,简称ASF)的方法,粗略提取头发分割的候选范围,保证头发区域的高召回率(准确率也许较低),并由此排除大部分与头发区域难以分离的背景区域;然后,利用特定于当前图像的头发类别信息,使用图割(graph cuts,简称GC)法在限定的范围内进行更加精细的分割.具体地,采用均值漂移(mean shift,简称MS)方法对输入图像进行区域的过分割;然后,利用贝叶斯方法选择一些可靠的、有较大概率属于头发或背景的“种子区域”,针对头发和背景的种子区域,采用支持向量机(support vector machine,简称SVM)在线学习头发和背景的分类器,并将其用于预测每个像素或区域属于头发或背景的概率;最后,将得到的概率用以GraphCuts 的初始化,求解得到最终的头发分割结果.实验结果表明,所提出的头发分割方法能够超越当前提出的头发分割方法.为了验证方法的可推广性,对其进行了一定扩展,并在马、汽车、飞机这3 个类别的公开数据库上作了评测,取得了较好的性能.
英文摘要:
      Segmenting hair regions from human images facilitates many tasks like hair analysis and hair style trends forecast. However, hair segmentation is quite challenging due to large within-class pattern diversity and between-class confusion resulted from complex illumination and similar appearance. To solve these problems to some extent, this paper proposes a novel coarse-to-fine hair segmentation method. Firstly, the recently published "active segmentation with fixation (ASF)" is used to coarsely define a candidate region with high-recall (but possibly low-precision) of hair pixels and exclude considerable part of the backgrounds which are easily confused with hair. Then the graph cuts (GC) method is applied to the candidate regions to perform more precise segmentation, by incorporating image-specific hair information. Specifically, Bayesian method is employed to select some reliable hair and background regions (seeds) among the ones over-segmented by mean shift. SVM classifier is then learnt online from these seeds and explored to predict hair/background likelihood probability, which is used as an initialization for performing GC algorithm. Experimental results demonstrate the approach outperforms existing hair segmentation methods. To validate the generality, the paper extends the method and achieves good results on the public databases of horse, car and aeroplane classes.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利