System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,具体为基于视频流的目标人体分割方法、系统、存储介质及设备。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、图像处理技术中的人体分割过程,是将图像或视频中的人体从背景中准确地分离出来,通过识别和提取出图像中的人体区域,通常以像素级别的精度进行分割,从而实现对人体的精确定位和分析。传统的人体分割方法主要依靠基于规则的图像处理技术,例如边缘检测、区域生长等方式,而这些方法通常对于复杂的场景和变化的光照条件效果有限。
3、为了应对上述问题,目前可以利用基于深度卷积神经网络的人体分割方法,这类方法在神经网络模型经过训练后,能够自动学习人体和背景之间的区别,并对图像进行像素级别的分类,从而实现准确的人体分割。例如,全卷积网络(fully convolutionalnetworks,fcn)、语义分割网络(semantic segmentation networks)、实例分割网络(instance segmentati on networks)等。这些网络结构通常由编码器和解码器组成,编码器用于提取图像特征,解码器用于将特征映射恢复到原始图像尺寸,并生成像素级别的分割结果。
4、人体分割任务中,人体的形状和结构可能需要算法跨越较长的距离才能进行准确的分割,目前普通的深度学习卷积神经网络(cnn)往往在处理大范围上下文信息时存在限制,使得这类图像处理算法的人体分割能力存在不足。
技术实现思路
...【技术保护点】
1.基于视频流的目标人体分割方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于视频流的目标人体分割方法,其特征在于,输入图像经过至少三个周期的卷积和下采样,产生第一维度大小的特征图,通过带有双重注意力机制的卷积块提取特征;
3.如权利要求1所述的基于视频流的目标人体分割方法,其特征在于,带有双重注意力机制的卷积块位于编码器和解码器之间的跳跃连接中。
4.如权利要求3所述的基于视频流的目标人体分割方法,其特征在于,带有双重注意力机制的卷积块,具体为:输入特征分别经过对应的卷积层得到特征图,得到的特征图分别经过通道注意力层和空间注意力层,得到通道注意力特征和空间注意力特征,经拼接后输出。
5.如权利要求1所述的基于视频流的目标人体分割方法,其特征在于,提取的建模空间级别注意力特征,用于捕捉空间上的上下文信息,通过计算每个位置与其他位置之间的相似度,将相似度作为权重应用于特征图上的不同位置。
6.如权利要求1所述的基于视频流的目标人体分割方法,其特征在于,提取建模空间级别注意力的特征,具体为:
7.如权利
8.基于视频流的目标人体分割系统,其特征在于,包括:
9.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-7任一项所述的基于视频流的目标人体分割方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于视频流的目标人体分割方法中的步骤。
...【技术特征摘要】
1.基于视频流的目标人体分割方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于视频流的目标人体分割方法,其特征在于,输入图像经过至少三个周期的卷积和下采样,产生第一维度大小的特征图,通过带有双重注意力机制的卷积块提取特征;
3.如权利要求1所述的基于视频流的目标人体分割方法,其特征在于,带有双重注意力机制的卷积块位于编码器和解码器之间的跳跃连接中。
4.如权利要求3所述的基于视频流的目标人体分割方法,其特征在于,带有双重注意力机制的卷积块,具体为:输入特征分别经过对应的卷积层得到特征图,得到的特征图分别经过通道注意力层和空间注意力层,得到通道注意力特征和空间注意力特征,经拼接后输出。
5.如权利要求1所述的基于视频流的目标人体分割方法,其特征在于,提取的建模空间级别注意力特征,用于捕捉空间...
【专利技术属性】
技术研发人员:张高志,李凡平,石柱国,
申请(专利权)人:青岛以萨数据技术有限公司,
类型:发明
国别省市:
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。