分离图片中的前景和背景,是机器视觉中长期以来的一个研究热点。随着人物图像分割在安防监控、自动驾驶、照片处理等方面的快速发展,人物图像分割成为图像分割中重要的问题。但是由于人物图像的背景变化、不同的穿戴着装和各种肤色姿态等因素的影响,使得人物图像的自动分割面临非常大的挑战。目前常用的人物图像分割方法有基于传统的和基于深度学习的分割方法两种。对于传统的图片分割方法,常常需要用户在前景中勾勒线条等方式才能辅助实现分割,无法自动化实现。这导致在需要处理大量图片时效率很低、耗费大量人力成本,并且当图片比较复杂时分割结果往往不尽如人意。基于深度学习的方法旨在实现通用的图像分割,未针对人物图像特点实现高精度的分割效果,并且其分割边界存在模糊的问题。因此如何减少人力成本并提高分割精确度是人物图像分割的研究重点。本文对图像分割和深度学习技术进行研究,提出了人物图像自动分割以及边缘精细化方法,主要工作与成果如下:1.提出了一种人物图像自动分割网络。本文在全卷积神经网络基础上作出改进,引入深度可分离卷积和改进的激活函数,提高网络识别精度和速度;并且在网络中添加人体位置识别,用于辅助网络分割结果,以及对分割结果进行过滤优化。最后,在收集的人物图像数据集上对网络进行验证,证明了提出的人物图像自动分割网络的有效性。2.提出了一种改进的图像边缘分割方法。在人物图像自动分割网络中,分割结果的边缘区域较为粗糙,因此需要在网络后端增加额外的边缘分割处理。本文对边缘分割算法进行研究,在闭合解抠图算法基础上,添加全局颜色空间模型,改善了原本算法只有局部颜色空间导致结果不精确的问题;增加动态局部最优化窗口,解决闭合解抠图算法固定窗口导致的问题,从而优化了人物边缘区域分割效果。最后,在收集的人物图像数据集上进行实验,证明了提出的边缘分割算法对人物自动分割网络有改进作用。3.在分割得到人物前景后,本文对图片非真实感绘制进行研究,实现了分离后人物前景的卡通化处理。本文还提出了一种人物图像自动处理系统,系统同时支持Windows和macOS平台。用户向系统输入一张人物图片后,无需人工交互操作即可得到自动分割的人物前景,并可选对其进行卡通化处理。最后,对系统的可行性进行了测试与验证,得到了较好的结果。