[发明专利]一种图像中目标物体的分割方法及装置

权利要求书

1.一种图像中目标物体的分割方法，其特征在于，所述方法包括：

获取待分割图像；

将所述待分割图像输入预先训练完成的全卷积神经网络模型；其中，所述全卷积神经网络模型为：基于图像样本及其对应的标签，对预设的全卷积神经网络架构进行参数训练所得到的全卷积神经网络模型；

所述全卷积神经网络模型提取所述待分割图像的图像特征，根据其包含的图像样本的图像特征与标签的对应关系，获得与所述待分割图像的图像特征相匹配的图像样本的标签并输出；其中，所述标签用于标识目标物体在图像样本中所在位置的像素范围；

根据预设的标签与像素范围的对应关系，获得所述全卷积神经网络模型输出的图像样本的标签所对应的像素范围；

将获得的像素范围确定为所述待分割图像中目标物体所在位置的像素范围。

2.如权利要求1所述的方法，其特征在于，在所述将所述待分割图像输入预先训练完成的全卷积神经网络模型的步骤之前，所述方法还包括：

获取所述待分割图像对应的深度图像；

所述将所述待分割图像输入预先训练完成的全卷积神经网络模型的步骤，包括：

将所述待分割图像及其对应的深度图像输入预先训练完成的全卷积神经网络模型，其中，所述预先训练完成所得到的全卷积神经网络模型包含图像样本的图像特征、深度图像特征和标签的对应关系。

3.如权利要求1所述的方法，其特征在于，所述全卷积神经网络模型的训练方式，包括：

获取多个训练图像；

对每一训练图像进行抠图处理，得到每一训练图像中的目标物体图像；

针对每一目标物体图像进行图像增强处理，得到多个处理后的目标物体图像；

将所述处理后的目标物体图像与预设背景图像进行合成处理，得到多个图像样本；

根据每一目标物体图像在对应的图像样本中所在位置的像素范围，确定每个图像样本对应的标签；

将所述图像样本及其对应的标签输入所述预设的全卷积神经网络架构进行参数训练；

当所述全卷积神经网络架构的损失函数的值达到预设值，或，迭代次数达到预设次数时，完成训练，得到所述包含图像样本的图像特征与标签的对应关系的全卷积神经网络模型。

4.如权利要求2所述的方法，其特征在于，所述全卷积神经网络模型的训练方式，包括：

获取多个训练图像，并获取每一训练图像对应的深度图像样本；

对每一训练图像进行抠图处理，得到每一训练图像中的目标物体图像；

针对每一目标物体图像进行图像增强处理，得到多个处理后的目标物体图像；

将所述处理后的目标物体图像与预设背景图像进行合成处理，得到多个图像样本；

根据每一目标物体图像在对应的图像样本中所在位置的像素范围，确定每个图像样本对应的标签；

将所述图像样本及其对应的标签及深度图像样本输入所述预设的全卷积神经网络进行参数训练；

当所述全卷积神经网络架构的损失函数的值达到预设值，或，迭代次数达到预设次数时，完成训练，得到所述包含图像样本的图像特征、深度图像特征与标签的对应关系的全卷积神经网络模型。

5.如权利要求3或4所述的方法，其特征在于，所述预设的全卷积神经网络架构包括：

预设数量的卷积层、在第一预设卷积层后的池化层、在第二预设卷积层后的dropout层、输出层以及在输出层前的反卷积层，其中，所述池化层用于提取全局特征；所述dropout层用于按照预设比例丢弃卷积层输出特征图对应的神经元；所述反卷积层用于得到和所述图像样本大小相同的特征图，并输入所述输出层。