一种用于确定图像中的人物轮廓的方法和装置的制造方法
【技术领域】
[0001]本发明涉及计算机技术领域，尤其涉及一种用于确定图像中的人物轮廓的方法和
目.0
【背景技术】
[0002]现有技术中，人物轮廓的提取往往很复杂，需要大量运算。因而，现有技术中缺乏一种行之有效地人物轮廓提取方式。
【发明内容】
[0003]本发明的目的是提供一种用于确定图像中的人物轮廓的方法和装置。
[0004]根据本发明的一个方面，提供一种用于确定图像中的人物轮廓的方法，其中，该方法包括以下步骤:
[0005]将所述图像划分为多个分块；
[0006]根据所述多个分块的至少一个分块中每个分块对应的图像信息，确定所述每个分块的分块属性，其中，所述分块属性用于指示分块属于人物区域或非人物区域；
[0007]根据所述至少一个分块的分块属性，确定所述图像中的人物轮廓。
[0008]根据本发明的另一个方面，还提供了一种用于确定图像中的人物轮廓的装置，其中，该装置包括以下装置:
[0009]用于将所述图像划分为多个分块的装置；
[0010]用于根据所述多个分块的至少一个分块中每个分块对应的图像信息，确定所述每个分块的分块属性的装置，其中，所述分块属性用于指示分块属于人物区域或非人物区域；
[0011]用于根据所述至少一个分块的分块属性，确定所述图像中的人物轮廓的装置。
[0012]与现有技术相比，本发明具有以下优点:1)将图像划分为多个分块，并根据多个分块中至少一个分块中的每个分块的分块属性，来确定图像中的人物轮廓，由此提供较佳的人物轮廓确定方案；2)用户可随时通过计算机设备将自认为较好的人物轮廓作为人物轮廓模板上传至社区网络，使得网络中的用户可以借鉴该人物轮廓模板来确定更适合自身的拍照姿势，或者，下载该人物轮廓模板用于在拍照中使用，从而形成良性循环，为用户提供更丰富的人物轮廓模板；3)人物轮廓模板可在社区网络中进行统一管理，以使用户不需要到不同的网站搜索照片来学习姿势，且更方便用户的选择，可进一步节省用户寻找或学习姿势的时间，这尤其适用于不擅长在拍照时摆姿势的用户；4)可通过先识别较大分块的分块属性，来较为快速地识别出人物轮廓附近的分块，并可对人物轮廓附近的分块进行再次划分，并基于再次划分得到的子分块的子分块属性来获得更加精确和逼真的人物轮廓，由此，能够在提高人物轮廓识别速度的同时，获得较为精确的人物轮廓识别效果。
【附图说明】
[0013]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显:
[0014]图1为本发明一个实施例的用于确定图像中的人物轮廓的方法的流程示意图；
[0015]图2为本发明另一个实施例的用于确定图像中的人物轮廓的方法的流程示意图；
[0016]图3为本发明一个实施例的用于确定图像中的人物轮廓的装置的结构示意图；
[0017]图4为本发明另一个实施例的用于确定图像中的人物轮廓的装置的结构示意图；
[0018]图5为本发明一个示例的包含人物的图像的示意图；
[0019]图6为本发明一个示例的两种人物轮廓的示意图；
[0020]图7为本发明一个示例的部分人物轮廓附近的分块的示意图。
[0021]附图中相同或相似的附图标记代表相同或相似的部件。
【具体实施方式】
[0022]下面结合附图对本发明作进一步详细描述。
[0023]图1为本发明一个实施例的用于确定图像中的人物轮廓的方法的流程示意图。
[0024]其中，本实施例的方法主要通过计算机设备来实现；所述计算机设备包括网络设备和用户设备；所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机；所述网络设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
[0025]所述用户设备包括但不限于PC机、平板电脑、智能手机、PDA、数码相机等。
[0026]需要说明的是，所述计算机设备仅为举例，其他现有的或今后可能出现的计算机设备如可适用于本发明，也应包含在本发明保护范围以内，并以引用方式包含于此。
[0027]根据本实施例的方法包括步骤S1、步骤S2和步骤S3。
[0028]在步骤SI中，计算机设备将图像划分为多个分块。
[0029]例如，计算机设备将图1所示的图像划分为多个分块。
[0030]具体地，计算机设备可采用多种方式将图像划分为多个分块。
[0031]例如，计算机设备根据图像的长宽比例将该图像划分为多个分块；如图像的长宽比例为16:9，则计算机设备将该图像平均划分为k*(16*9)个分块，其中，k为自然数。
[0032]又例如，计算机设备将图像平均划分为预定分块数量个分块；如预定数量为64，计算机设备直接将图像平均分割为8*8个分块。
[0033]需要说明的是，所述分块可具有多种形状，如长方形、扇形或其它不规则形状等，并且，图像被划分得到的多个分块的形状和/或大小可能是不相同的。例如，计算机设备将长方形的图像均匀地划分为M*N个分块(M为水平方向上的分块数量，N为垂直方向上的分块数量)，该M*N个分块为大小相同的长方形分块。又例如，计算机设备将椭圆形图像划分为M*N个分块，该图像边缘位置的分块为扇形，中间位置的分块为长方形。
[0034]需要说明的是，所述多个分块可能部分重叠。例如，图像像素为A*B(A为图像的像素长度，B为图像的像素宽度)，在步骤SI中，计算机设备将该图像划分为大小相同的M*N个分块，其中，每个分块的像素为均为m*n (m为分块的像素长度，η为分块的像素宽度)；则当图像的理论像素长度M*m的值大于图像实际的像素长度A时，该M*N个分块在水平方向上会出现部分重叠；当图像的理论像素宽度N*n的值大于图像实际的像素宽度B时，该M*N个分块在垂直方向上会出现部分重叠。
[0035]需要说明的是，上述举例仅为更好地说明本发明的技术方案，而非对本发明的限制，本领域技术人员应该理解，任何将图像划分为多个分块的实现方式，均应包含在本发明的范围内。
[0036]在步骤S2中，计算机设备根据该多个分块的至少一个分块中每个分块对应的图像信息，确定所述每个分块的分块属性。
[0037]其中，所述分块属性用于指示分块属于人物区域或非人物区域。例如，分块属性为“O”时指示分块属于人物区域，分块属性为“I”时指示分块属于非人物区域。其中，所述人物区域为图像中的人物所位于的区域，所述非人物区域为图像中人物区域以外的区域；例如图5为一个示例的包含人物的图像的示意图，该图所示的人物所位于的区域为人物区域，该人物区域以外的空白区域为非人物区域。
[0038]其中，每个分块对应的图像信息包括任何与该分块的图形特征相关的信息；优选地，每个分块对应的图像信息包括该分块所对应的图像区域的图像信息。优选地，所述图像信息包括但不限于分块的长宽比例、分块所对应的图像区域的分块的像素、分块的分辨率、分块的灰度值等。
[0039]具体地，计算机设备根据该多个分块的至少一个分块中每个分块对应的图像信息，确定所述每个分块的分块属性的实现方式包括但不限于:
[0040]I)计算机设备根据该多个分块的至少一个分块中每个分块对应的图像信息，并结合预定识别规则，确定所述每个分块的分块属性。
[0041]其中，所述预定识别规则包括任何预定的、能够根据分块的图像信息来确定分块的分块属性的规则。
[0042]例如，所述预定识别规则包括基于人物识别技术所定义的分块的图像信息与分块属性之间的关联规则；对于所述至少一个分块中的每个分块，结合该关联规则，计算机设备可根据该分块对应的图像信息，来确定该分块的分块属性。
[0043]2)计算机设备根据所述多个分块的至少一个分块中每个分块对应的图像信息作为分块属性分类器的输入，获得该分块属性分类器输出的、所述每个分块的分块属性。
[0044]其中，所述分块属性分类器包括任何能够根据分块的图像信息来输出分块的分块属性的分类器。优选地，所述分块属性分类器为基于图像块(patch)的二分类器；例如，分块属性分类器以分块的图像信息作为输入，以分块的分块属性作为输出，并且，当输出为“O”时指示该分块属于人物区域，当输出为“ I”时指示该分块属于非人物区域。
[0045]优选地，步骤S2采用上述实现方式2)时，本实施例的方法还包括以下步骤:计算机设备采用多个已确定分块属性的分块，对分块属性分类器模型进行训练，获得所述分块属性分类器。
[0046]例如，现有1000个分块，其中，600个分块的分块属性指示分块属于人物区域，其它的400个分块的分块属性指示分块属于非人物区域。计算机设备采用该1000个分块，对分块属性分类器模型进行训练，获得分块属性分类器，该分块属性分类器能够根据分块的图像信息来输出分块的分块属性。则在步骤SI中，计算机设备将图像划分为多个分块；在步骤S2中，计算机设备将该多个分块中每个分块对应的图像信息作为该分块属性分类器的输入，来获得该分块属性分类器输出的、每个分块的分块属性。
[0047]优选地，计算机设备可基于机器