The invention discloses a human foreground segmentation algorithm based on neural network combined with edge detection, uses Deeplabv3+ algorithm to pre-segment human image, uses multi-direction detection operator to improve Canny edge detection algorithm, proposes an edge correction channel fusion Deeplabv3+ segmentation and Canny edge detection, solves the problem that the original Canny algorithm can only calculate gradient through horizontal and vertical directions. Because only one calculation results in inaccuracy, this algorithm can provide more direction calculation, using the left-upper-right-lower direction combined with horizontal and vertical direction calculation to improve the accuracy of gradient calculation; this algorithm uses the combination of neural network Deeplabv3 + and traditional algorithm Canny edge detection to segment the image foreground; it can effectively detect the part that can be wrong segmentation; The method uses an edge correction channel to precisely delete the wrong segmentation part and improve the accuracy of the algorithm.
【技术实现步骤摘要】
一种神经网络结合边缘检测的人体前景分割算法
本专利技术涉及人体前景分割算法领域,具体为一种神经网络结合边缘检测的人体前景分割算法。
技术介绍
人体前景分割算法是指从包含人体的图像中有效分割人物这一前景目标,是图像语义分割的重要分支,在计算机视觉和模式识别中起着基本预处理的作用,是行人认证和行为分析不可或缺的组成部分。随着深度学习在模式识别的深入研究,人体前景分割目前已经取得突破性进展,但是由于复杂的背景干扰,语义分割的边缘混淆问题依然存在巨大的挑战。现有的人体前景分割算法存在过高的假阳性率问题。同时,单纯的使用某一种前景分割算法处理复杂的背景下的人体图象时,边缘像素难以判别,像素点难以连接,人体前景分割准确率大大降低。在遇到不同区域边界特别是前景人物与背景交接时,往往存在过高的假阳性率问题。
技术实现思路
本专利技术的目的是针对现有技术的缺陷,提供一种神经网络结合边缘检测的人体前景分割算法,以解决上述
技术介绍
提出的问题。为实现上述目的,本专利技术提供如下技术方案:一种神经网络结合边缘检测的人体前景分割算法,使用Deeplabv3+算法对人体图像进行预分割,利用多方向检测算子改进canny边缘检测算法,提出一种边缘校正通道融合Deeplabv3+分割和canny边缘检测,具体步骤为:S1:由编码器与解码器并联,通过将Deeplabv3作为编码器,由DCNN生成多维度特征,遵从ASPP规则从而增加感受视野,并通过对输出特征反卷积操作,然后解码器与canny边缘检测串联,转到S2;S2:引入斜角梯度与水平垂直方向梯度均值计算,引入非极大抑制像素点检测和上下阈值抑制处 ...
【技术保护点】
1.一种神经网络结合边缘检测的人体前景分割算法,其特征在于,使用Deeplabv3+算法对人体图像进行预分割,利用多方向检测算子改进canny边缘检测算法,提出一种边缘校正通道融合Deeplabv3+分割和canny边缘检测,具体步骤为:S1:由编码器与解码器并联,通过将Deeplabv3作为编码器,由DCNN生成多维度特征,遵从ASPP规则从而增加感受视野,并通过对输出特征反卷积操作,然后解码器与canny边缘检测串联,转到S2;S2:引入斜角梯度与水平垂直方向梯度均值计算,引入非极大抑制像素点检测和上下阈值抑制处理,利用梯度计算图像边缘,获取边缘后与二值图取并集得到边缘图,转到S3;S3:提出沿边缘线采用边缘矫正通道处理的方法,有效的去除错误前景区域,最终生成前景分割二值图。
【技术特征摘要】
1.一种神经网络结合边缘检测的人体前景分割算法,其特征在于,使用Deeplabv3+算法对人体图像进行预分割,利用多方向检测算子改进canny边缘检测算法,提出一种边缘校正通道融合Deeplabv3+分割和canny边缘检测,具体步骤为:S1:由编码器与解码器并联,通过将Deeplabv3作为编码器,由DCNN生成多维度特征,遵从ASPP规则从而增加感受视野,并通过对输出特征反卷积操作,然后解码器与canny边缘检测串联,转到S2;S2:引入斜角梯度与水平垂直方向梯度均值计算,引入非极大抑制像素点检测和上下阈值抑制处理,利用梯度计算图像边缘,获取边缘后与二值图取并集得到边缘图,转到S3;S3:提出沿边缘线采用边缘矫正通道处理的方法,有效的去除错误前景区域,最终生成前景分割二值图。2.根据权利要求1所述的一种神经网络结合边缘检测的人体前景分割算法,其特征在于:所述S1中的Deeplabv3+算法对人体图像进行预分割具体包括以下步骤:S101:编码层前端采用空洞卷积获取浅层低级特征,传输到解码器前端;S102:编码层后端采用vgg-16获取深层高级特征信息,并且将output_stride为16的特征矩阵传输到编码器;S103:解码器接收到高级特征信息,经过双线性上采样得到output_stride为4的256通道特征,同时采用1X1卷积降通道,将浅层分辨率特征通道降低到256;S104:解码器接收到高级特征信息,经过双线性上采样得到output_stride为4的256通道特征,同时采用1X1卷积降通道,将浅层分辨率特征通道降低到256;S105:解码器将特征进行网络层连接,再经过一个3X3的特征卷积细化,在解码器后端经过再双线性4倍采样得到深度学习分割预测结果。3.根据权利要求1所述的一种神经网络结合边缘检测的人体前景分割算法,其特征在于:所述S105中的深度学习分割预测结果计算方法是,所述、、分别表示背景值设为“0”的前景图、背景值设为“0”并且前景值设为“1”的二值分割图、三通道彩色原图。4.根据权利要求1所述的一种神经网络结合边缘检测的人体前景...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。