如何从图像中提取物体？

Question

我有一个戴头盔的人的数据集。我想为头盔显示器制作一个面罩。下面是一个例子：

我需要为FOVE耳机制作一个面具。我尝试过语义分割模型。他们能够创建一个整体的人的轮廓，但不能单独的头盔。这是有道理的，因为FOVE不是他们模型中的一个类。我不能用FOVE示例重新训练模型，因为我没有任何掩码数据可以训练。所以我转向了图像处理方法。我尝试了聚类分割方法，并尝试了MeanShift算法、KMeans算法、图像阈值分割和graphcut算法。在

以下是我面临的问题：

1. Mean-Shift集群：它创建了很多类（大于1000个）。我需要能够在不需要手动干预的情况下提取FOVE类，因为我需要处理大量数据（>；2000个图像）。我平滑了我的输入图像，减少了类的数量，但它也在FOVE HMD中创建了不同的类，这是由不同的亮度梯度造成的。而且，很多图像都有相似的背景，就像示例中一样。在这些情况下，均值偏移是混淆的。在

1. 输出：低质量。它变得混乱和不准确。给定输出为k=10。在

1. 图像的阈值化：它可以创建一个很好的Fove轮廓，但我不知道如何使用它来提取HMD坐标。输出具有自适应阈值。在

1. GrabCut：输出不好，需要人工干预。 编辑：GrabCut算法需要有一个非常接近面部的边界框作为输入。有2000个图像需要这个预处理，我无法手动做这个。使用常规的和较大的边界框时，精度会降低。我想尝试一些不需要手动输入的方法，如果可能的话，首先。在

请建议我可以做什么来创建头盔面罩。在

编辑： 这是我现在使用的。最麻烦的部分是背景，在我的数据集中，它有时只是比FOVE少一些白色的值，有时差别很大。我训练了一个语义分割网络来检测和提取图像中的人。作为参考，this和{a7}是在这个问题上所做的一些很好的工作。在此基础上，采用mean-shift算法对图像进行聚类和颜色阈值分割。这给了我大约90%的准确率，其余的图像需要一些调整（主要是颜色阈值）。在