[发明专利]一种多目标服装图像协同分割方法

说明书

本发明涉及一种多目标服装图像协同分割方法，包括：输入多目标服装图像以及辅助分割用的多目标小型图像集，通过提取多目标服装图像和辅助分割用的的显著特征信息，得到待分割显著区域及服装显著特征集；基于提取的待分割显著区域进行分割，得到多目标服装图像显著区域初步分割结果；然后，对初步分割结果、包含同类对象的多目标小型图像集的服装显著特征集进行计算服装图像的显著区域的显著值，得到服装图像的显著区域的显著值；根据得到的服装图像的显著区域的显著值，计算多区域服装特征之间的相似度，输出图像分割结果。本发明可以有效地用于有效地分割多目标服装图像。

技术领域

本发明涉及一种多目标服装图像协同分割方法，属于计算机视觉及图像应用领域。

背景技术

目标对象的识别与分割在计算机视觉上是一项基本的任务，在上世纪70年代已备受关注。然而，公知的识别和分割方法通常是在进行目标对象分割之前需要高级信息知识作为先验信息，从而需要提高识别算法的精确度来获取更详尽的高级信息，如RC识别算法、SVO识别算法、CBsal识别算法、FT识别算法、Itti识别算法、阀值分割方法、超像素分割方法以及交互式分割方法等。公知的识别方法主要针对单个目标服装对象进行识别，然而，对于复杂场景的多目标服装对象以及有遮挡等情况而言，公知方法存在很大的局限性，仅仅提取底层特征信息不能应用于多目标服装对象的识别中。本发明通过提取多目标服装图像的轮廓，显著特征以及建立图像层次布局模型来识别多目标服装对象，解决复杂场景的多目标服装对象以及有遮挡等问题，提高多目标服装识别的准确率。

公知的单目标服装分割方法主要有超像素、阀值等分割等。例如，R Achanta(IEEE Transactions on Pattern AnalysisMachine Intelligence34(11),2012,2274～2282)提出一种通过简单的线性迭代聚类和k-means聚类生成超像素方法，进而对图像对象进行分割。YS Wang(Journal of Multimedia9(4),2014，499～505)基于模糊熵和混合粒子群算法，在模糊逻辑阀值分割的基本原理上实现图像分割问题。然而，这些方法都仅对单目标服装图像的特征参数化后进行识别和分割，没有统一的对象评价模型，而对于多目标服装图像及复杂场景下，这些方法存在很大的局限性。

发明内容

本发明提供了一种多目标服装图像协同分割方法，以用于有效地分割多目标服装图像，从而满足目前多目标服装识别对精确率和复杂性的要求。

本发明的技术方案是：一种多目标服装图像协同分割方法，包括：

Step1、输入多目标服装图像以及辅助分割用的多目标小型图像集，通过提取多目标服装图像和辅助分割用的的显著特征信息，得到待分割显著区域及服装显著特征集；

Step2、基于提取的待分割显著区域进行分割，得到多目标服装图像显著区域初步分割结果；然后，对初步分割结果、包含同类对象的多目标小型图像集的服装显著特征集进行计算服装图像的显著区域的显著值，得到服装图像的显著区域的显著值；

Step3、根据得到的服装图像的显著区域的显著值，计算多区域服装特征之间的相似度，输出图像分割结果。

所述Step1具体如下：

输入多目标服装图像G，对多目标服装图像图像G、辅助分割用的多目标小型图像集I＝{I₁,I₂,...I_N}利用全局对比度的显著性区域特征识别方法提取其显著特征，得到待分割显著区域G'、服装显著特征集I'＝{I'₁,I'₂,...I'_N}；其中，1≤n≤N，N表示辅助分割用的小型图像集中图片数量。

所述Step2具体如下：