本发明属于计算机视觉技术领域，更具体地，涉及一种眉毛图像分割方法和系统。
背景技术：
生物特征识别作为信息安全的一个重要方面，已经越来越得到人们的重视。目前人们研究和使用的生物特征识别技术主要有：人脸识别、虹膜识别、指纹识别、声音识别等。眉毛作为人脸上的一个重要特征，具有作为识别特征的普遍性、唯一性、稳定性和可采集性。
应用眉毛进行人脸识别目前主要包括传统机器学习方法，以及深度学习方法。传统机器学习的优点是速度快，但是其鲁棒性差；深度学习方法的优点则是鲁棒性高，识别精度高，但是其模型笨重，运算效率低，速度慢。
技术实现要素：
针对现有技术的以上缺陷或改进需求，本发明提供了一种眉毛图像分割方法和系统，其目的在于，通过确定眉毛候选区域并进而对其进行精确分割的方式，平衡运算效率和鲁棒性，从而解决现有机器学习方法鲁棒性差，以及现有深度学习方法运算效率低、速度慢的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种眉毛图像分割方法，包括以下步骤：
(1)获取人脸图像，使用级联回归树算法对该人脸图像进行处理，以得到多个有序的人脸特征点；
(2)根据步骤(1)中得到的多个有序的人脸特征点分别获取左眉毛和右眉毛的候选区域；
(3)使用步骤(2)得到的左眉毛和右眉毛的候选区域从数据集中提取左眉毛和右眉毛的图像，从而生成新的数据集；
(4)采用生成的新的数据集对全卷积网络进行训练，以得到训练后的局部眉毛分割模型。
优选地，当人脸图像为倾斜时，需要对该人脸图像进行旋转，以得到竖直方向的人脸图像，旋转的角度α等于：
其中xa表示人脸特征点中位于鼻梁顶部的特征点的横坐标，ya表示人脸特征点中位于鼻梁顶部的特征点的纵坐标，xb表示人脸特征点中位于鼻尖部的特征点的横坐标，yb表示人脸特征点中位于鼻尖部的特征点的纵坐标。
优选地，步骤(2)具体包括以下子步骤：
(2-1)在步骤(1)得到的多个有序的人脸特征点中分别确定左眉毛的左端点c、右端点d、顶部端点e，左眼的顶点f，以及右眉毛的左端点g、右端点h、顶部端点i，右眼的顶点j；
(2-2)根据步骤(2-1)确定的不同端点并使用以下公式计算左眉毛候选区域的位置；
(2-3)根据步骤(2-1)确定的不同端点并使用以下公式计算右眉毛候选区域的位置。
优选地，步骤(2-2)具体采用以下公式：
xtl＝max(x0,(1+β)xc-βxc+1)
ytl＝max(0,(1+γ)ye-γyf)
xbr＝min(xa,(1+β)xd-βxd-1)
ybr＝max(yf,yd)
其中x0表示多个有序的人脸特征点中脸颊部分最左侧的点的横坐标，xtl表示左眉毛候选区域的左顶点的横坐标，ytl表示左眉毛候选区域的左顶点的纵坐标，xbr表示左眉毛候选区域的右底点的横坐标，ybr表示左眉毛候选区域的右底点的纵坐标，β表示横向冗余系数，γ表示纵向冗余系数。
优选地，步骤(2-3)具体采用以下公式：
xtr＝min(x0,(1+β)xh-βxh-1)
ytr＝max(0,(1+γ)yi-γyj)
xbl＝max(xa,(1+β)xg-βxg+1)
ybl＝max(yj,yg)
其中x0表示多个有序的人脸特征点中脸颊部分最右侧的点的横坐标，xtr表示右眉毛候选区域的右顶点的横坐标，ytr表示右眉毛候选区域的右顶点的纵坐标，xbl表示右眉毛候选区域的左底点的横坐标，ybl表示右眉毛候选区域的左底点的纵坐标。
优选地，全卷积网络采用u-net网络。
优选地，u-net网络的输入尺寸为361*361；u-net网络中第四层和第六层的特征深度为256，第五层的特征深度为512。
按照本发明的另一方面，提供了一种眉毛图像分割系统，包括：
第一模块，用于获取人脸图像，使用级联回归树算法对该人脸图像进行处理，以得到多个有序的人脸特征点；
第二模块，用于根据第一模块中得到的多个有序的人脸特征点分别获取左眉毛和右眉毛的候选区域；
第三模块，用于使用第二模块得到的左眉毛和右眉毛的候选区域从数据集中提取左眉毛和右眉毛的图像，从而生成新的数据集；
第四模块，用于采用生成的新的数据集对全卷积网络进行训练，以得到训练后的局部眉毛分割模型。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明能够解决传统机器学习方法中存在的鲁棒性差的技术问题：由于本发明通过在步骤(4)中引入全卷积网络，利用了深度学习的优势，实现了高的分割精确度和鲁棒性。
(2)本发明能够解决现有深度学习方法存在的运算效率低、速度慢的技术问题的技术问题：本发明通过步骤(2)获取左右眉毛的候选区域，从而缩小了深度学习网络的输入尺寸，减少了计算量，从而加速了整个系统的运算速度。
附图说明
图1是本发明方法的步骤(1)中采用不同版本海伦数据集得到的人脸特征点示意图。
图2是采用海伦数据集得到的68个人脸特征点分布示意图。
图3是本发明方法的步骤(2)中确定的左眉毛候选区域的示意图。
图4示出本发明方法的步骤(3)中得到的新的数据集的图像。
图5示出本发明方法的步骤(3)中得到的新的数据集的标注。
图6示出本发明方法的步骤(4)中得到的训练后的示例性局部眉毛分割模型。
图7是本发明的眉毛图像分割方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图7所示，本发明的眉毛图像分割方法包括以下步骤：
(1)获取人脸图像，使用级联回归树算法(ensembleofregressiontrees)对该人脸图像进行处理，以得到多个有序的人脸特征点；
具体而言，得到的人脸特征点数量是和级联回归树算法训练过程中所使用的数据集(dataset)有关。例如，当使用不同版本的海伦数据集(helendataset)时，得到的人脸特征点数量可以是68个或194个，分别如图1(a)和(b)所示。
参见图2所示，其示出了得到的68个人脸特征点的具体分布。
需要注意的是，当人脸图像为倾斜时，此时需要对该人脸图像进行旋转，以得到竖直方向的人脸图像，旋转的角度α等于：
其中xa表示人脸特征点中位于鼻梁顶部的特征点的横坐标，ya表示人脸特征点中位于鼻梁顶部的特征点的纵坐标，xb表示人脸特征点中位于鼻尖部的特征点的横坐标，yb表示人脸特征点中位于鼻尖部的特征点的纵坐标。
(2)根据步骤(1)中得到的多个有序的人脸特征点分别获取左眉毛和右眉毛的候选区域；
本步骤具体包括以下子步骤：
(2-1)在步骤(1)得到的多个有序的人脸特征点中分别确定左眉毛的左端点c、右端点d、顶部端点e，左眼的顶点f，以及右眉毛的左端点g、右端点h、顶部端点i，右眼的顶点j；
(2-2)根据步骤(2-1)确定的不同端点并使用以下公式计算左眉毛候选区域的位置，具体采用以下公式：
xtl＝max(x0,(1+β)xc-βxc+1)
ytl＝max(0,(1+γ)ye-γyf)
xbr＝min(xa,(1+β)xd-βxd-1)
ybr＝max(yf,yd)
其中x0表示多个有序的人脸特征点中脸颊部分最左侧的点的横坐标，xtl表示左眉毛候选区域的左顶点的横坐标，ytl表示左眉毛候选区域的左顶点的纵坐标，xbr表示左眉毛候选区域的右底点的横坐标，ybr表示左眉毛候选区域的右底点的纵坐标，β表示横向冗余系数，其取值为1到2之间的任意小数，γ表示纵向冗余系数，其取值为0.5到2之间的任意小数。
如图3所示，可以看到本步骤中确定的左眉毛候选区域。
(2-3)根据步骤(2-1)确定的不同端点并使用以下公式计算右眉毛候选区域的位置，具体采用以下公式：
xtr＝min(x0,(1+β)xh-βxh-1)
ytr＝max(0,(1+γ)yi-γyj)
xbl＝max(xa,(1+β)xg-βxg+1)
ybl＝max(yj,yg)
其中x0表示多个有序的人脸特征点中脸颊部分最右侧的点的横坐标，xtr表示右眉毛候选区域的右顶点的横坐标，ytr表示右眉毛候选区域的右顶点的纵坐标，xbl表示右眉毛候选区域的左底点的横坐标，ybl表示右眉毛候选区域的左底点的纵坐标。
(3)使用步骤(2)得到的左眉毛和右眉毛的候选区域从数据集中提取左眉毛和右眉毛的图像，从而生成新的数据集(该数据集的图像如图4所示，该数据集的标注如图5所示)；
(4)采用生成的新的数据集对全卷积网络进行训练，以得到训练后的局部眉毛分割模型，其示例如图6所示；
在本实施方式中，全卷积网络采用u-net网络。
由于步骤(3)生成的新的数据集的图像尺寸比原始图像尺寸更小，因此将u-net网络的输入尺寸(inputsize)从572*572修改为361*361，从而减少步骤(4)中训练过程的计算量，实现轻量化的全卷积网络模型。
由于步骤(3)生成的新的数据集的图像背景较为单一，特征层次较低，因此将u-net网络中第四层和第六层的特征深度(featuredepth)从512修改为256，将第五层的特征深度从1024修改为512，从而减少步骤(4)中训练过程的计算量，实现轻量化的全卷积网络模型。
实验结果
使用单个显卡(gtx950m2g)对本发明的算法进行训练和测试，得到本发明算法与现有的u-net网络的以下表1中所列的参数比较：
表1耗时比较
从上表可以看出，本发明优化后的u-net网络比现有u-net网络极大地缩短了训练时间和测试时间。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。