[发明专利]运动目标分割方法及装置

说明书

本发明实施例提供一种运动目标分割方法及装置，应用于图像处理设备，该图像处理设备中预存有用于进行运动目标分割的CNN模型。方法包括：针对待分割视频的当前图像帧，将当前图像帧以及从当前图像帧之前的预设数量帧图像中分割出的运动目标轮廓输入CNN模型进行处理，得到当前图像帧的多个特征图，该多个特征图包括运动目标的运动时序特征图及底层图像特征图；对该多个特征图进行处理，得到并输出运动目标在当前图像帧中的轮廓。通过上述设计，在CNN模型的输入信息中增加了当前图像帧之前的预设数量帧图像的信息，从而引入了运动目标的时序信息，使得CNN模型可以用更精简的神经网络层和网络参数对视频中的运动目标进行分割。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种运动目标分割方法及装置。

背景技术

图像分割是图像处理和编辑中的一项基本操作，精确地从图像中分割出所需要的区域是基于内容的图像处理算法的关键。视频分割可以看成是图像分割的扩展，是从视频流的每一帧图像分割出感兴趣的区域。在实际应用中，运动目标(如，人像、动物、交通工具等)分割是必要的处理步骤。

现有的运动目标分割方法主要包括以下两种：第一，传统分割方法，例如，基于阈值的分割方法、基于边缘的分割方法、基于区域增长的分割方法、基于聚类的分割方法以及基于图像的分割方法等；第二，基于深度学习的分割算法。

然而，上述第一种方法只适用于背景简单、运动目标没有剧烈运动且运动目标与背景对比鲜明的简单应用场景，一旦应用场景变复杂，则很容易出现分割错误；上述第二种方法，通常使用CNN(Convolutional Neural Network，卷积神经网络)模型来抽取图像底层特征(如，边缘特征、纹理特征等)，并不断抽取出抽象的语义信息，最后通过对图像上每个像素点进行分类来达到分割的目的，其算法复杂度较高，无法实现对运动目标的实时分割。

发明内容

有鉴于此，本发明的目的在于提供一种运动目标分割方法及装置，以改善上述问题。

为了达到上述目的，本发明实施例提供一种运动目标分割方法，应用于图像处理设备，所述图像处理设备预存有用于进行运动目标分割的CNN模型，所述方法包括：

针对待分割视频的当前图像帧，将所述当前图像帧以及从所述当前图像帧之前的预设数量帧图像中分割出的运动目标轮廓输入所述CNN模型进行处理，得到所述当前图像帧的多个特征图，所述多个特征图包括所述运动目标的运动时序特征图及底层图像特征图；

对所述多个特征图进行处理，得到并输出所述运动目标在所述当前图像帧中的轮廓。

可选地，所述CNN模型包括由卷积层和池化层组成的多个组合，所述多个组合依次连接，前一组合中的池化层的输出是下一组合中的卷积层的输入；所述多个特征图由多个不同的卷积层输出；

所述对所述多个特征图进行处理，得到并输出所述运动目标在所述当前图像帧中的轮廓，包括：

将所述多个特征图归一化到相同尺度；

通过级联的方式对相同尺度的所述多个特征图进行融合，得到并输出所述运动目标在所述当前图像帧中的轮廓。

可选地，所述通过级联的方式对相同尺度的所述多个特征图进行融合，得到并输出所述运动目标在所述当前图像帧中的轮廓，包括：

根据所述运动时序特征图计算出所述运动目标在所述当前图像帧中的轮廓所在范围；

根据所述底层图像特征图对所述轮廓所在范围进行校正，得到并输出所述运动目标在所述当前图像帧中的轮廓。

可选地，所述将所述多个特征图归一化到相同尺度，包括：

通过反卷积层对所述多个特征图进行尺度变换，从而得到相同尺度的所述多个特征图。