一种用于精细人像图片分割的深度学习模型训练方法技术

本发明专利技术公开了一种用于精细人像图片分割的深度学习模型训练方法。采集获取人像图片，二值化构成训练数据集；用Canny边缘算法检测边界；采用自适应膨胀算子对边界扩充形成边缘区域，得到人像边缘/背景区域标注图；将原始图像输入到深度学习模型进行训练处理，训练处理中根据人像边缘/背景区域标注图计算图像梯度损失和分割交叉熵损失，共同对深度学习模型进行训练优化。本发明专利技术使用粗糙的人工标注结果，通过“自监督”的方式训练，训练出比人工标注更加精确的分割结果，大大节约人工标注的成本，能够应用于人员监控、人像分析、人像编辑等各种场景。

【技术实现步骤摘要】
一种用于精细人像图片分割的深度学习模型训练方法
本专利技术涉及了一种用于精细人像分割的训练方法，尤其是涉及了一种基于原始图像与分割预测结果图的图像梯度一致性的图像梯度损失函数及其训练方法。
技术介绍
人像分割算法被广泛运用于视频监控、人像分析、人像编辑等各个领域。然而之前的算法无法满足对于边缘精度要求较高的场合。考虑到基于深度学习的模型对于训练标注的要求非常高，然而标注高精度的人像边缘细节比如：头发丝、衣服边缘非常耗时。标注高精度的人像训练样本往往受限于成本无法大规模实现。于是，探究不依赖与高精度人工标注的训练方法，从图像本身获取监督信息，利用较为粗糙的标注样本获得精细的训练结果有很强的实际意义。
技术实现思路
为了解决
技术介绍
中的问题，本专利技术提出了一种用于精细人像图片分割的深度学习模型训练方法。本专利技术的技术方案包括以下步骤：1)采集获取人像图片，以人像为前景，人像图片中前景区域已标记为1，背景区域已标记为0，形成二值化的人像/背景标注图，构成训练数据集；2)在二值化的人像/背景标注图上使用C本文档来自技高网...

【技术保护点】
1.一种用于精细人像图片分割的深度学习模型训练方法，其特征在于：方法包括以下计算步骤：/n1)采集获取人像图片，以人像为前景，人像图片中前景区域已标记为1，背景区域已标记为0，形成二值化的人像/背景标注图，构成训练数据集；/n2)在二值化的人像/背景标注图上使用Canny边缘算法检测得到人像与背景之间的边界；/n3)采用自适应膨胀算子对步骤2)检测得到的边界结果进行扩充形成边缘区域，并得到人像边缘/背景区域标注图M

【技术特征摘要】
1.一种用于精细人像图片分割的深度学习模型训练方法，其特征在于：方法包括以下计算步骤：
1)采集获取人像图片，以人像为前景，人像图片中前景区域已标记为1，背景区域已标记为0，形成二值化的人像/背景标注图，构成训练数据集；
2)在二值化的人像/背景标注图上使用Canny边缘算法检测得到人像与背景之间的边界；
3)采用自适应膨胀算子对步骤2)检测得到的边界结果进行扩充形成边缘区域，并得到人像边缘/背景区域标注图Mbound，人像边缘/背景区域标注图中，人像与背景之间的边界区域为1，其余区域取0；
4)将原始图像输入到深度学习模型进行训练处理，训练处理中根据人像边缘/背景区域标注图计算图像梯度损失Lgrad，并同时处理计算分割交叉熵损失Lseg，结合图像梯度损失Lgrad和分割交叉熵损失Lseg共同对深度学习模型进行训练优化。


2.根据权利要求1所述的一种用于精细人像图片分割的深度学习模型训练方法，其特征在于：所述步骤4)中，根据人像边缘/背景区域标注图计算在边缘区域的图像梯度损失，具体为：
4.1)训练过程中对每一张的输入原始图像和分割预测结果图均采用以下方式进行归一化：



其中，I表示输入的原始图像/分割预测结果图，Imin表示输入的原始图像/分割预测结果图的像素值最小值，Imax表示输入的原始图像/分割预测结果图的像素值最大值；
4.2)根据如下公式，计算原始图像在x,y轴方向的图像梯度Gx和Gy：






其中，⊙表示卷积操作，In表示输入的原始图像，其中的3*3矩阵表示卷积核；
并计算原始图像的梯度幅值为梯度方向为
4.3)利用和步骤4.2)中相同的方法，计算分割预测结果图在x,y轴方向的图像梯度，以及分割预测结果图的梯度幅值Mpred和梯度方向
4.4)按照下列公式求取梯度方向损失Ldir：



其中，Mpred分别为步骤4.2)和4.3)中获得的原始图像的梯度方向、分割预测结果图的梯度方向、分割预测结果图的梯度幅值；vximg,vyimg分别为原始图像的梯度方向在x轴和y轴上的投影，vxpred,...

【专利技术属性】
技术研发人员：齐冬莲，陈汐，闫云凤，郑伊，徐文渊，张建良，
申请(专利权)人：浙江大学，杭州远鉴信息科技有限公司，
类型：发明
国别省市：浙江;33