[发明专利]背景分割的方法、装置及计算机存储介质

权利要求书

1.一种背景分割的方法，其特征在于，包括：

获取待处理图片；

使用预先训练好的神经网络，对所述待处理图片进行卷积操作，得到卷积输出，所述卷积输出为包含N个通道的特征映射，所述N个通道的特征映射表示所述待处理图片中的像素点所在的邻域给出的所述像素点属于前景或背景的概率值，其中所述邻域包括m×m个像素点，m为大于1的奇数且N＝m×m；

基于所述卷积输出，使用投票策略，确定每个像素点属于前景或属于背景的概率；

根据所述每个像素点的所述概率，确定所述待处理图片的前景区域。

2.如权利要求1所述的方法，其特征在于，所述投票策略是根据所述待处理图片的特点自适应地确定的。

3.如权利要求1所述的方法，其特征在于，所述投票策略包括少数服从多数策略、平均投票策略和高斯加权投票策略中的至少一种。

4.如权利要求1所述的方法，其特征在于，在所述方法之前，还包括：

获取多张图片，所述多张图片中的每一张图片包括标注信息，所述标注信息用于表示对应图片中的背景和前景；

根据所述多张图片，通过机器学习的训练方法得到所述神经网络。

5.如权利要求1所述的方法，其特征在于，所述投票策略为高斯加权投票策略，在所述方法之前，还包括：

获取多张图片，所述多张图片中的每一张图片包括标注信息，所述标注信息用于表示对应图片中的背景和前景；

根据所述多张图片，通过机器学习的训练方法得到所述高斯加权投票策略的各个权重参数。

6.如权利要求1所述的方法，其特征在于，所述使用预先训练好的神经网络，对所述待处理图片进行卷积操作，得到卷积输出，包括：

使用预先训练好的神经网络，对所述待处理图片进行卷积操作，得到卷积操作的输出，所述卷积操作的输出为包括c个通道的特征映射；

对所述卷积操作的输出再次进行卷积操作，得到所述卷积输出，所述卷积输出为包含N个通道的特征映射。

7.如权利要求1至6任一项所述的方法，其特征在于，m＝3，N＝9。

8.一种背景分割的装置，其特征在于，包括：

获取模块，用于获取待处理图片；

处理模块，用于使用预先训练好的神经网络，对所述待处理图片进行卷积操作，得到卷积输出，所述卷积输出为包含N个通道的特征映射，所述N个通道的特征映射表示所述待处理图片中的像素点所在的邻域给出的所述像素点属于前景或背景的概率值，其中所述邻域包括m×m个像素点，m为大于1的奇数且N＝m×m；

投票模块，用于基于所述卷积输出，使用投票策略，确定每个像素点属于前景或属于背景的概率；

确定模块，用于根据所述每个像素点的所述概率，确定所述待处理图片的前景区域。

9.如权利要求8所述的装置，其特征在于，所述投票策略是根据所述待处理图片的特点自适应地确定的。

10.如权利要求8所述的装置，其特征在于，所述投票策略包括少数服从多数策略、平均投票策略和高斯加权投票策略中的至少一种。

11.如权利要求8所述的装置，其特征在于，还包括训练模块：

所述获取模块，还用于获取多张图片，所述多张图片中的每一张图片包括标注信息，所述标注信息用于表示对应图片中的背景和前景；

所述训练模块，用于根据所述多张图片，通过机器学习的训练方法得到所述神经网络。

12.如权利要求8所述的装置，其特征在于，所述投票策略为高斯加权投票策略，还包括训练模块：

所述获取模块，还用于获取多张图片，所述多张图片中的每一张图片包括标注信息，所述标注信息用于表示对应图片中的背景和前景；

所述训练模块，用于根据所述多张图片，通过机器学习的训练方法得到所述高斯加权投票策略的各个权重参数。