聊聊人像抠图背后的算法技术

本文分享自华为云社区《人像抠图：算法概述及工程实现（一）》，原文作者：杜甫盖房子。

本文将从算法概述、工程实现、优化改进三个方面阐述如何实现一个实时、优雅、精确的视频人像抠图项目。

什么是抠图

对于一张图I，我们感兴趣的人像部分称为前景F，其余部分为背景B，则图像I可以视为F与B的加权融合：I = alpha * F + (1 - alpha) * BI=alpha∗F+(1−alpha)∗B，而抠图任务就是找到合适的权重alpha。值得一提的是，如图，查看抠图ground truth可以看到，alpha是[0, 1]之间的连续值，可以理解为像素属于前景的概率，这与人像分割是不同的。如图，在人像分割任务中，alpha只能取0或1，本质上是分类任务，而抠图是回归任务。

抠图ground truth：

分割ground truth：

相关工作

我们主要关注比较有代表性的基于深度学习的抠图算法。目前流行的抠图算法大致可以分为两类，一种是需要先验信息的Trimap-based的方法，宽泛的先验信息包括Trimap、粗糙mask、无人的背景图像、Pose信息等，网络使用先验信息与图片信息共同预测alpha；另一种则是Trimap-free的方法，仅根据图片信息预测alpha，对实际应用更友好，但效果普遍不如Trimap-based的方法。

Trimap-based

Trimap是最常用的先验知识，顾名思义Trimap是一个三元图，每个像素取值为{0，128，255}其中之一，分别代表前景、未知与背景，如图。

Deep Image Matting

多数抠图算法采用了Trimap作为先验知识。Adobe在17年提出了Deep Image Matting[^1]，这是首个端到端预测alpha的算法，整个模型分Matting encoder-decoder stage与Matting refinement stage两个部分，Matting encoder-decoder stage是第一部分，根据输入图像与对应的Trimap，得到较为粗略的alpha matte。Matting refinement stage是一个小的卷积网络，用来提升alpha matte的精度与边缘表现。

本文在当时达到了state-of-the-art，后续很多文章都沿用了这种“粗略-精细”的抠图思路，此外，由于标注成本高，过去抠图任务的数据是非常有限的。本文还通过合成提出了一个大数据集Composition-1K，将精细标注的前景与不同背景融合，得到了45500训练图像和1000测试图像，大大丰富了抠图任务的数据。

Background Matting

Background Matting[^2]是华盛顿大学提出的抠图算法，后续发布了Backgroun MattingV2，方法比较有创新点，并且在实际工程应用中取得了不错的效果。

同时，由于Adobe的数据都是基于合成的，为了更好的适应真实输入，文中提出一个自监督网络训练G_{Real}GReal来对未标注的真实输入进行学习。G_{Real}GReal输入与G_{Adobe}GAdobe相同，用G_{Adobe}GAdobe输出的alpha matte与F来监督G_{Real}GReal的输出得到loss，此外，G_{Real}GReal的输出合成得到的RGB还将通过一个鉴别器来判断真伪得到第二个loss，共同训练G_{Real}GReal。

文中列举了一些使用手机拍摄得到的测试结果，可以看到大部分情况结果还是很不错的。

Background Matting V2

Background Matting得到了不错的效果，但该项目无法实时运行，也无法很好的处理高分辨率输入。所以项目团队又推出了Background Matting V2[^3]，该项目可以以30fps的速度在4k输入上得到不错的结果。

文章实现高效高分辨率抠图的一个重要想法是，alpha matte中大部分像素是0或1，只有少量的区域包含过渡像素。因此文章将网络分为base网络和refine网络，base网络对低分辨率图像进行处理，refine网络根据base网络的处理结果选择原始高分辨率图像上特定图像块进行处理。

base网络输入为c倍下采样的图像与背景，通过encoder-decoder输出粗略的alpha matte、F、error map与hidden features。将采样c倍得到的error map E_cEc上采样到原始分辨率的\frac{1}{4}41为E_4E4，则E_4E4每个像素对应原图4x4图像块，从E_4E4选择topk error像素，即为原始topk error 4x4图像块。在选择出的像素周围裁剪出多个8x8图像块送入refine网络。refine网络是一个two-stage网络，首先将输入通过部分CBR操作得到第一阶段输出，与原始输入中提取的8x8图像块cat后输入第二阶段，最后将refine后的图像块与base得到的结果交换得到最终的alpha matte和F。

此外文章还发布了两个数据集：视频抠图数据集VideoMatte240K与图像抠图数据集PhotoMatte13K/85。VideoMatte240K收集了484个高分辨率视频，使用Chroma-key软件生成了240000+前景和alpha matte对。PhotoMatte13K/85则是在良好光照下拍摄照片使用软件和手工调整的方法得到13000+前景与alpha matte数据对。大型数据集同样是本文的重要贡献之一。

此外还有一些文章如Inductive Guided Filter[^4]、MGMatting[^5]等，使用粗略的mask作为先验信息预测alpha matte，在应用时也比trimap友好很多。MGMatting同时也提出了一个有636张精确标注人像的抠图数据集RealWorldPortrait-636，可以通过合成等数据增广方法扩展使用。

Trimap-free

实际应用中先验信息获取起来是很不方便的，一些文章将先验信息获取的部分也放在网络中进行。

Semantic Human Matting

阿里巴巴提出的Semantic Human Matting[^6]同样分解了抠图任务，网络分为三个部分，T-Net对像素三分类得到Trimap，与图像concat得到六通道输入送入M-Net，M-Net通过encoder-decoder得到较为粗糙的alpha matte，最后将T-Net与M-Net的输出送入融合模块Fusion Module，最终得到更精确的alpha matte。

网络训练时的alpha loss分为alpha loss与compositional loss，与DIM类似，此外还加入了像素分类lossL_tLt，最终loss为：L = L_p + L_t=L_\alpha + L_c + L_tL=Lp+Lt=Lα+Lc+Lt。文章实现了端到端Trimap-free的抠图算法，但较为臃肿。此外文章提出Fashion Model数据集，从电商网站收集整理了35000+标注的图片，但并没有开放。

Modnet

modnet[^7]认为神经网络更擅长学习单一任务，所以将抠图任务分为三个子任务，分别进行显式监督训练和同步优化，最终可以以63fps在512x512输入下达到soft结果，因此在后续的工程实现中我也选择了modnet作为Baseline。

网络的三个子任务分别是Semantic Estimation、Detail Prediction和Semantic-Detail Fusion，Semantic Estimation部分由backbone与decoder组成，输出相对于输入下采样16倍的semantics，用来提供语义信息，此任务的ground truth是标注的alpha经过下采样与高斯滤波得到的。 Detail Prediction任务输入有三个：原始图像、semantic分支的中间特征以及S分支的输出S_pSp，D分支同样是encoder-decoder结构，值得留意的该分支的loss，由于D分支只关注细节特征，所以通过ground truth alpha生成trimap，只在trimap的unknown区域计算d_pdp与\alpha_gαg的L_1L1损失。F分支对语义信息与细节预测进行融合，得到最终的alpha matte与ground truth计算L_1L1损失，网络训练的总损失为：L=\lambda_sL_s + \lambda_dL_d+\lambda_{\alpha}L_{\alpha}L=λsLs+λdLd+λαLα。

最后，文章还提出了一种使视频结果在时间上更平滑的后处理方式OFD，在前后两帧较为相似而中间帧与前后两帧距离较大时，使用前后帧的平均值平滑中间帧，但该方法会导致实际结果比输入延迟一帧。

此外，U^2U2-Net、SIM等网络可以对图像进行显著性抠图，感兴趣的话可以关注一下。

数据集

Adobe Composition-1K

matting_human_datasets

VideoMatte240K

PhotoMatte85

RealWorldPortrait-636

评价指标

常用的客观评价指标来自于2009年CVPR一篇论文[^8]，主要有：

此外，可以在paperwithcode上查看Image Matting任务的相关文章，在Alpha Matting网站上查看一些算法的evaluation指标。

本项目的最终目的是在HiLens Kit硬件上落地实现实时视频读入与背景替换，开发环境为HiLens配套在线开发环境HiLens Studio，先上一下对比baseline的改进效果：

使用modnet预训练模型modnet_photographic_portrait_matting.ckpt进行测试结果如下：

可以看到由于场景较为陌生、逆光等原因会导致抠图结果有些闪烁，虽然modnet可以针对特定视频进行自监督finetune，但我们的目的是在普遍意义上效果更好，因此没有对本视频进行自监督学习。

优化后的模型效果如下：

本视频并没有作为训练数据。可以看到，抠图的闪烁情况减少了很多，毛发等细节也基本没有损失。

工程落地

为了测试baseline效果，首先我们要在使用场景下对baseline进行工程落地。根据文档导入/转换本地开发模型可知

昇腾310 AI处理器支持模型格式为".om"，对于Pytorch模型来说可以通过"Pytorch->Caffe->om"或"Pytorch->onnx->om"（新版本）的转换方式得到，这里我选择的是第一种。Pytorch->Caffe模型转换方法与注意事项在之前的博客中有具体阐述过，这里不赘述。转换得到Caffe模型后，可以在HiLens Studio中直接转为om模型，非常方便。

首先在HiLens Studio中新建一个技能，此处选择了空模板，只需要修改一下技能名称就可以。

将Caffe模型上传到model文件夹下：

在控制台中运行模型转换命令即可得到可以运行的om模型：

/opt/ddk/bin/aarch64-linux-gcc7.3.0/omg --model=./modnet_portrait_320.prototxt --weight=./modnet_portrait_320.caffemodel --framework=0 --output=./modnet_portrait_320 --insert_op_conf=./aipp.cfg

接下来完善demo代码。在测试时HiLens Studio可以在工具栏选择使用视频模拟摄像头输入，或连接手机使用手机进行测试：

具体的demo代码如下：

# -*- coding: utf-8 -*-
# !/usr/bin/python3
# HiLens Framework 0.2.2 python demo
​
import cv2
import os
import hilens
import numpy as np
from utils import preprocess
import time
​
​
def run(work_path):
    hilens.init("hello")  # 与创建技能时的校验值一致
​
    camera = hilens.VideoCapture('test/camera0_2.mp4')  # 模拟输入的视频路径
    display = hilens.Display(hilens.HDMI)
​
    # 初始化模型
    model_path = os.path.join(work_path, 'model/modnet_portrait_320.om') # 模型路径
    model = hilens.Model(model_path)
​
    while True:
        try:
            input_yuv = camera.read()
            input_rgb = cv2.cvtColor(input_yuv, cv2.COLOR_YUV2RGB_NV21)
            # 抠图后替换的背景
            bg_img = cv2.cvtColor(cv2.imread('data/tiantan.jpg'), cv2.COLOR_BGR2RGB) 
            crop_img, input_img = preprocess(input_rgb)  # 预处理
            s = time.time()
            matte_tensor = model.infer([input_img.flatten()])[0]
            print('infer time:', time.time() - s)
            matte_tensor = matte_tensor.reshape(1, 1, 384, 384)
​
            alpha_t = matte_tensor[0].transpose(1, 2, 0)
            matte_np = cv2.resize(np.tile(alpha_t, (1, 1, 3)), (640, 640))
            fg_np = matte_np * crop_img + (1 - matte_np) * bg_img  # 替换背景
            view_np = np.uint8(np.concatenate((crop_img, fg_np), axis=1))
            print('all time:', time.time() - s)
​
            output_nv21 = hilens.cvt_color(view_np, hilens.RGB2YUV_NV21)
            display.show(output_nv21)
​
        except Exception as e:
            print(e)
            break
​
    hilens.terminate()

其中预处理部分的代码为：

import cv2
import numpy as np
​
​
TARGET_SIZE = 640
MODEL_SIZE = 384
​
​
def preprocess(ori_img):
    ori_img = cv2.flip(ori_img, 1)
    H, W, C = ori_img.shape
    x_start = max((W - min(H, W)) // 2, 0)
    y_start = max((H - min(H, W)) // 2, 0)
    crop_img = ori_img[y_start: y_start + min(H, W), x_start: x_start + min(H, W)]
    crop_img = cv2.resize(crop_img, (TARGET_SIZE, TARGET_SIZE))
    input_img = cv2.resize(crop_img, (MODEL_SIZE, MODEL_SIZE))
​
    return crop_img, input_img

demo部分的代码非常简单，点击运行即可在模拟器中看到效果：

模型推理耗时44ms左右，端到端运行耗时60ms左右，达到了我们想要的实时的效果。

效果改进

预训练模型在工程上存在着时序闪烁的问题，原论文中提出了一种使视频结果在时间上更平滑的后处理方式OFD，即用前后两帧平均误差大的中间帧。但这种办法只适合慢速运动，同时会导致一帧延迟，而我们希望可以对摄像头输入进行实时、普适的时序处理，因此OFD不适合我们的应用场景。

在Video Object Segmentation任务中有一些基于Memory Network的方法（如STM），抠图领域也有新论文如DVM考虑引入时序记忆单元使抠图结果在时序上更稳定，但这些方法普遍需要前后n帧信息，在资源占用、推理实时性、适用场景上都与我们希望的场景不符合。

考虑到资源消耗与效果的平衡，我们采用将前一帧的alpha结果cat到当前帧RGB图像后共同作为输入的方法来使网络在时序上更稳定。

网络上的修改非常简单，只需在模型初始化时指定in_channels = 4：

modnet = MODNet(in_channels=4, backbone_pretrained=False)

训练数据方面，我们选择一些VideoMatting的数据集：VideoMatte240K、ConferenceVideoSegmentationDataset。

最初，我们尝试将前一帧alpha作为输入、缺失前帧时补零这种简单的策略对模型进行训练：

if os.path.exists(os.path.join(self.alpha_path, alpha_pre_path)):
    alpha_pre = cv2.imread(os.path.join(self.alpha_path, alpha_pre_path))
else:
    alpha_pre = np.zeros_like(alpha)
 
net_input = torch.cat([image, alpha_pre], dim=0)

收敛部署后发现，在场景比较稳定时模型效果提升较大，而在人进、出画面时模型适应较差，同时如果某一帧结果较差，将对后续帧产生很大影响。针对这些问题，考虑制定相应的数据增强的策略来解决问题。

人进、出画面时模型适应较差：数据集中空白帧较少，对人物入画出画学习不够，因此在数据处理时增加空白帧概率：

if os.path.exists(os.path.join(self.alpha_path, alpha_pre_path)) and random.random() < 0.7:
    alpha_pre = cv2.imread(os.path.join(self.alpha_path, alpha_pre_path))
else:
    alpha_pre = np.zeros_like(alpha)

某一帧结果较差，将对后续帧产生很大影响：目前的结果较为依赖前一帧alpha，没有学会抛弃错误结果，因此在数据处理时对alpha_pre进行一定概率的仿射变换，使网络学会忽略偏差较大的结果；
此外，光照问题仍然存在，在背光或光线较强处抠图效果较差：对图像进行光照增强，具体的，一定概率情况下模拟点光源或线光源叠加到原图中，使网络对光照更鲁棒。光照数据增强有两种比较常用的方式，一种是通过opencv进行简单的模拟，具体可以参考augmentation.py，另外还有通过GAN生成数据，我们使用opencv进行模拟。

重新训练后，我们的模型效果已经可以达到前文展示的效果，在16T算力的HiLens Kit上完全达到了实时、优雅的效果。进一步的，我还想要模型成为耗时更少、效果更好的优秀模型~目前在做的提升方向是：

更换backbone：针对应用硬件选择合适的backbone一向是提升模型性价比最高的方法，直接根据耗时与资源消耗针对硬件搜一个模型出来最不错，目前搜出来的模型转为onnx测试结果（输入192x192）：

GPU:
Average Performance excluding first iteration. Iterations 2 to 300. (Iterations greater than 1 only bind and evaluate)
  Average Bind: 0.124713 ms
  Average Evaluate: 16.0683 ms
​
  Average Working Set Memory usage (bind): 6.53219e-05 MB
  Average Working Set Memory usage (evaluate): 0.546117 MB
​
  Average Dedicated Memory usage (bind): 0 MB
  Average Dedicated Memory usage (evaluate): 0 MB
​
  Average Shared Memory usage (bind): 0 MB
  Average Shared Memory usage (evaluate): 0.000483382 MB
 
CPU:
Average Performance excluding first iteration. Iterations 2 to 300. (Iterations greater than 1 only bind and evaluate)
  Average Bind: 0.150212 ms
  Average Evaluate: 13.7656 ms
​
  Average Working Set Memory usage (bind): 9.14507e-05 MB
  Average Working Set Memory usage (evaluate): 0.566746 MB
​
  Average Dedicated Memory usage (bind): 0 MB
  Average Dedicated Memory usage (evaluate): 0 MB
​
  Average Shared Memory usage (bind): 0 MB
  Average Shared Memory usage (evaluate): 0 MB

模型分支：在使用的观察中发现，大部分较为稳定的场景可以使用较小的模型得到不错的结果，所有考虑finetune LRBranch处理简单场景，HRBranch与FusionBranch依旧用来处理复杂场景，这项工作还在进行中。

[^1]: Xu, Ning, et al. “Deep image matting.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2017
[^2]:Sengupta, Soumyadip, et al. “Background matting: The world is your green screen.” Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020.
[^3]:Lin, Shanchuan, et al. “Real-Time High-Resolution Background Matting.” arXiv preprint arXiv:2012.07810 (2020).
[^4]:Li, Yaoyi, et al. “Inductive Guided Filter: Real-Time Deep Matting with Weakly Annotated Masks on Mobile Devices.” 2020 IEEE International Conference on Multimedia and Expo (ICME). IEEE, 2020.
[^5]: Yu, Qihang, et al. “Mask Guided Matting via Progressive Refinement Network.” arXiv e-prints (2020): arXiv-2012.
[^6]: Chen, Quan, et al. “Semantic human matting.” Proceedings of the 26th ACM international conference on Multimedia. 2018.
[^7]: Ke, Zhanghan, et al. “Is a Green Screen Really Necessary for Real-Time Human Matting?.” arXiv preprint arXiv:2011.11961 (2020).
[^8]:Rhemann, Christoph, et al. “A perceptually motivated online benchmark for image matting.” 2009 IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2009.

点击关注，第一时间了解华为云新鲜技术~

posted @ 2021-05-13 14:27 华为云开发者联盟阅读(1960) 评论(1) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部