[发明专利]生成图像的方法、训练人物检测模型的方法、程序及装置

说明书

本发明涉及图像生成领域和人物检测领域。具体涉及一种生成图像的方法，其中，所述方法包括以下步骤：S1、提供包含人物的原始图像(10)；S2、从原始图像(10)中裁剪出至少一个原始人物图像块(11)；S3、基于每个原始人物图像块(11)生成合成人物图像块(21)，其中，合成人物图像块(21)具有相应的原始人物图像块(11)中的背景以及与相应的原始人物图像块(11)中的人物姿态不同的人物姿态；S4、用合成人物图像块(21)替换原始图像(10)中的相应的原始人物图像块(11)以生成合成图像(20)。还涉及一种训练人物检测模型(40)的方法、一种计算机程序产品以及一种处理图像的装置。

技术领域

本发明涉及图像生成领域和人物检测领域，具体涉及一种生成图像的方法、一种训练人物检测模型的方法以及相应的计算机程序产品和处理图像的装置。

背景技术

基于计算机视觉的人物检测技术可通过处理摄像头采集到的图像或视频信息对人物的位置等进行检测。人物检测具有广泛的应用前景，例如可用于行人检测并作为车辆辅助驾驶、车辆自动驾驶、智能视频监控和人体行为分析等应用中的关键技术。近年来，机器学习逐渐成为计算机视觉等领域被广泛使用的算法。基于机器学习的人物检测技术越来越受到学术界和工业界的重视。

基于机器学习的人物检测模型的性能不仅取决于模型构建的质量，而且依赖于训练数据的质量和数量。为了保证人物检测模型的性能，通常需要大量的样本进行训练，然而大量样本的获取需要耗费大量的人力和物力。数据增强技术是一种较好的降低采集成本的方法，可以有效地扩展训练样本数，提高人物检测模型的识别准确率。

例如，现有的生成式网络如变分自编码器(Variational Autoencoder，简称VAE)、生成式对抗网络(Generative Adversarial Networks，简称GAN)等可以基于具有有限数量的训练样本的训练数据集生成新样本。

但是，目前生成的过程多为随机过程，现有的生成模型很难保证在生成高质量高清图像的同时精准地控制目标图像的样式，因而生成的图像不适于用作人物检测模型的训练样本。

因此，现有技术在图像生成方面以及提升人物检测模型识别率方面仍然存在诸多不足。

发明内容

本发明的目的在于提供一种改进的生成图像的方法、一种改进的训练人物检测模型的方法以及相应的计算机程序产品和装置。

根据本发明的第一方面，提供了一种生成图像的方法，其中，所述方法包括以下步骤：

S1、提供包含人物的原始图像；

S2、从原始图像中裁剪出至少一个原始人物图像块；

S3、基于每个原始人物图像块生成合成人物图像块，其中，合成人物图像块具有相应的原始人物图像块中的背景以及与相应的原始人物图像块中的人物姿态不同的人物姿态；

S4、用合成人物图像块替换原始图像中的相应的原始人物图像块以生成合成图像。

根据本发明，新生成的合成人物图像块具有原始人物图像块中的背景。即，合成人物图像块包含了与原始图像中的环境信息相匹配的背景信息。因此可以直接将原始人物图像块替换为相应的新生成的合成人物图像块。由此生成的完整的合成图像中除了人物以外的其它元素均不会被改变。在合成图像中，新的合成人物图像块既在合理的位置又有合理的大小，同时又能很好地符合原始图像中的环境信息。与原始图像相比，这些合成图像具有不同的人物姿态，因此可提供更多样的人物姿态和边界框信息。

根据本发明的一个可选实施例，合成人物图像块具有相应的原始人物图像块中的人物外观。

根据本发明的一个可选实施例，步骤S1还包括提供目标姿态信息，在步骤S3中，基于每个原始人物图像块并且根据目标人物姿态生成合成人物图像块，使得合成人物图像块具有目标姿态信息所代表的目标人物姿态。