[发明专利]基于循环神经网络的实时超像素分割方法及系统

说明书

本发明提供一种基于循环神经网络的实时超像素分割方法及系统，该方法包括：提取输入图像的特征，并对所述图像进行超像素关联图初始化；基于预设训练好的循环神经网络，对所述输入图像进行实时超像素分割，所述循环神经网络的输入是由超像素关联图初始化提取的初始输入和初始隐向量确定。本发明结合深度神经网络在特征提取和计算速度方面的优势，以及传统K‑means迭代聚类方法在超像素分割任务上的有效性和简单性，实现了实时超像素分割。

技术领域

本发明涉及神经网络技术领域，尤其涉及一种基于循环神经网络的实时超像素分割方法及系统。

背景技术

在计算机视觉领域，超像素为由具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。超像素能够有效利用空间，颜色约束信息，在强化图像局部一致性同时保留原始图像边界信息，具有一定的抗噪性。此外，超像素利用像素间相似性有效去除图像中冗余信息，提供了图像数据的紧凑表示，降低后续图像处理任务的复杂程度，广泛应用于语义分割，显著性检测，深度估计等视觉问题中。

传统的超像素分割粗略可以分为基于聚类，图论，轮廓演化和能量优化等的方法。这些方法各有侧重，比如经典的normalized cuts方法虽然可以产生十分规则的超像素，但是需要耗费大量的运算时间，且边缘附着性较差；graph-based超像素算法可以快速生成超像素，但是超像素形状和尺寸十分不规则，也无法控制超像素数目和紧凑性。DNN在计算机视觉中广泛应用，但是在超像素分割任务上却应用不多。

因此，现在亟需一种基于循环神经网络的实时超像素分割方法及系统来解决上述问题。

发明内容

针对现有技术存在的问题，本发明提供一种基于循环神经网络的实时超像素分割方法及系统。

本发明提供一种基于循环神经网络的实时超像素分割方法，包括：

提取输入图像的特征，并对所述图像进行超像素关联图初始化；

基于预设训练好的循环神经网络，对所述输入图像进行实时超像素分割，所述循环神经网络的输入是由超像素关联图初始化提取的初始输入和初始隐向量确定。

根据本发明提供的一种基于循环神经网络的实时超像素分割方法，所述提取输入图像的特征，包括：

基于预设的特征提取网络，提取输入图像的初始特征。

根据本发明提供的一种基于循环神经网络的实时超像素分割方法，所述对所述图像进行超像素关联图初始化，包括：

基于所述输入图像的大小以及预设的超像素大小，使用规则网络初始化超像素分割。

根据本发明提供的一种基于循环神经网络的实时超像素分割方法，所述基于预设训练好的循环神经网络，对所述输入图像进行实时超像素分割，包括：

构建所述循环神经网络的初始输入和初始隐向量；

基于所述初始输入和初始隐向量，循环迭代，更新特征和超像素关联图；

通过监督训练，得到训练后的循环神经网络。

根据本发明提供的一种基于循环神经网络的实时超像素分割方法，所述通过监督训练，得到训练后的循环神经网络，包括：

使用语义特征和位置特征作为监督特征，对构建的循环神经网络进行监督训练，得到训练后的循环神经网络。

根据本发明提供的一种基于循环神经网络的实时超像素分割方法，所述方法还包括：

超像素数目按照预设值进行控制，以使得超像素分割速度达到50fps以上。

本发明还提供一种基于循环神经网络的实时超像素分割系统，包括：