[发明专利]一种行人个体分割方法及装置

权利要求书

1.一种行人个体分割方法，包括：

利用预先训练好的粗粒度人形轮廓分割模型对待处理图像进行行人分割，得到区块化分割结果；所述区块化分割结果中包括多个标示成背景和前景的区块，在所述对待处理图像中被标示成背景的区块不包含行人主体，而被标示成前景的区块包含行人主体的部分图像；

去除所述待处理图像中所述区块化行人分割结果对应部分中的背景图像，得到粗粒度分割图像；

将所述粗粒度分割图像输入至预先训练好的细粒度人形轮廓分割模型；

所述预先训练好的细粒度人形轮廓分割模型输出个体行人分割结果；

其中，所述粗粒度人形轮廓分割模型和细粒度人形轮廓分割模型均通过全卷积神经网络训练得到；

其中，所述粗粒度人形轮廓分割模型对应的第一全卷积神经网络包括多层卷积层和一层反卷积层；所述细粒度人形轮廓分割模型对应的第二全卷积神经网络包含多层卷积层与多层反卷积层，所述多层卷积层与所述多层反卷积层呈中心对称的结构，组合成漏斗形状。

2.如权利要求1所述的方法，还包括所述粗粒度人形轮廓分割模型的训练步骤，包括：

将训练数据集中的具有行人标记的训练样本进行区块化处理，得到训练样本的区块化处理结果；

将用于训练的训练样本归一化至统一的大小，然后将归一化后的训练样本送入粗粒度人形轮廓分割模型对应的第一全卷积神经网络；

将所述粗粒度人形轮廓分割模型输出的区块分割结果与对应的训练样本的区块化处理结果进行比较得到预测误差；

采用反向传播算法和随机梯度下降法来减小预测误差以训练该粗粒度人形轮廓分割模型对应的第一全卷积神经网络，经过多次迭代训练得到最终的粗粒度人形轮廓分割模型。

3.如权利要求1所述的方法，还包括所述细粒度人形轮廓分割模型的训练步骤，包括：

将训练数据集中的具有行人标记的训练样本输入至训练好的粗粒度人形轮廓分割模型，得到区块化分割结果；

将所述训练样本中所述区块化分割结果对应部分中的背景图像减除，得到粗粒度分割图像；

将粗粒度分割图像归一化至统一的大小；

将归一化后的粗粒度分割图像送入细粒度人形轮廓分割模型对应的第二全卷积神经网络中；

将所述第二全卷积神经网络输出的精细分割结果与对应的训练样本的精细分割标记结果进行比较得到第二预测误差；

采用反向传播算法和随机梯度下降法来减小第二预测误差以训练该细粒度人形轮廓分割模型对应的第二全卷积神经网络，经过多次迭代训练得到最终的细粒度人形轮廓分割模型。

4.根据权利要求1所述的方法，其中，所述粗粒度人形轮廓分割模型的监督信息为进行区块化处理的分割标记，用于屏蔽图像中的背景。

5.一种行人个体分割装置，包括：

区块化分割模块，被配置为利用预先训练好的粗粒度人形轮廓分割模型对待处理图像进行行人分割，得到区块化分割图像；所述区块化分割图像中包括多个标示成背景和前景的区块，被标示成背景的区块中不包含行人主体，而被标示成前景的区块中包含行人主体的部分图像；

背景去除模块，被配置为去除所述待处理图像中所述区块化行人分割结果对应部分中的背景图像，得到粗粒度分割图像；

精细分割模块，被配置为将将所述粗粒度分割图像输入至预先训练好的细粒度人形轮廓分割模型；

结果输出模块，被配置为所述预先训练好的细粒度人形轮廓分割模型输出个体行人分割结果；

其中，所述粗粒度人形轮廓分割模型和细粒度人形轮廓分割模型均通过全卷积神经网络训练得到；

其中，所述粗粒度人形轮廓分割模型对应的第一全卷积神经网络包括多层卷积层和一层反卷积层；所述细粒度人形轮廓分割模型对应的第二全卷积神经网络包含多层卷积层与多层反卷积层，所述多层卷积层与所述多层反卷积层呈中心对称的结构，组合成漏斗形状。