[发明专利]一种基于深度学习的高精度快速人体分割方法

权利要求书

1.一种基于深度学习的高精度快速人体分割方法，其特征在于，包括如下步骤：

步骤一）设计神经网络：根据人体的平均高宽比，确定输入图像的尺寸；神经网络采用对称漏斗结构，漏斗前半段使用卷积层，每个卷积层的步长均为2，后半段使用反卷积层，每个反卷积层的步长均为2；将漏斗前半段的特征图串联到后半段与其分辨率一样的特征图上，反卷积操作将作用于串联后的特征图，神经网络最后输出通道数为一的特征图；

步骤二）训练神经网络：搜集足够多的含有人体的图像，人工标注每个图像的每个像素，标为“人体”或“非人体”两类，将一些和人体紧密连接的附属物一同标注为“人体”，标注后的图像为分割图；使用搜集到的含有人体的图像的原图和分割图，通过随机梯度下降的算法训练神经网络；训练期间周期性地使用验证集对神经网络的性能进行测试，测试满足要求，即可停止训练；

步骤三）使用神经网络进行人体分割：使用人体检测设备采集包含人体的图像，经处理后再输入到训练好的神经网络中，神经网络输出图像中每个像素属于人体的概率，根据应用的情况选取概率阈值，概率高于阈值的像素为人体像素，即得到人体的分割图。

2.如权利要求1所述的一种基于深度学习的高精度快速人体分割方法，其特征在于，所述输入图像的尺寸为高150像素，宽70像素的矩形框。

3.如权利要求1所述的一种基于深度学习的高精度快速人体分割方法，其特征在于，所述步骤二）中，对含有人体的图像的原图和分割图进行加工处理，处理的步骤为：

根据分割图划出紧包人体的矩形框，将所述矩形框的四边向外随机扩展一个幅度，新得到的矩形框不超过原始图像的大小;

从原图中提取扩大后的新矩形框对应的区域，分割图也做同样的提取操作；

保持提取的区域高宽比不变，将其缩放至网络的输入大小；使用纯黑色补充不足的部分。

4.如权利要求1所述的一种基于深度学习的高精度快速人体分割方法，其特征在于，所述用于训练的图像数据分为训练集和验证集两个部分，训练集用于训练神经网络，验证集用于确认网络是否训练完成。