图像数据处理方法、装置、电子设备及可读存储介质制造方法及图纸

本发明专利技术涉及图像处理，揭露一种图像数据处理方法，包括：获取待处理的用户图像，所述用户图像中包括前景人像和背景图像；从所述用户图像中提取出背景图像；从所述背景图像中提取第一图像特征，具体包括：从所述背景图像中提取深层特征图，将所述深层特征图划分为预设数量的特征图子块，以及将所述预设数量的特征图子块输入点对特征网络，得到所述第一图像特征；对所述第一图像特征进行压缩处理，得到第二图像特征。本发明专利技术还提供一种图像数据处理装置、电子设备及可读存储介质。本发明专利技术从图像中提取结合了局部信息与全局信息的图像特征，可以提升后续应用图像特征执行图像检索的准确度，且减少了数据处理涉及的计算量及内存空间占用。减少了数据处理涉及的计算量及内存空间占用。减少了数据处理涉及的计算量及内存空间占用。

【技术实现步骤摘要】
图像数据处理方法、装置、电子设备及可读存储介质


[0001]本专利技术涉及图像处理
，尤其涉及一种图像数据处理方法、装置、电子设备及可读存储介质。

技术介绍

[0002]基于内容的图像检索技术在众多领域得到了很好的应用，其中一个典型应用就是金融欺诈检测领域，例如在视频面审场景中检索出欺诈风险较高的背景(俗称为黑背景，通常是一些酒店等固定场所)。
[0003]基于内容的图像检索，通常是基于图像特征执行检索，因此对图像数据的一个重要处理步骤，就是提取图像的特征。以视频面审为例，请求面审的用户图像一般是通过移动终端拍摄的，由于移动设备的不完全固定，会导致用户人像和背景信息有较大程度上的尺度变换、遮挡、缺失的问题。目前一些常规的深度学习算法在提取图像特征的过程中，是通过学习整张图片的全局信息或者前景目标信息，由于数据处理的是点云信息(像素级)，因此数据处理涉及的计算量较大、内存占用较大。并且，前述方法未能很好地结合图像中的局部信息与全局信息，因此提取的图像特征可能会影响到图像检索结果的准确度。

技术实现思路

[0004]鉴于以上内容，有必要提供一种图像数据处理方法，旨在从图像中提取结合了局部信息与全局信息的图像特征，提升后续应用图像特征执行图像检索的准确度，且减少数据处理涉及的计算量及内存空间占用。
[0005]本专利技术实施例提供一种图像数据处理方法，所述方法包括：
[0006]获取待处理的用户图像，所述用户图像中包括前景人像和背景图像；
[0007]从所述用户图像中提取出背景图像；
[0008]从所述背景图像中提取第一图像特征，具体包括：从所述背景图像中提取深层特征图，将所述深层特征图划分为预设数量的特征图子块，以及将所述预设数量的特征图子块输入点对特征网络，得到所述第一图像特征；
[0009]对所述第一图像特征进行压缩处理，得到第二图像特征。
[0010]可选的，所述从所述用户图像中提取出背景图像的步骤，包括：
[0011]利用预先训练的分割模型从所述用户图像中检测出前景人像和背景图像；
[0012]将所述前景人像区域的像素值置为0，将所述背景图像区域的像素值置为1，输出一个与所述用户图像尺寸一致的第一二维矩阵；
[0013]将所述第一二维矩阵的元素值与所述用户图像中相应像素的像素值相乘，得到扣除了前景人像的背景图像。
[0014]可选的，所述从所述背景图像中提取深层特征图的步骤，包括：
[0015]从所述背景图像中提取图像特征，得到H*W*C深层特征图，H、W、C分别为深层特征图的高、宽、个数。
[0016]可选的，所述将所述深层特征图划分为预设数量的特征图子块，包括：
[0017]通过预设大小的M*N网格，将所述H*W*C深层特征图均匀划分为M*N个层数为C的特征图子块。
[0018]可选的，所述M*N网格的高宽比M/N与所述背景图像的高宽比相等。
[0019]可选的，所述将所述预设数量的特征图子块输入点对特征网络，得到所述第一图像特征，包括：
[0020]将M*N个层数为C的特征图子块作为点对特征网络的输入，通过点对特征网络输出具有预设D维度的M*N个基于全局信息的一维局部特征，即M*N*D维特征，作为所述第一图像特征。
[0021]可选的，所述对所述第一图像特征进行压缩处理，得到第二图像特征，包括：
[0022]将所述第一二维矩阵等比例缩放至所述特征图子块的大小，得到第二二维矩阵；
[0023]将所述第二二维矩阵乘以所述第一图像特征，得到一个新的M*N*D维特征；
[0024]将所述新的M*N*D维特征输入所述点对特征网络外接的一个池化层，转化成一个D维的一维向量，作为所述背景图像的所述第二图像特征。
[0025]本专利技术实施例还提供一种图像数据处理装置，所述装置包括：
[0026]图像获取模块，用于获取待处理的用户图像，所述用户图像中包括前景人像和背景图像；
[0027]背景分离模块，用于从所述用户图像中提取出背景图像；
[0028]特征提取模块，用于从所述背景图像中提取第一图像特征，具体包括：从所述背景图像中提取深层特征图；将所述深层特征图划分为预设数量的特征图子块；将所述预设数量的特征图子块输入点对特征网络，得到所述第一图像特征；
[0029]特征处理模块，用于对所述第一图像特征进行压缩处理，得到第二图像特征。
[0030]本专利技术实施例还提供一种电子设备，所述电子设备包括：
[0031]至少一个处理器；以及，
[0032]与所述至少一个处理器通信连接的存储器；其中，
[0033]所述存储器存储有可被所述至少一个处理器执行的图像数据处理程序，所述图像数据处理程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的图像数据处理方法。
[0034]本专利技术实施例还提供和一种计算机可读存储介质，所述计算机可读存储介质上存储有图像数据处理程序，所述图像数据处理程序可被一个或者多个处理器执行，以实现如上所述的图像数据处理方法。
[0035]相较现有技术，本专利技术提供的图像数据处理方法，获取待处理的用户图像，从用户图像中提取出背景图像，再从用户图像中提取第一图像特征，最后对第一图像特征进行压缩处理，得到可用以执行图像检索的第二图像特征，在提取第一图像特征的步骤中，具体是先从背景图像中提取深层特征图，再将深层特征图划分为预设数量的特征图子块，再将预设数量的特征图子块输入点对特征网络，输出得到第一图像特征，解决了现有特征提取方式中由于用户人像和背景信息有较大程度上的尺度变换、遮挡、缺失的问题而导致提取特征不能很好地结合图像中的局部信息与全局信息，最终会影响到图像检索结果的准确度的问题，且减少计算量，节约内存空间。
附图说明
[0036]图1为本专利技术一实施例提供的应用环境示意图；
[0037]图2为本专利技术一实施例提供的电子设备的硬件架构示意图；
[0038]图3为本专利技术一实施例提供的图像数据处理装置的功能模块示意图；
[0039]图4为本专利技术一实施例提供的图像数据处理方法的流程示意图；
[0040]图5为本专利技术一实施例中扣除了前景人像的背景图像的示意图。
[0041]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0042]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0043]需要说明的是，在本专利技术中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像数据处理方法，其特征在于，所述方法包括：获取待处理的用户图像，所述用户图像中包括前景人像和背景图像；从所述用户图像中提取出背景图像；从所述背景图像中提取第一图像特征，具体包括：从所述背景图像中提取深层特征图，将所述深层特征图划分为预设数量的特征图子块，以及将所述预设数量的特征图子块输入点对特征网络，得到所述第一图像特征；对所述第一图像特征进行压缩处理，得到第二图像特征。2.如权利要求1所述的图像数据处理方法，其特征在于，所述从所述用户图像中提取出背景图像，包括：利用预先训练的分割模型从所述用户图像中检测出前景人像和背景图像；将所述前景人像区域的像素值置为0，将所述背景图像区域的像素值置为1，输出一个与所述用户图像尺寸一致的第一二维矩阵；将所述第一二维矩阵的元素值与所述用户图像中相应像素的像素值相乘，得到扣除了前景人像的所述背景图像。3.如权利要求2所述的图像数据处理方法，其特征在于，所述从所述背景图像中提取深层特征图，包括：从所述背景图像中提取图像特征，得到H*W*C深层特征图，其中，H、W、C分别为深层特征图的高、宽、个数。4.如权利要求3所述的图像数据处理方法，其特征在于，所述将所述深层特征图划分为预设数量的特征图子块，包括：通过预设大小的M*N网格，将所述H*W*C深层特征图均匀划分为M*N个层数为C的特征图子块。5.如权利要求4所述的图像数据处理方法，其特征在于，所述M*N网格的高宽比M/N与所述背景图像的高宽比相等。6.如权利要求4所述的图像数据处理方法，其特征在于，所述将所述预设数量的特征图子块输入点对特征网络，得到所述第一图像特征，包括：将M*N个层数为C的特征图子块作为所述点对特征网络的输入，通过...

【专利技术属性】
技术研发人员：袁宏进，庄伯金，刘玉宇，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：