[发明专利]一种图像中目标物体的分割方法及装置

说明书

本发明实施例提供了一种图像中目标物体的分割方法，所述方法包括：获取待分割图像；将待分割图像输入预先训练完成的全卷积神经网络模型；全卷积神经网络模型提取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，获得与待分割图像的图像特征相匹配的图像样本的标签并输出；根据预设的标签与像素范围的对应关系，获得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待分割图像中目标物体所在位置的像素范围。可见，采用该方法对图像中目标物体的进行分割时，可以确定目标物体在图像中的像素范围，可实现像素级别的识别，对图像中目标物体识别的精确非常高。

技术领域

本发明涉及图像处理领域，特别是涉及一种图像中目标物体的分割方法及装置。

背景技术

图像中目标物体的分割在各个领域的应用非常广泛，其中，“分割”即指从图像中识别目标物体，确定目标物体在图像中的位置。图像中目标物体的分割在机械臂抓取物体、监控安防、人脸识别等领域均有重要作用。例如，在机械臂抓取物体过程中，机械臂在对目标物体进行抓取前，首先需要对摄像头获取的图像中的目标物体进行识别，确定目标物体的位置，然后才能进行抓取。可见，目标物体识别的准确率直接影响机械臂的抓取成功率。

一般情况下，图像中目标物体的分割是基于神经网络实现的，具体来说，将图像输入预先训练完成的神经网络中，神经网络便可以根据其在训练过程中学习到的标定位置内目标物体的图像特征，对输入图像中的目标物体进行检测和识别，确定图像中目标物体的位置并输出，该位置为一个矩形框。

可见，采用上述方法对图像中目标物体的进行识别时，只能确定目标物体的大概位置，即一个矩形框，对图像中目标物体识别的精确度不高，会导致后续处理过程(例如机械臂抓取物体)的准确率降低，甚至失败。

发明内容

本发明实施例的目的在于提供一种图像中目标物体的分割方法及装置，以提高对图像中目标物体识别的精确度。具体技术方案如下：

第一方面，本发明实施例提供了一种图像中目标物体的分割方法，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。

可选的，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。

可选的，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；