[发明专利]一种快速的草坪语义分割及边界检测方法

说明书

为快速精确地辨识出不同场景、环境以及季节的草坪和非草坪区域以及其边界位置，本发明提出一种快速的草坪语义分割及边界检测方法，该方法基于快速语义分割模型进行草坪语义分割，并通过八邻域编码法检测草坪边界。本方法包括如下步骤：步骤1、通过摄像头获取视频帧；步骤2、利用快速语义分割模型分割当前帧，获得分割结果掩膜图像；步骤3、二值化分割结果掩膜图像，利用八邻域编码法检测草坪边界；步骤4、将检测结果映射到原图像上，作为输出图像；重复步骤2到步骤4，直到系统关闭。本方法能够快速、准确地进行草坪语义分割，检测出草坪边界。

技术领域

本发明属于计算机视觉领域，特别涉及一种快速的草坪语义分割及边界检测方法。

背景技术

随着人工智能以及大数据的快速发展，具有视觉信息的数据呈指数型增长。研究计算机视觉的宗旨是在海量的视频及图像的数据中提取具有语义信息的目标，使得计算机能够更好的理解和解决现实世界中的问题，给人们带来极大方便。目标检测虽然能辨识图像中目标的位置和类别，但无法检测目标的具体边界，也无法对图像中草坪、湖水、天空以及墙面裂纹等大面积或不规则的目标进行准确检测。

然而医疗、智能机器人以及无人机等应用，一般在大面积特定区域进行作业，需要计算机辨识出目标区域及其边界所在位置，这是一个目标区域的辨识和边界定位问题，概括为边界的检测问题。对于草坪语义分割及其边界检测问题，需要分析图像中场景的语义，辨识出草坪与非草坪区域。在此基础上定位出草坪以及与草坪相接触的非草坪区域的边界。

目标区域辨识是一个图像分割问题，图像分割主要分为两种方法：基于人工设计特征的图像分割方法和基于卷积神经模型（Convolutional neural network，CNN）的语义分割方法。基于人工设计特征的图像分割主要包括阈值法、聚类以及纹理等方法。这些方法具有实时的速度，但极容易出现空洞、相近特征区域之间相互“污染”以及误识等问题，导致边界的定位不准确。基于卷积神经模型的语义分割方法，具有自动学习特征的能力，并且不同层次学习不同的特征：低层的卷积层能表达图像的细节信息，学习图像的局部区域特征，有利于图像中各目标区域边界的定位；高层的卷积层能表达图像的语义信息，学习深层次的抽象特征，有利于图像中各目标区域的分类，比基于人工设计特征的方法取得了更好的分割效果。

随着深度学习的发展，Long J等人首次将全卷积的CNN用于语义分割，提出FCN模型，采用可学习的反卷积结构进行上采样弥补多次标准卷积和池化层引起的细节损失，并且进行逐像素的分类，但可学习的反卷积层结构，增加了计算量，并且模型缺少局部细节信息和语义信息，出现较为严重的类内不一致现象。后续又出现了SegNet、DeepLab、PSPNet和ICNet等语义分割模型。但是上述模型都存在着一些问题，例如SegNet有效感受野较小，高层的语义信息不足；DeepLab缺失图像的细节信息；PSPNet计算量大，速度很慢；ICNet高层语义信息的表达能力较弱。

综上所述，目前的图像分割方法在识别率、识别速度、实时性、功能性等方面都还难以满足实际的应用需求。

发明内容

针对草坪区域的检测问题，本发明提出了一种快速的草坪语义分割及边界检测方法，该方法基于快速语义分割模型分割草坪类和非草坪类，并通过八邻域编码法检测草坪边界。该方法具有识别率高，速度快的特点。

本发明的技术解决方案包括如下步骤：

步骤1、通过摄像头获取视频帧；

步骤2、利用快速草坪语义分割模型分割当前帧，获得分割结果掩膜图像；

步骤3、二值化分割结果掩膜图像，利用八邻域编码法检测草坪边界；

步骤4、将检测结果映射到原图像上，作为输出图像；

重复步骤2到步骤4，直到系统关闭。