图像中人体的分割方法、分割系统、电子设备及存储介质技术方案

本发明专利技术公开了一种图像中人体的分割方法、分割系统、电子设备及存储介质，方法包括：使用预先训练的用于人体检测的深度神经网络回归出目标图像中所有的人体边界框；对所有的人体边界框进行区域聚合，以确定显著人体区域；从目标图像中裁剪出显著人体区域对应的部分作为显著人体区域图像；使用预先训练得到的人体分割网络模型对显著人体区域图像进行人体分割，以得到分割后的人体图像。本发明专利技术通过高效的人体检测网络获取目标图像中的所有的人体边界框，通过区域聚合获得相对于现有的人体实例分割更大的显著人体区域，起到突出人体特征，弱化背景信息的作用；直接裁剪显著人体区域用于人体分割，最大化利用了分割能力，得到了更加精细的分割结果。

【技术实现步骤摘要】
图像中人体的分割方法、分割系统、电子设备及存储介质
本专利技术属于计算机视觉领域，特别涉及一种图像中人体的分割方法、分割系统、电子设备及存储介质。
技术介绍
移动端上的人像模式，一般会将人体从图片中抠出来，然后做各种应用，如人像背景虚化，人像背景替换，人像光效等。将人体从图片中抠出来的过程一般认为属于人体分割的技术。人体分割可以看作二分类的语义分割，也可以看作人体实例分割。语义分割技术是从像素级别理解图像内容，将图像中每一个像素关联到一个具体的类别标签，如人、车、沙发、树木等等，可以称为是像素级别的分类。人体分割属于二分类语义分割，把一幅图像分为人体和背景两类，目的是将人体区域从背景中分割出来。早期的语义分割根据灰度、色彩、空间纹理、几何形状等特征把图像化分为若干个互不相交的区域，使得目标与背景分离，主要的系统有马尔可夫随机场、条件随机场等系统，其思想是为每个特征和像素分配一个随机向量，通过计算每个像素属于每一类的概率来确定该像素的分类。现有的语义分割算法主要是通过深度神经网络实现，与传统算法最大的不同是深度神经网络自动学习图像特征，大本文档来自技高网...

【技术保护点】
1.一种图像中人体的分割方法，其特征在于，包括以下步骤：/n使用预先训练的用于人体检测的深度神经网络回归出目标图像中所有的人体边界框；/n对所有的所述人体边界框进行区域聚合，以确定显著人体区域；/n从所述目标图像中裁剪出所述显著人体区域对应的部分作为显著人体区域图像；/n使用预先训练得到的人体分割网络模型对所述显著人体区域图像进行人体分割，以得到分割后的人体图像。/n

【技术特征摘要】
1.一种图像中人体的分割方法，其特征在于，包括以下步骤：
使用预先训练的用于人体检测的深度神经网络回归出目标图像中所有的人体边界框；
对所有的所述人体边界框进行区域聚合，以确定显著人体区域；
从所述目标图像中裁剪出所述显著人体区域对应的部分作为显著人体区域图像；
使用预先训练得到的人体分割网络模型对所述显著人体区域图像进行人体分割，以得到分割后的人体图像。


2.如权利要求1所述的图像中人体的分割方法，其特征在于，所述深度神经网络为轻量级深度神经网络。


3.如权利要求2所述的图像中人体的分割方法，其特征在于，所述轻量级深度神经网络模型的轻量级特征提取模块为MobileNet，所述轻量级深度神经网络模型的检测模块为SSD；
和/或所述人体分割网络模型包括特征提取模块、带有注意力机制的ASPP模块和refinedecoder模块。


4.如权利要求1所述的图像中人体的分割方法，其特征在于，对所有的所述人体边界框进行区域聚合，以确定显著人体区域的步骤包括：
循环遍历所有的所述人体边界框，以得到所有的有效人体边界框；
对所有的所述有效人体边界框进行区域聚合，以确定所述显著人体区域。


5.如权利要求4所述的图像中人体的分割方法，其特征在于，对所有的所述有效人体边界框进行区域聚合，以确定所述显著人体区域的步骤包括：
获取所述目标图像中每个所述有效人体边界框的两个对角的坐标；
根据所有的所述坐标确定所述显著人体区域。


6.如权利要求5所述的图像中人体的分割方法，其特征在于，所述两个对角为左上角和右下角，或，所述两个对角为左下角和右上角；
当所述两个对角为左上角和右下角时，根据所有的所述坐标确定所述显著人体区域的步骤包括：
在所有的所述有效人体边界框的左上角的坐标和右下角的坐标中确定处于最左上角的坐标和最右下角的坐标；
将所述最左上角的坐标和所述最右下角的坐标围成的方框区域作为所述显著人体区域；
当所述两个对角为左下角和右上角时，根据所有的所述坐标确定所述显著人体区域的步骤包括：
在所有的所述有效人体边界框的左下角的坐标和右上角的坐标中确定处于最左下角的坐标和最右上角的坐标；
将所述最左下角的坐标和所述最右上角的坐标围成的方框区域作为所述显著人体区域。


7.如权利要求1所述的图像中人体的分割方法，其特征在于，对所有的所述人体边界框进行区域聚合，以确定显著人体区域的步骤之后还包括：
计算所述显著人体区域在所述目标图像中的面积占比；
判断所述面积占比是否大于预设的显著人体区域面积占比阈值，若是，则将所述显著人体区域更新为所述目标图像的全部区域，若否，则保持所述显著人体区域不变；
所述预设的显著人体区域面积占比阈值的取值范围为0.7～0.9。


8.如权利要求1所述的图像中人体的分割方法，其特征在于，对所有的所述人体边界框进行区域聚合，以确定显著人体区域的步骤之后还包括：
分别计算所述显著人体区域的四个边中的每个边与所述目标图像对应的四个边中的每个边的边界距离；
逐一判断四个所述边界距离是否小于预设的边界阈值，若是，则将所述显著人体区域对应的边更新为所述目标图像对应的边，若否，则将所述显著人体区域对应的边扩充所述边界阈值；
所述边界阈值的取值范围为20～50个像素大小。


9.如权利要求4所述的图像中人体的分割方法，其特征在于，循环遍历所有的所述人体边界框，以得到所有的有效人体边界框的步骤包括：
计算每个所述人体边界框所在区域在所述目标图像中的面积占比；
逐一判断每个所述面积占比是否小于预设的人体边界框面积占比阈值，若否，则对应的所述人体边界框为所述有效人体边界框，若是，则对应的所述人体边界框为无效人体边界框；
所述预设的人体边界框面积占比阈值的取值范围为0.1～0.2。


10.如权利要求1所述的图像中人体的分割方法，其特征在于，使用预先训练得到的人体分割网络模型对所述显著人体区域图像进行人体分割，以得到分割后的人体图像的步骤包括：
使用预先训练得到的人体分割网络模型对所述显著人体区域图像进行人体分割以得到人体掩膜图像；
将所述人体掩膜图像对应到所述目标图像的原图位置，以得到分割后的人体图像。


11.一种图像中人体的分割系统，其特征在于，包括：
人体检测模块，用于使用预先训练的用于人体检测的深度神经网络回归出目标图像中所有的人体边界框；
人体区域聚合模块，用于对所有的...

【专利技术属性】
技术研发人员：李文国，王伊飞，杜建国，
申请(专利权)人：北京紫光展锐通信技术有限公司，
类型：发明
国别省市：北京;11