本文分享自華為云社區《人像摳圖：算法概述及工程實現（一）》，原文作者：杜甫蓋房子 。

本文將從算法概述、工程實現、優化改進三個方面闡述如何實現一個實時、優雅、精確的視頻人像摳圖項目。

什么是摳圖

對于一張圖I， 我們感興趣的人像部分稱為前景F，其余部分為背景B，則圖像I可以視為F與B的加權融合：I = alpha * F + (1 - alpha) * BI=alpha?F+(1?alpha)?B，而摳圖任務就是找到合適的權重alpha。值得一提的是，如圖，查看摳圖ground truth可以看到，alpha是[0, 1]之間的連續值，可以理解為像素屬于前景的概率，這與人像分割是不同的。如圖，在人像分割任務中，alpha只能取0或1，本質上是分類任務，而摳圖是回歸任務。

摳圖ground truth：

分割ground truth：

相關工作

我們主要關注比較有代表性的基于深度學習的摳圖算法。目前流行的摳圖算法大致可以分為兩類，一種是需要先驗信息的Trimap-based的方法，寬泛的先驗信息包括Trimap、粗糙mask、無人的背景圖像、Pose信息等，網絡使用先驗信息與圖片信息共同預測alpha；另一種則是Trimap-free的方法，僅根據圖片信息預測alpha?，對實際應用更友好，但效果普遍不如Trimap-based的方法。

Trimap-based

Trimap是最常用的先驗知識，顧名思義Trimap是一個三元圖，每個像素取值為{0，128，255}其中之一，分別代表前景、未知與背景，如圖。

Deep Image Matting

多數摳圖算法采用了Trimap作為先驗知識。Adobe在17年提出了Deep Image Matting[^1]，這是首個端到端預測alpha的算法，整個模型分Matting encoder-decoder stage與Matting refinement stage兩個部分，Matting encoder-decoder stage是第一部分，根據輸入圖像與對應的Trimap，得到較為粗略的alpha matte。Matting refinement stage是一個小的卷積網絡，用來提升alpha matte的精度與邊緣表現。

本文在當時達到了state-of-the-art，后續很多文章都沿用了這種“粗略-精細”的摳圖思路，此外，由于標注成本高，過去摳圖任務的數據是非常有限的。本文還通過合成提出了一個大數據集Composition-1K，將精細標注的前景與不同背景融合，得到了45500訓練圖像和1000測試圖像，大大豐富了摳圖任務的數據。

Background Matting

Background Matting[^2]是華盛頓大學提出的摳圖算法，后續發布了Backgroun MattingV2，方法比較有創新點，并且在實際工程應用中取得了不錯的效果。

同時，由于Adobe的數據都是基于合成的，為了更好的適應真實輸入，文中提出一個自監督網絡訓練G_{Real}GReal?來對未標注的真實輸入進行學習。G_{Real}GReal?輸入與G_{Adobe}GAdobe?相同，用G_{Adobe}GAdobe?輸出的alpha matte與F來監督G_{Real}GReal?的輸出得到loss，此外，G_{Real}GReal?的輸出合成得到的RGB還將通過一個鑒別器來判斷真偽得到第二個loss，共同訓練G_{Real}GReal?。

文中列舉了一些使用手機拍攝得到的測試結果，可以看到大部分情況結果還是很不錯的。

Background Matting V2

Background Matting得到了不錯的效果，但該項目無法實時運行，也無法很好的處理高分辨率輸入。所以項目團隊又推出了Background Matting V2[^3]，該項目可以以30fps的速度在4k輸入上得到不錯的結果。

文章實現高效高分辨率摳圖的一個重要想法是，alpha matte中大部分像素是0或1，只有少量的區域包含過渡像素。因此文章將網絡分為base網絡和refine網絡，base網絡對低分辨率圖像進行處理，refine網絡根據base網絡的處理結果選擇原始高分辨率圖像上特定圖像塊進行處理。

base網絡輸入為c倍下采樣的圖像與背景，通過encoder-decoder輸出粗略的alpha matte、F、error map與hidden features。將采樣c倍得到的error map E_cEc?上采樣到原始分辨率的\frac{1}{4}41?為E_4E4?，則E_4E4?每個像素對應原圖4x4圖像塊，從E_4E4?選擇topk error像素，即為原始topk error 4x4圖像塊。在選擇出的像素周圍裁剪出多個8x8圖像塊送入refine網絡。refine網絡是一個two-stage網絡，首先將輸入通過部分CBR操作得到第一階段輸出，與原始輸入中提取的8x8圖像塊cat后輸入第二階段，最后將refine后的圖像塊與base得到的結果交換得到最終的alpha matte和F。

此外文章還發布了兩個數據集：視頻摳圖數據集VideoMatte240K與圖像摳圖數據集PhotoMatte13K/85。VideoMatte240K收集了484個高分辨率視頻，使用Chroma-key軟件生成了240000+前景和alpha matte對。PhotoMatte13K/85則是在良好光照下拍攝照片使用軟件和手工調整的方法得到13000+前景與alpha matte數據對。大型數據集同樣是本文的重要貢獻之一。

此外還有一些文章如Inductive Guided Filter[^4]、MGMatting[^5]等，使用粗略的mask作為先驗信息預測alpha matte，在應用時也比trimap友好很多。MGMatting同時也提出了一個有636張精確標注人像的摳圖數據集RealWorldPortrait-636，可以通過合成等數據增廣方法擴展使用。

Trimap-free

實際應用中先驗信息獲取起來是很不方便的，一些文章將先驗信息獲取的部分也放在網絡中進行。

Semantic Human Matting

阿里巴巴提出的Semantic Human Matting[^6]同樣分解了摳圖任務，網絡分為三個部分，T-Net對像素三分類得到Trimap，與圖像concat得到六通道輸入送入M-Net，M-Net通過encoder-decoder得到較為粗糙的alpha matte，最后將T-Net與M-Net的輸出送入融合模塊Fusion Module，最終得到更精確的alpha matte。

網絡訓練時的alpha loss分為alpha loss與compositional loss，與DIM類似，此外還加入了像素分類lossL_tLt?，最終loss為：L = L_p + L_t=L_\alpha + L_c + L_tL=Lp?+Lt?=Lα?+Lc?+Lt?。文章實現了端到端Trimap-free的摳圖算法，但較為臃腫。此外文章提出Fashion Model數據集，從電商網站收集整理了35000+標注的圖片，但并沒有開放。

Modnet

modnet[^7]認為神經網絡更擅長學習單一任務，所以將摳圖任務分為三個子任務，分別進行顯式監督訓練和同步優化，最終可以以63fps在512x512輸入下達到soft結果，因此在后續的工程實現中我也選擇了modnet作為Baseline。

網絡的三個子任務分別是Semantic Estimation、Detail Prediction和Semantic-Detail Fusion，Semantic Estimation部分由backbone與decoder組成，輸出相對于輸入下采樣16倍的semantics，用來提供語義信息，此任務的ground truth是標注的alpha經過下采樣與高斯濾波得到的。 Detail Prediction任務輸入有三個：原始圖像、semantic分支的中間特征以及S分支的輸出S_pSp?，D分支同樣是encoder-decoder結構，值得留意的該分支的loss，由于D分支只關注細節特征，所以通過ground truth alpha生成trimap，只在trimap的unknown區域計算d_pdp?與\alpha_gαg?的L_1L1?損失。F分支對語義信息與細節預測進行融合，得到最終的alpha matte與ground truth計算L_1L1?損失，網絡訓練的總損失為：L=\lambda_sL_s + \lambda_dL_d+\lambda_{\alpha}L_{\alpha}L=λs?Ls?+λd?Ld?+λα?Lα?。

最后，文章還提出了一種使視頻結果在時間上更平滑的后處理方式OFD，在前后兩幀較為相似而中間幀與前后兩幀距離較大時，使用前后幀的平均值平滑中間幀，但該方法會導致實際結果比輸入延遲一幀。

此外，U^2U2-Net、SIM等網絡可以對圖像進行顯著性摳圖，感興趣的話可以關注一下。

數據集

• Adobe Composition-1K

• matting_human_datasets

• VideoMatte240K

• PhotoMatte85

• RealWorldPortrait-636

評價指標

常用的客觀評價指標來自于2009年CVPR一篇論文[^8]，主要有：

此外，可以在paperwithcode上查看Image Matting任務的相關文章，在Alpha Matting網站上查看一些算法的evaluation指標。

本項目的最終目的是在HiLens Kit硬件上落地實現實時視頻讀入與背景替換，開發環境為HiLens配套在線開發環境HiLens Studio，先上一下對比baseline的改進效果：

使用modnet預訓練模型modnet_photographic_portrait_matting.ckpt進行測試結果如下：

可以看到由于場景較為陌生、逆光等原因會導致摳圖結果有些閃爍，雖然modnet可以針對特定視頻進行自監督finetune，但我們的目的是在普遍意義上效果更好，因此沒有對本視頻進行自監督學習。

優化后的模型效果如下：

本視頻并沒有作為訓練數據。可以看到，摳圖的閃爍情況減少了很多，毛發等細節也基本沒有損失。

工程落地

為了測試baseline效果，首先我們要在使用場景下對baseline進行工程落地。根據文檔導入/轉換本地開發模型可知

昇騰310 AI處理器支持模型格式為".om"，對于Pytorch模型來說可以通過"Pytorch->Caffe->om"或"Pytorch->onnx->om"（新版本）的轉換方式得到，這里我選擇的是第一種。Pytorch->Caffe模型轉換方法與注意事項在之前的博客中有具體闡述過，這里不贅述。轉換得到Caffe模型后，可以在HiLens Studio中直接轉為om模型，非常方便。

首先在HiLens Studio中新建一個技能，此處選擇了空模板，只需要修改一下技能名稱就可以。

將Caffe模型上傳到model文件夾下：

在控制臺中運行模型轉換命令即可得到可以運行的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

接下來完善demo代碼。在測試時HiLens Studio可以在工具欄選擇使用視頻模擬攝像頭輸入，或連接手機使用手機進行測試：

具體的demo代碼如下：

# -*- 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") # 與創建技能時的校驗值一致 ?camera = hilens.VideoCapture('test/camera0_2.mp4') # 模擬輸入的視頻路徑display = hilens.Display(hilens.HDMI) ?# 初始化模型model_path = os.path.join(work_path, 'model/modnet_portrait_320.om') # 模型路徑model = hilens.Model(model_path) ?while True:try:input_yuv = camera.read()input_rgb = cv2.cvtColor(input_yuv, cv2.COLOR_YUV2RGB_NV21)# 摳圖后替換的背景bg_img = cv2.cvtColor(cv2.imread('data/tiantan.jpg'), cv2.COLOR_BGR2RGB) crop_img, input_img = preprocess(input_rgb) # 預處理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 # 替換背景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()

其中預處理部分的代碼為：

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.shapex_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部分的代碼非常簡單，點擊運行即可在模擬器中看到效果：

模型推理耗時44ms左右，端到端運行耗時60ms左右，達到了我們想要的實時的效果。

效果改進

預訓練模型在工程上存在著時序閃爍的問題，原論文中提出了一種使視頻結果在時間上更平滑的后處理方式OFD，即用前后兩幀平均誤差大的中間幀。但這種辦法只適合慢速運動，同時會導致一幀延遲，而我們希望可以對攝像頭輸入進行實時、普適的時序處理，因此OFD不適合我們的應用場景。

在Video Object Segmentation任務中有一些基于Memory Network的方法（如STM），摳圖領域也有新論文如DVM考慮引入時序記憶單元使摳圖結果在時序上更穩定，但這些方法普遍需要前后n幀信息，在資源占用、推理實時性、適用場景上都與我們希望的場景不符合。

考慮到資源消耗與效果的平衡，我們采用將前一幀的alpha結果cat到當前幀RGB圖像后共同作為輸入的方法來使網絡在時序上更穩定。

網絡上的修改非常簡單，只需在模型初始化時指定in_channels = 4：

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

訓練數據方面，我們選擇一些VideoMatting的數據集：VideoMatte240K、ConferenceVideoSegmentationDataset。

最初，我們嘗試將前一幀alpha作為輸入、缺失前幀時補零這種簡單的策略對模型進行訓練：

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)

收斂部署后發現，在場景比較穩定時模型效果提升較大，而在人進、出畫面時模型適應較差，同時如果某一幀結果較差，將對后續幀產生很大影響。針對這些問題，考慮制定相應的數據增強的策略來解決問題。

• 人進、出畫面時模型適應較差：數據集中空白幀較少，對人物入畫出畫學習不夠，因此在數據處理時增加空白幀概率：

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)

• 某一幀結果較差，將對后續幀產生很大影響：目前的結果較為依賴前一幀alpha，沒有學會拋棄錯誤結果，因此在數據處理時對alpha_pre進行一定概率的仿射變換，使網絡學會忽略偏差較大的結果；
• 此外，光照問題仍然存在，在背光或光線較強處摳圖效果較差：對圖像進行光照增強，具體的，一定概率情況下模擬點光源或線光源疊加到原圖中，使網絡對光照更魯棒。光照數據增強有兩種比較常用的方式，一種是通過opencv進行簡單的模擬，具體可以參考augmentation.py，另外還有通過GAN生成數據，我們使用opencv進行模擬。

重新訓練后，我們的模型效果已經可以達到前文展示的效果，在16T算力的HiLens Kit上完全達到了實時、優雅的效果。進一步的，我還想要模型成為耗時更少、效果更好的優秀模型~目前在做的提升方向是：

• 更換backbone：針對應用硬件選擇合適的backbone一向是提升模型性價比最高的方法，直接根據耗時與資源消耗針對硬件搜一個模型出來最不錯，目前搜出來的模型轉為onnx測試結果（輸入192x192）：

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

• 模型分支：在使用的觀察中發現，大部分較為穩定的場景可以使用較小的模型得到不錯的結果，所有考慮finetune LRBranch處理簡單場景，HRBranch與FusionBranch依舊用來處理復雜場景，這項工作還在進行中。

[^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.

?

點擊關注，第一時間了解華為云新鮮技術~

總結

以上是生活随笔為你收集整理的聊聊人像抠图背后的算法技术的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。