本文分享自華為雲社群《人像摳圖：演算法概述及工程實現（一）》，原文作者：杜甫蓋房子 。
本文將從演算法概述、工程實現、優化改進三個方面闡述如何實現一個實時、優雅、精確的視訊人像摳圖專案。
什麼是摳圖
對於一張圖I， 我們感興趣的人像部分稱為前景F，其餘部分為背景B，則影像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，檢視摳圖ground truth可以看到，alpha是[0, 1]之間的連續值，可以理解為畫素屬於前景的概率，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，而摳圖是迴歸任務。
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於深度學習的摳圖演算法。目前流行的摳圖演算法大致可以分為兩類，一種是需要先驗資訊的Trimap-based的方法，寬泛的先驗資訊包括Trimap、粗糙mask、無人的背景影像、Pose資訊等，網路使用先驗資訊與圖片資訊共同預測alpha；另一種則是Trimap-free的方法，僅根據圖片資訊預測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，每個畫素取值為{0，128，255}其中之一，分別代表前景、未知與背景，如圖。
Deep Image Matting
多數摳圖演算法採用了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的演算法，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，根據輸入影像與對應的Trimap，得到較為粗略的alpha matte。Matting refinement stage是一個小的卷積網路，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，後續很多文章都沿用了這種“粗略-精細”的摳圖思路，此外，由於標註成本高，過去摳圖任務的資料是非常有限的。本文還通過合成提出了一個大資料集Composition-1K，將精細標註的前景與不同背景融合，得到了45500訓練影像和1000測試影像，大大豐富了摳圖任務的資料。
Background Matting
Background Matting[^2]是華盛頓大學提出的摳圖演算法，後續釋出了Backgroun MattingV2，方法比較有創新點，並且在實際工程應用中取得了不錯的效果。
同時，由於Adobe的資料都是基於合成的，為了更好的適應真實輸入，文中提出一個自監督網路訓練G_{Real}GReal來對未標註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還將通過一個鑑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，但該專案無法實時執行，也無法很好的處理高解析度輸入。所以專案團隊又推出了Background Matting V2[^3]，該專案可以以30fps的速度在4k輸入上得到不錯的結果。
文章實現高效高解析度摳圖的一個重要想法是，alpha matte中大部分畫素是0或1，只有少量的區域包含過渡畫素。因此文章將網路分為base網路和refine網路，base網路對低解析度影像進行處理，refine網路根據base網路的處理結果選擇原始高解析度影像上特定影像塊進行處理。
base網路輸入為c倍下采樣的影像與背景，通過encoder-decoder輸出粗略的alpha matte、F、error map與hidden features。將取樣c倍得到的error map E_cEc上取樣到原始解析度的\frac{1}{4}41為E_4E4，則E_4E4每個畫素對應原圖4x4影像塊，從E_4E4選擇topk error畫素，即為原始topk error 4x4影像塊。在選擇出的畫素周圍裁剪出多個8x8影像塊送入refine網路。refine網路是一個two-stage網路，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影像塊cat後輸入第二階段，最後將refine後的影像塊與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資料集：視訊摳圖資料集VideoMatte240K與影像摳圖資料集PhotoMatte13K/85。VideoMatte240K收集了484個高解析度視訊，使用Chroma-key軟體生成了240000+前景和alpha matte對。PhotoMatte13K/85則是在良好光照下拍攝照片使用軟體和手工調整的方法得到13000+前景與alpha matte資料對。大型資料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作為先驗資訊預測alpha matte，在應用時也比trimap友好很多。MGMatting同時也提出了一個有636張精確標註人像的摳圖資料集RealWorldPortrait-636，可以通過合成等資料增廣方法擴充套件使用。
Trimap-free
實際應用中先驗資訊獲取起來是很不方便的，一些文章將先驗資訊獲取的部分也放在網路中進行。
Semantic Human Matting
阿里巴巴提出的Semantic Human Matting[^6]同樣分解了摳圖任務，網路分為三個部分，T-Net對畫素三分類得到Trimap，與影像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，最後將T-Net與M-Net的輸出送入融合模組Fusion Module，最終得到更精確的alpha matte。
網路訓練時的alpha loss分為alpha loss與compositional loss，與DIM類似，此外還加入了畫素分類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的摳圖演算法，但較為臃腫。此外文章提出Fashion Model資料集，從電商網站收集整理了35000+標註的圖片，但並沒有開放。
Modnet
modnet[^7]認為神經網路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，因此在後續的工程實現中我也選擇了modnet作為Baseline。
網路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，輸出相對於輸入下采樣16倍的semantics，用來提供語義資訊，此任務的ground truth是標註的alpha經過下采樣與高斯濾波得到的。 Detail Prediction任務輸入有三個：原始影像、semantic分支的中間特徵以及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，由於D分支只關注細節特徵，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分支對語義資訊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，網路訓練的總損失為：L=\lambda_sL_s + \lambda_dL_d+\lambda_{\alpha}L_{\alpha}L=λsLs+λdLd+λαLα。
最後，文章還提出了一種使視訊結果在時間上更平滑的後處理方式OFD，在前後兩幀較為相似而中間幀與前後兩幀距離較大時，使用前後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等網路可以對影像進行顯著性摳圖，感興趣的話可以關注一下。
資料集
評價指標
常用的客觀評價指標來自於2009年CVPR一篇論文[^8]，主要有：
此外，可以在paperwithcode上檢視Image Matting任務的相關文章，在Alpha Matting網站上檢視一些演算法的evaluation指標。
本專案的最終目的是在HiLens Kit硬體上落地實現實時視訊讀入與背景替換，開發環境為HiLens配套線上開發環境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：
可以看到由於場景較為陌生、逆光等原因會導致摳圖結果有些閃爍，雖然modnet可以針對特定視訊進行自監督finetune，但我們的目的是在普遍意義上效果更好，因此沒有對本視訊進行自監督學習。
優化後的模型效果如下：
本視訊並沒有作為訓練資料。可以看到，摳圖的閃爍情況減少了很多，毛髮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。根據文件匯入/轉換本地開發模型可知
昇騰310 AI處理器支援模型格式為".om"，對於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，這裡我選擇的是第一種。Pytorch->Caffe模型轉換方法與注意事項在之前的部落格中有具體闡述過，這裡不贅述。轉換得到Caffe模型後，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資料夾下：
在控制檯中執行模型轉換命令即可得到可以執行的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程式碼。在測試時HiLens Studio可以在工具欄選擇使用視訊模擬攝像頭輸入，或連線手機使用手機進行測試：
具體的demo程式碼如下：
# -*- 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") # 與建立技能時的校驗值一致 camera = hilens.VideoCapture('test/camera0_2.mp4') # 模擬輸入的視訊路徑 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) # 摳圖後替換的背景 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()
其中預處理部分的程式碼為：
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.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部分的程式碼非常簡單，點選執行即可在模擬器中看到效果：
模型推理耗時44ms左右，端到端執行耗時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訊結果在時間上更平滑的後處理方式OFD，即用前後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任務中有一些基於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後n幀資訊，在資源佔用、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，我們採用將前一幀的alpha結果cat到當前幀RGB影像後共同作為輸入的方法來使網路在時序上更穩定。
網路上的修改非常簡單，只需在模型初始化時指定in_channels = 4：
modnet = MODNet(in_channels=4, backbone_pretrained=False)
訓練資料方面，我們選擇一些VideoMatting的資料集：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)
收斂部署後發現，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，將對後續幀產生很大影響。針對這些問題，考慮制定相應的資料增強的策略來解決問題。
- 人進、出畫面時模型適應較差：資料集中空白幀較少，對人物入畫出畫學習不夠，因此在資料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，將對後續幀產生很大影響：目前的結果較為依賴前一幀alpha，沒有學會拋棄錯誤結果，因此在資料處理時對alpha_pre進行一定概率的仿射變換，使網路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：對影像進行光照增強，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，使網路對光照更魯棒。光照資料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生成資料，我們使用opencv進行模擬。
重新訓練後，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：針對應用硬體選擇合適的backbone一向是提升模型價效比最高的方法，直接根據耗時與資源消耗針對硬體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 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依舊用來處理複雜場景，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.