[发明专利]一种实时的人像跟踪分割方法

说明书

本发明公开了一种实时的人像跟踪分割方法。它具体包括如下步骤：(1)训练阶段用来训练人像分割模型的参数，对分割网络进行离线训练，其包括数据预处理以及模型训练两部分；(2)预测阶段将视频的图片序列帧输入到人像跟踪分割算法中，经过KCF跟踪算法得到人像跟踪框，根据人像跟踪框裁剪出人像区域，对人像区域进行预处理并输入到分割模型中，对输出结果进行后处理，得到与输入帧对应的人像分割掩膜，按视频帧顺序循环这个过程，直到得到最终的视频人像掩膜序列后结束。本发明的有益效果是：提高算法的运行速度；图片数据更容易获取及标注；提高模型的运行速度，达到移动端实时的要求。

技术领域

本发明涉及图像处理相关技术领域，尤其是指一种实时的人像跟踪分割方法。

背景技术

跟踪算法和分割算法属于两个不同的技术领域。通常来讲，在一个场景中，跟踪算法主要是对一个给定的目标进行持续的跟踪，从而得到其在该场景中的位置信息。而分割算法主要是对给定的目标进行语义分割，从而得到一系列的目标掩膜。因此，如果将跟踪算法和分割算法结合在一起，其应用就会十分的广泛，比如将人像的跟踪分割算法用于短视频行业，能够为后续进行视频特效的渲染等玩法提供基础。

目前的跟踪分割算法大多是基于深度学习的方法。在数据方面，由于需要同时训练跟踪及分割网络，必须以视频作为训练数据，而视频数据的标注需要花费大量的人工时间。因此视频数据的标注成为一大难点。在模型方面，由于跟踪分割算法的复杂性，导致模型结构的复杂度增加，算法运行时间较长，无法满足实时性的需求。

发明内容

本发明是为了克服现有技术中存在上述的不足，提供了一种提高算法运行速度的实时的人像跟踪分割方法。

为了实现上述目的，本发明采用以下技术方案：

一种实时的人像跟踪分割方法，具体包括如下步骤：

(1)训练阶段用来训练人像分割模型的参数，对分割网络进行离线训练，其包括数据预处理以及模型训练两部分；

(2)预测阶段将视频的图片序列帧输入到人像跟踪分割算法中，经过KCF跟踪算法得到人像跟踪框，根据人像跟踪框裁剪出人像区域，对人像区域进行预处理并输入到分割模型中，对输出结果进行后处理，得到与输入帧对应的人像分割掩膜，按视频帧顺序循环这个过程，直到得到最终的视频人像掩膜序列后结束。

本发明采用传统的KCF跟踪算法，提高算法的运行速度；以图片作为分割网络的训练数据，相比于视频数据，图片数据更容易获取及标注；设计轻量化的分割网络，提高模型的运行速度，达到移动端实时的要求；故而本发明提高了整体算法的运行速度，使跟踪分割算法在移动端能达到实时的性能要求。

作为优选，在步骤(1)中，具体操作方法为：

(11)搜集不同的人像数据，并对人像区域进行精确标注，背景区域为0，人像区域为1，从而得到对应的二值化人像掩膜；

(12)对训练的人像数据进行数据增强处理，然后将图像的长边缩放至224，短边等比缩放，不足之处补0对齐，得到尺寸为224*224*3的RGB输入图像I_x，对相应的二值化人像掩膜进行同样的缩放操作得到训练人像掩膜I_y；

(13)采用Mobilenetv2作为分割网络的编码模块，整个编码模块对输入图像进行32倍下采样，得到特征图F；解码模块中，采用类似U-net的解码方式对特征图F进行细节的恢复，在将特征图尺寸恢复到56*56后，直接利用4倍的上采样层，得到尺寸为224*224*1的输出人像掩膜Y；

(14)对输出人像掩膜Y和训练人像掩膜I_y进行交叉熵损失函数运算和Dice损失函数运算，得到损失函数Loss；

(15)利用损失函数Loss对整个模型进行迭代，更新模型参数。