带顶点图像的分割模型训练方法及带顶点图像的分割方法技术

本申请涉及图像分割技术，公开了一种带顶点图像的分割模型训练方法和带顶点图像的分割方法。该分割模型训练方法包括：获取训练样本集，其中训练样本集具有真值掩膜；将训练样本集输入粗分割模型得到每个图像的粗分割结果掩膜，粗分割结果掩膜中包括对应的粗分割结果；在训练样本集的真值掩膜上提取图像的顶点，为每个顶点分配一个邻域范围，将真值掩膜上每个顶点及相应的邻域范围映射到对应的粗分割结果掩膜中，计算位于映射的邻域范围内的粗分割结果与映射的顶点的最小距离，对每个图像的所有邻域范围的最小距离累加求和作为顶点距离损失参数；以及根据顶点距离损失参数作为约束条件迭代优化粗分割模型以得到细分割模型。模型。模型。

【技术实现步骤摘要】
带顶点图像的分割模型训练方法及带顶点图像的分割方法


[0001]本申请涉及图像分割技术，特别涉及带顶点图像的分割模型训练和带顶点图像的分割技术。

技术介绍

[0002]基于栅格图的高精度地图制作，一般要经过地图采集、地图要素矢量化、地图数据生产等步骤。其中，地图要素矢量化步骤至关重要。
[0003]目前的图像分割方法，主要包括人工矢量化的方法、传统图像处理提取目标边界的方法和现有基于深度学习图像分割技术提取目标边界的方法。首先，对于采用人工矢量法的方法，效率低且易出错，极大地增加人力成本。其次，对于采用传统图像处理提取目标边界的方法，因为该方法对成像质量要求高、对复杂环境适应能力较差，而高精度地图采集过程中，获取的图像(栅格图)质量普遍较低，实际场景大多较为复杂，使得采用该方法提取目标边界效果不稳定、边界提取结果的准确性也普遍较低。再次，对于采用现有基于深度学习图像分割技术提取目标边界的方法，虽然性能比较稳定，但是提取结果中的目标边界普遍较粗糙、与目标的真实边界有较大的差异。
[0004]然而，对于方向箭头、菱形减速标志、三角形减速标志等带顶点的地图要素，由于其数量多、种类多、顶点多、部分箭头存在曲线边缘等原因，上述各方法都无法满足其高效的精细分割要求。
[0005]因此，方向箭头、菱形减速标志、三角形减速标志等带顶点的地图要素迫切需要实现高精度的自动矢量化。

技术实现思路

[0006]本申请的目的在于提供一种带顶点图像的分割模型训练方法及带顶点图像的分割方法，能够实现带顶点图像的自动分割，且分割结果的质量佳、精度高。
[0007]本申请公开了一种带顶点图像的分割模型训练方法，包括：
[0008]获取训练样本集，其中训练样本集具有真值掩膜，所述训练样本集的每个图像具有至少一个顶点；
[0009]将所述训练样本集输入粗分割模型得到每个图像的粗分割结果掩膜，所述粗分割结果掩膜中包括对应的粗分割结果；
[0010]在所述训练样本集的所述真值掩膜上提取图像的顶点，为每个顶点分配一个邻域范围，将所述真值掩膜上每个顶点及相应的邻域范围映射到对应的粗分割结果掩膜中，计算位于该映射的邻域范围内的粗分割结果与该映射的顶点的最小距离，对每个图像的所有邻域范围的所述最小距离累加求和作为顶点距离损失参数；
[0011]根据所述顶点距离损失参数作为约束条件迭代优化所述粗分割模型以得到细分割模型。
[0012]在一个优选例中，还包括：
[0013]如果某个所述邻域范围内无粗分割结果，放大所述邻域范围以包含至少部分的粗分割结果。
[0014]在一个优选例中，所述每个顶点的所述邻域范围的大小相同。
[0015]在一个优选例中，还包括：
[0016]根据所述每个图像的粗分割结果掩膜和真值掩膜提取对应的粗分割结果外轮廓和真值外轮廓；
[0017]根据所述粗分割结果外轮廓和真值外轮廓计算两个外轮廓之间的形状相似性；
[0018]根据所有图像的所述外轮廓之间的形状相似性获取几何损失参数；
[0019]所述根据所述顶点距离损失参数作为约束条件迭代优化所述粗分割模型以得到细分割模型，进一步包括：
[0020]根据所述顶点距离损失参数和所述几何损失参数的组合作为约束条件迭代优化所述粗分割模型以得到细分割模型。
[0021]在一个优选例中，根据所述粗分割结果外轮廓和真值外轮廓计算两个外轮廓之间的形状相似性时，还包括：
[0022]根据所述粗分割结果外轮廓和真值外轮廓计算两个外轮廓之间的交并比和/或距离；
[0023]所述根据所有图像的所述外轮廓之间的形状相似性获取几何损失参数，进一步包括：
[0024]根据所有图像的所述外轮廓之间的形状相似性、交并比和/或距离，获取所述几何损失参数。
[0025]在一个优选例中，还包括：
[0026]根据每个图像的粗分割结果掩膜逐像素计算交叉熵损失参数；
[0027]所述根据所述顶点距离损失参数和所述几何损失参数的组合作为约束条件迭代优化所述粗分割模型以得到细分割模型，进一步包括：
[0028]根据所述顶点距离损失参数、所述几何损失参数和所述交叉熵损失参数的组合作为约束条件迭代优化所述粗分割模型以得到细分割模型。
[0029]在一个优选例中，还包括：
[0030]根据每个图像的粗分割结果掩膜逐像素计算交叉熵损失参数；
[0031]所述根据所述顶点距离损失参数作为约束条件迭代优化所述粗分割模型以得到细分割模型，进一步包括：
[0032]根据所述顶点距离损失参数和所述交叉熵损失参数的组合作为约束条件迭代优化所述粗分割模型以得到细分割模型。
[0033]在一个优选例中，所述粗分割模型是Mask-RCNN、Cascade-RCNN或Cascade Mask-RCNN。
[0034]本申请还公开了一种带顶点图像的分割方法包括：
[0035]获取待分割的带顶点图像；
[0036]将所述待分割的带顶点图像输入预先训练好的细分割模型得到该图像的分割结果，其中，所述细分割模型根据前文描述的带顶点图像的分割模型训练方法训练得到。
[0037]在一个优选例中，所述分割结果包括分割形状、置信度和类别，当所述分割结果中
的置信度低于预设阈值时，将所述分割结果中同一类别的分割形状输入到一目标分类模型，以筛选所述分割结果。
[0038]本申请实施方式中，与现有技术相比，至少包括以下优点和效果：
[0039]针对带顶点图像的分割，尤其针对地图要素中方向箭头、菱形标志、三角形标志等图像的分割，提出一种顶点距离损失约束的算法，即在模型训练时，将计算得到的顶点距离损失参数作为约束条件迭代优化粗分割模型，使得基于该优化后的粗分割模型对待分割图像进行分割时，起到了对粗分割结果的顶点距离约束，确保了待分割图像中各顶点分割的准确性，提高了图像分割结果的质量和精度。
[0040]进一步地，提出一种几何约束的算法，并将其与上述顶点距离损失约束的算法组合使用，即在模型训练时，将计算得到的顶点距离损失参数和几何约束参数的组合作为约束条件迭代优化上述粗分割模型，使得基于该优化后的粗分割模型对待分割图像进行分割时，同时起到了对粗分割结果的顶点距离约束和几何形状约束，在确保了待分割图像中各顶点分割的准确性的同时，提升了图像分割结果的形状完整性及准确性，进一步提高了图像分割结果的质量和精度。并且，在进行几何约束时，配置外轮廓之间的形状相似性、交并比和/或距离的比重系数，例如可适当加大外轮廓之间的距离所占比重，进一步提高图像分割结果的准确性。
[0041]进一步地，将上述几何约束的算法、顶点距离损失约束的算法和交叉熵约束的算法组合使用，并配置于三者合适比重系数，可以进一步提高图像分割的质量和精度，即在模型训练时，将具有合适配比的顶点距离损失参数、几何约束参数和交叉熵约束的组合作为约束条件迭代优化所述粗分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带顶点图像的分割模型训练方法，其特征在于，包括：获取训练样本集，其中训练样本集具有真值掩膜，所述训练样本集的每个图像具有至少一个顶点；将所述训练样本集输入粗分割模型得到每个图像的粗分割结果掩膜，所述粗分割结果掩膜中包括对应的粗分割结果；在所述训练样本集的所述真值掩膜上提取图像的顶点，为每个顶点分配一个邻域范围，将所述真值掩膜上每个顶点及相应的邻域范围映射到对应的粗分割结果掩膜中，计算位于该映射的邻域范围内的粗分割结果与该映射的顶点的最小距离，对每个图像的所有邻域范围的所述最小距离累加求和作为顶点距离损失参数；根据所述顶点距离损失参数作为约束条件迭代优化所述粗分割模型以得到细分割模型。2.如权利要求1所述的带顶点图像的分割模型训练方法，其特征在于，还包括：如果某个所述邻域范围内无粗分割结果，放大所述邻域范围以包含至少部分的粗分割结果。3.如权利要求1所述的带顶点图像的分割模型训练方法，其特征在于，所述每个顶点的所述邻域范围的大小相同。4.如权利要求1所述的带顶点图像的分割模型训练方法，其特征在于，还包括：根据所述每个图像的粗分割结果掩膜和真值掩膜提取对应的粗分割结果外轮廓和真值外轮廓；根据所述粗分割结果外轮廓和真值外轮廓计算两个外轮廓之间的形状相似性；根据所有图像的所述外轮廓之间的形状相似性获取几何损失参数；所述根据所述顶点距离损失参数作为约束条件迭代优化所述粗分割模型以得到细分割模型，进一步包括：根据所述顶点距离损失参数和所述几何损失参数的组合作为约束条件迭代优化所述粗分割模型以得到细分割模型。5.如权利要求4所述的带顶点图像的分割模型训练方法，其特征在于，根据所述粗分割结果外轮廓和真值外轮廓计算两个外轮廓之间的形状相似性时，还包括：根据所述粗分割结果外轮廓和真值外轮廓计算两个外轮廓...

【专利技术属性】
技术研发人员：杜磊，
申请(专利权)人：千寻位置网络有限公司，
类型：发明
国别省市：