[发明专利]一种基于优化卷积神经网络的图像语义分割方法

说明书

本发明公开了一种基于优化卷积神经网络的图像语义分割方法，通过自身迭代优化后的卷积神经网络对图像进行图像语义分割，对视频图像的每次处理都会优化卷积神经网络，从而提高图像语义切割的效果。本发明对优化的图像样本经过卷积神经网络的多次分割，数量会逐渐庞大，并且先训练后验证，再训练再验证，如此反复得到最终的卷积神经网络，训练数据和验证数据之间相当于存在母体和字体关系，既不会产生因训练数据差异较大导致的精度降低问题，而且还由于训练数据之间的漂移较小，有助于提升精度。

技术领域

本发明涉及计算机视觉技术领域，特别是涉及一种基于优化卷积神经网络的图像语义分割方法。

背景技术

随着计算机视觉技术的发展，数字图像处理技术被应用到各个领域，如实时定位系统、监控、安防、支付安全等等。数字图像处理包括图像增强、去燥、分割等等。

图像语义分割是图像理解的基础性技术，目前已被应用于真三维显示、无人驾驶以及辅助医疗等领域，也是计算机视觉方向中的研究热点之一。其主要任务是将图像中的每一个像素点进行分类，确定每个点的类别，从而进行区域划分。

现有技术中，利用卷积神经网络(Convolutional Neural Network,CNN)进行语义分割是常用的技术手段，而卷积神经网络的建立在整个过程中非常重要。语义分割(应用于静态2D图像、视频甚至3D数据、体数据)是计算机视觉的关键问题之一。但是由于图像样本数据之间关联性不够，漂移量大，导致卷积神经网络进行图像语义分割的精度不高，误差较大。

发明内容

针对现有技术中存在的问题与不足，提供了一种基于优化卷积神经网络的图像语义分割方法。

本发明提供了一种基于优化卷积神经网络的图像语义分割方法，具体操作步骤如下：

步骤1、从视频中截取具有复杂场景的一张彩色图像，作为样本图像；

步骤2、对样本图像进行预处理，包括归一化操作、图像伸缩操作，通过特征编码器提取预处理之后样本图像的图像特征；图像增强模型基于所述图像特征对样本图像进行图像增强，得到增强样本图像；

步骤3：对增强样本图像通过已优化的卷积神经网络进行图像语义分割形成初始分割样本集，其中，图像语义分割具体方法为当前分割数量为前一次分割数量的多倍；

步骤4：以迭代法的方式对已优化的卷积神经网络进行再次训练，具体方法为：

以间隔的方式获取初始分割样本集中的初始分割样本作为当前初始分割样本；与当前初始分割样本相邻的下一个初始分割样本作为下一初始分割样本；

用当前初始分割样本对已优化的卷积神经网络进行训练，得到训练后的卷积神经网络，用下一初始分割样本对训练后的卷积神经网络进行验证，得到优化的卷积神经网络；

步骤5：将经步骤4获得优化的卷积神经网络作为已优化的卷积神经网络，返回执行步骤1直至结束图像处理过程。

进一步地，所述步骤2中，所述特征编码器为ResNet-101网络，第一模块使用的是3x3卷积核，输入图像的分辨率是本模块输出的4倍；第二模块使用的是3x3卷积核，输入图像的分辨率是本模块输出的8倍。

进一步地，所述步骤2中，所述特征编码器为ResNet-101网络，其中，第三模块使用的卷积核在3X3卷积核的基础上叠加上3X1卷积核以及1X3卷积核。

进一步地，所述特征编码器为ResNet-101网络，其中，第4模块至第7模块使用了空洞卷积作为卷积核,卷积核的尺寸都为3x3,步长分别为4,8,16。

进一步地，所述步骤3中，图像语义分割具体方法为当前分割数量为前一次分割数量的1倍。

本发明相对于现有技术，具有以下有益效果：