人像中服裝區(qū)域定位

鄧建華+陸玲

摘要：現(xiàn)在社會上流行的虛擬智能試衣系統(tǒng)的核心技術(shù)就是服裝區(qū)域的定位與提取，而準(zhǔn)確快速定位出一張圖片中人像的服裝區(qū)域則是其難點所在，而本方法則是通過圖像預(yù)處理和圖像分割等技術(shù)比較準(zhǔn)確地定位出圖片中人像的衣服區(qū)域解決了這個難點.從而為虛擬的智能試衣系統(tǒng)打下基礎(chǔ)。

關(guān)鍵字：虛擬智能試衣系統(tǒng)；服裝區(qū)域定位；圖像預(yù)處理；圖像分割

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）27-0137-02

1 引言

隨著科技的發(fā)展，特別是近幾年”互聯(lián)網(wǎng)+”的迅速崛起，近日，多款虛擬試衣軟件進(jìn)入手機(jī)平臺。不少市民在網(wǎng)購衣服時，實際到手的衣服穿起來和網(wǎng)商宣傳圖片差距較大，所以許多網(wǎng)購族在網(wǎng)上買衣服時往往抱怨沒法判斷自己是否適合某套衣服。如今各種新出的虛擬試衣軟件系統(tǒng)有可能改變這種尷尬局面，并為網(wǎng)購衣服帶來新的轉(zhuǎn)折點。而虛擬智能試衣系統(tǒng)中首先要解決的就是人像中服裝區(qū)域定位的問題。這也就是本文研究的重點。而人像中服裝區(qū)域定位就和圖像感興趣區(qū)域的定位是一樣的道理，可以借鑒感興趣區(qū)域的提取方法來達(dá)到與優(yōu)化人像中服裝區(qū)域定位技術(shù)。

Claudio M.根據(jù)人眼的視覺特征提出了八種通過計算局部最大值來提取ROI的圖像處理算法。第一種是對稱變換（symmetry transform），第二種是離散小波變換（discrete wavelet transform），第三種是沿灰度級方向的差（difference in the gray-level orientation），第四種是每單位區(qū)域的邊緣（edges per unit area），第五種是熵（entropy），第六種是麥克爾遜對比度（Michaelson contrast），第七種是離散余弦變換（DCT - discrete cosine transform），第八種是高斯-拉普拉斯算子（the Laplacian of the Gaussian）。根據(jù)以上八種方法，模擬人眼的視覺特征，并尋找圖像中人眼最敏感的視覺停留點，再通過聚類（clustering）和排序（sequencing）實現(xiàn)感興趣區(qū)域的提取[1][2]。

Itti 等人提出了顯著圖（saliency map）模型。顯著圖是一幅表面圖像中各點的顯著性特征的二維圖像，顯著圖可由輸入圖像經(jīng)過拓?fù)渥儞Q得到，然后通過動態(tài)神經(jīng)網(wǎng)絡(luò)選取顯著值最大的點作為注視點[3][4][5]。

Rao 等人提出把高斯微分函數(shù)作為濾波器對圖像的點在 m 個方向 k 個尺度上進(jìn)行濾波，得到的響應(yīng)可以組成一個 m×k 維的特征向量，然后就可以基于這個向量來選取注視點[6]。

在以上研究的基礎(chǔ)上，本人針對智能試衣系統(tǒng)中的服裝區(qū)域提取問題提出了一種服裝區(qū)域定位提取方案，本方案是通過圖像灰度化、Sobel、二值化、封閉區(qū)域填充方式和積分投影法等圖像處理技術(shù)相結(jié)合來定位出人像中的服裝區(qū)域。通過實驗驗證本方法能夠?qū)⒎b區(qū)域的定位效果較好地呈現(xiàn)出來。

2 人像中服裝定位

2.1灰度化

圖形圖像處理方法絕大多數(shù)都是對灰度圖像進(jìn)行處理?；叶然ň褪菍⒃噬珗D通過平均值法的灰度化效果使其變成灰度圖，從而可以減少圖像的色彩特征，為后續(xù)的處理奠定基礎(chǔ)。處理效果如圖2所示：

平均值法：

2.2 Sobel算子處理

對灰度圖進(jìn)行Sobel算子處理，就可以形成梯度增強(qiáng)的圖像同時也讓圖像的邊界部分更加明顯.從而可以在圖片中凸顯出人像的輪廓部分。處理效果如圖3所示：

具體算子方法如下：

2.3二值化

將Sobel效果圖在進(jìn)行二值化，通過二值化使得整個人體的圖像輪廓能夠凸顯出來.常用的二值化方法有直方圖求閾值，基本的全局閾值法和Otsu.這里采用的是基本全局閾值法。處理效果如圖4所示：

基本全局閾值法：

1）計算圖像平均灰度作為初始閾值T。

2）利用該閾值變換函數(shù)（1）的計算，求出兩組灰度，并計算兩組灰度的平均值m1，m2。

3）計算新的閾值。

4）重復(fù)步驟2，3，直到最近兩次迭代的閾值差小于給定的誤差為止。

2.4創(chuàng)新方法

在對圖像二值化以后，圖像中的白點分布不均勻，這樣對后續(xù)使用的圖像分割產(chǎn)生一些影響而使得我們不好提取我們需要的服裝區(qū)域，所以針對此項瓶頸從而提出一種封閉區(qū)區(qū)域填充的方式讓圖像能夠更好的分割。其處理效果如圖5所示：

創(chuàng)新點：封閉區(qū)域填充方式：遍歷整幅圖的像素點，如果此像素點上面，下面，左邊，右邊都有封閉的白點把它圍住，那么也將此點變白，如果其上下左右有一邊沒有被圍住那么此點將會變黑。

2.5積分投影法

水平積分投影是將每一行像素的灰度值求和后投影到垂直方向上，設(shè)f（x，y）是圖像中像素點（x，y）處的灰度值，且x的范圍為x1<=x<=x2.則水平積分投影為：

垂直積分投影是將每一列像素的灰度值求和后投影到水平方向上的，當(dāng)y的取值范圍為y1<=y<=y2，則垂直積分投影為

3 人像中服裝區(qū)域定位效果圖

4 總結(jié)和未來展望

從上述的圖像效果中可以看出本方案已經(jīng)實現(xiàn)了人像中服裝區(qū)域基本的定位分割功能效果，能夠通過一些圖像處理的方法并結(jié)合自己提出的一些方案能夠很好地定位出人像中的服裝區(qū)域，從而為整個智能試衣系統(tǒng)的實現(xiàn)奠定了核心基礎(chǔ)。

雖然實現(xiàn)了初步定位效果，不過還是存在著一些不足，比如圖7所示人像服裝區(qū)域頭部和腿部定位不是特別的精確，而且這種定位功能目前只能針對純色單一的背景人像服裝的提取并且服裝顏色不能和背景顏色太相似，如果背景復(fù)雜的話或者服裝顏色與背景顏色相似那樣就會極大降低提取區(qū)域的準(zhǔn)確率.所以如何提高服裝定位區(qū)域的精確性和提高復(fù)雜圖片的適應(yīng)性也就成了后續(xù)智能試衣系統(tǒng)的研究重點。

參考文獻(xiàn)：

[1] Claudio M. Privitera， Lawrence W. Stark. Evaluating image processing algorithms that predict regions of interest， Pattern Recognition Letters， 1998（19）：1037-1043

[2] Claudio M. Privitera， Lawrence W. Stark. Algorithms for defining visualregions-of-interest： comparison with eye fixations， IEEE Transactions on PatternAnalysis and Machine Intelligence， 2000（9）：970-982

[3] Laurent Itti， Christof Koch， Ernst Niebur. A Model of Saliency-Based VisualAttention for Rapid Scene Analysis， IEEE Transactions on Pattern Analysis and Machine Intelligence， 1998（11）：1254-1259

[4] Laurent Itti， Christof Koch. Comparison of feature combination strategies for saliency-based visual attention systems， Proc. of SPIE ， 1999（3644）：473-482

[5] Laurent Itti， Christof Koch. Computational modeling of visual attention， Nature Reviews Neuroscience， 2001（3）：100-112

[6] Rajesh P.N. Rao， Dana H. Ballard. An active vision architecture based on iconic representations， Artificial Intelligence Journal， 1995（78）：461-505.