[发明专利]一种行人个体分割方法及装置

说明书

本发明公开一种行人个体分割方法和装置，所述方法包括：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。

技术领域

本发明涉及计算机视觉、模式识别技术领域，特别涉及基于全卷积神经网络的粗细粒度结合的行人个体分割方法及装置。

背景技术

行人个体分割问题是场景理解、生物特征识别等领域最重要的问题之一。大部分传统行人分割方法要求背景中不能含有其他行人，通过区分人体与环境的差异获得分割结果。然而，在实际场景中行人互相遮挡的情况大量存在，此时传统行人分割方法无法获得满意的结果。通过个体检测与行人分割相结合的方式可以部分解决这一问题，但是个体检测耗时严重，且很多情况下即使精确检测到个体位置，仍然由于区域中包含多个人体信息而无法得到完美的个体分割结果。本方法提出的粗细粒度结合的方法可以较好的解决这一问题。

发明内容

本发明的目的是针对现有技术在行人个体分割中遇到的难题，通过粗粒度分割模型与细粒度分割模型相结合的方式，利用粗粒度模型屏蔽背景中出现的其他行人，在此基础上用细粒度模型进行精细分割，得到个体的分割结果。首先利用大量带标记的人形图像训练多层全卷积神经网络的粗粒度人形轮廓分割模型；然后利用该粗粒度人形轮廓分割模型得到所有图像的人形分割结果，并根据该分割结果将图像上背景区域减除(即将对应像素置0)，以此作为细粒度分割模型的输入；最后利用屏蔽背景的图像作为输入，精细的人形标记作为监督信息，训练细粒度人形分割模型。

为实现上述目的，本发明第一方面提供了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；

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；

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。

所述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。

所述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：