[发明专利]视频中基于网络重参数技术的多目标快速分割方法

说明书

本发明公开了视频中基于网络重参数技术的多目标快速分割方法，涉及视频中多目标分割技术领域。本发明包括以下步骤：构造神经网络模型架构；神经网络模型架构分为训练网络和预测网络，训练网络和预测网络均有数据增强、数据细化、数据归一化、下采样、上采样和ACS损失函数六个部分；将训练时神经网络模型复杂架构的参数重定向到简单预测推理网络上，使网络在训练时获取的参数准确优势在快速推理时起作用。本发明通过神经网络模型架构实现了对非约束的低光照自然场景中的视频，准确识别出人物目标以及对目标进行准确的分割，使神经网络模型架构对于混合噪声较为严重的单个帧也能处理获得令人满意的结果。

技术领域

本发明属于多目标分割技术领域，特别是涉及视频中基于网络重参数技术的多目标快速分割方法。

背景技术

传统基于摄像头的计算机视觉系统，例如商业服务行业中的监控安全应用、军事任务和养老系统等等，性能好坏依赖光照和色彩，通常低照度场景中拍摄的图像存在质量下降问题，例如运动模糊、高斯噪声和相机成像噪声，针对这种情况，有关于图像去噪和恢复方面的研究，包括各种典型的低级视觉任务，例如超分辨率和去条纹等，由于海量数据和复杂算法处理，大多数的方法都以牺牲计算负担为代价。

现有的单个模型的功能有限，不足以处理现存在的所有低级视觉问题，此外与高分辨率图像相比，自然场景下的视频分割具有更高的挑战性，低照度场景视频中的目标没有清晰的边界，限制了基于边缘的分割方法的性能，多源光照、光照不均匀的场景视频中，目标的某部分过亮，某些部分过暗，限制了基于光照的分割方法的性能，自然场景下的图像，目标与背景的光照和颜色几乎没有差异，阻碍了基于颜色的分割方法的性能，低照度图像中存在目标因运动而产生的模糊现象，无法进行准确的分割。

发明内容

本发明的目的在于提供视频中基于网络重参数技术的多目标快速分割方法，解决了现有的单个模型的功能有限，不足以处理现存在的所有低级视觉问题，此外与高分辨率图像相比，自然场景下的视频分割具有更高的挑战性，低照度场景视频中的目标没有清晰的边界，限制了基于边缘的分割方法的性能，多源光照、光照不均匀的场景视频中，目标的某部分过亮，某些部分过暗，限制了基于光照的分割方法的性能，自然场景下的图像，目标与背景的光照和颜色几乎没有差异，阻碍了基于颜色的分割方法的性能，低照度图像中存在目标因运动而产生的模糊现象，无法进行准确的分割的技术问题。

为达上述目的，本发明是通过以下技术方案实现的：

视频中基于网络重参数技术的多目标快速分割方法，包括以下步骤：

构造神经网络模型架构；

对神经网络模型架构进行训练网络和预测网络，训练网络和预测网络均分为数据增强、数据细化、数据归一化、下采样、上采样和ACS损失函数六个部分；

将训练时神经网络模型架构的参数重定向到预测推理网络上，使网络在训练时获取的参数优势在快速推理时起作用，达到视频中多目标的快速准确分割与识别。

可选的，数据增强部分对网络框架前端放大、旋转、镜像、灰度转换后的图像数据进行准确读取。

可选的，在神经网络模型架构前端引入数据细化部分来修改和扩展神经网络模型架构以兼容彩色和灰度图像，受到传统方法Graph-cuts和 GrabCut的启发，三幅灰度图像对应RGB图像的每个通道，目的是在计算过程中尽可能地保留自然环境中的特征信息，这部分标记为“DR”，位于框架的前端。

可选的，数据归一化部分对输入图像数据进行均方差归一化预处理，加速网络收敛，这部分标记为“DN”，位于框架的前端。