聊聊人像抠图背后的算法技术

2022-03-11 作者: 华为云开发者社区

摘要：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。

本文分享自华为云社区，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groundtruth：

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 ImageMatting

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，Mattingencoder-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。

网络训练时使用了两个loss：alpha prediction loss与compositional loss。alpha prediction loss是网络预测得到的alpha matte与ground truth的逐像素绝对差的可微近似：L_{\alpha}^i =\sqrt{(\alpha_p^i - \alpha_g^i)^2 + \epsilon^2} \ , \alpha_p^i, \alpha_g^i \in[0, 1]Lαi=(αpi−αgi)2+ϵ2 ,αpi,αgi∈[0,1]；类似的，compositionalloss通过预测alpha matte得到预测前景，与真实背景结合得到预测RGB图像，与ground truth RGB图像逐像素计算绝对差计算loss：L_{c}^i = \sqrt{(c_p^i - c_g^i)^2 + \epsilon^2}Lci=(cpi−cgi)2+ϵ2。训练时首先更新encoder-decoder部分，收敛后再更新后一部分，最后微调整个网络。这种分段训练的技巧在很多其他任务里也较为常见。

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。

BackgroundMatting

Background Matting[^2]是华盛顿大学提出的抠图算法，后续发布了BackgrounMattingV2，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。

Backgroun Matting不需要输入trimap，而是输入图像或视频与对应的无人物背景，大大降低了实际应用的难度。网络由一个监督网络和一个半监督网络组成，作者首先使用Adobe数据集训练监督网络。原图经过处理得到soft segmentation S，此外还通过临近帧生成辅助信息motion prior M，与背景图一起送入监督网络。输入首先通过Context Switching block，相当于一个编码器，优势在于可以使网络更倾向于忽略相似背景，关注人物分割特征，同时也会使网络更适应真实世界的输入。接下来通过残差与解码模块输出alpha matte与前景F，计算alpha、F与RGB的误差得到loss进行训练：

L=\left\|\alpha-\alpha^{*}\right\|_{1}+\left\|\nabla(\alpha)-\nabla\left(\alpha^{*}\right)\right\|_{1}+2\left\|F-F^{*}\right\|_{1}+\|I-\alphaF-(1-\alpha) B\|_{1}L=∥α−α∗∥1+∥∇(α)−∇(α∗)∥1+2∥F−F∗∥1+∥I−αF−(1−α)B∥1。

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。

BackgroundMatting 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hiddenfeatures。将采样c倍得到的errormap 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。

网络训练时计算多种loss：对于alpha matte计算L_{\alpha}=\left\|\alpha-\alpha^{*}\right\|_{1}+\left\|\nabla\alpha-\nabla \alpha^{*}\right\|_{1}Lα=∥α−α∗∥1+∥∇α−∇α∗∥1，对于前景F计算\left.L_{F}=\|\left(\alpha^{*}>0\right)*\left(F-F^{*}\right)\right) \|_{1}LF=∥(α∗>0)∗(F−F∗))∥1，对于error map定义ground truth error map为E^{*}=\left|\alpha-\alpha^{*}\right|E∗=∣α−α∗∣，计算errormap loss为：L_{E}=\left\|E-E^{*}\right\|_{2}LE=∥E−E∗∥2，总的base网络loss为：L_{\text {base}}=L_{\alpha_{c}}+L_{F_{c}}+L_{E_{c}}Lbase =Lαc+LFc+LEc。refine网络loss为：L_{refine} = L_\alpha + L_FLrefine=Lα+LF。

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 HumanMatting

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alphaloss分为alpha loss与compositionalloss，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。

此外，modnet认为模型在某些场景中实际结果不理想是因为分支预测不一致导致的，因此为了适应真实图像域，modnet基于子目标一致性提出了自监督的SOC策略。具体来说对于未标注的图像，经由网络得到了semantics、details、alphamatte三个输出，文章倾向于认为semantics是更可信的结果，因此计算一致性损失：L_{\text {cons}}=\frac{1}{2}\left\|G\left(\alpha_{p}\right)-s_{p}\right\|_{2}+mask\left\|\alpha_{p}-d_{p}\right\|_{1}Lcons =21∥G(αp)−sp∥2+mask∥αp−dp∥1，强制alpha语义与s_psp一致，细节与d_pdp一致。在semantics结果比较理想时，这种方法还是比较有效的。

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
VideoMatte240K
PhotoMatte85

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：

SAD：绝对差和，SAD=\sum_i|\alpha_i-\alpha_i^*|SAD=∑i∣αi−αi∗∣
MSE：均方误差，MSE=\frac{1}{n}\sum_i(\alpha_i-\alpha_i^*)^2MSE=n1∑i(αi−αi∗)2
Gradient error：梯度误差，Gradient\ error = \sum(\nabla\alpha_i-\nabla\alpha_i^*)^qGradient error=∑(∇αi−∇αi∗)q
Connectivity error：连通性误差，Connectivity \error=\sum_{i}\left(\varphi\left(\alpha_{i},\Omega\right)-\varphi\left(\alpha_{i}^{*}, \Omega\right)\right)Connectivity error=∑i(φ(αi,Ω)−φ(αi∗,Ω))

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，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。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，可以在中直接转为om模型，非常方便。

首先在中新建一个技能，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，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. “Deepimage matting.” Proceedingsof 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 ComputerVision and Pattern Recognition. 2020.[^3]:Lin, Shanchuan, et al. “Real-Time High-ResolutionBackground Matting.” arXivpreprint 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 onMultimedia and Expo (ICME). IEEE, 2020.[^5]: Yu, Qihang, et al. “Mask Guided Matting viaProgressive Refinement Network.” arXiv e-prints (2020): arXiv-2012.[^6]: Chen, Quan, et al. “Semantic human matting.” Proceedings of the 26th ACMinternational conference on Multimedia. 2018.[^7]: Ke, Zhanghan, et al. “Is a Green Screen ReallyNecessary for Real-Time Human Matting?.” arXiv preprint arXiv:2011.11961 (2020).[^8]:Rhemann, Christoph, et al. “A perceptuallymotivated online benchmark for image matting.” 2009 IEEE Conference on Computer Vision and PatternRecognition. IEEE, 2009.