[发明专利]基于循环卷积的物体分割方法及装置

说明书

本发明公开了一种物体分割方法及装置，通过预测图像中物体的轮廓线来进行物体的分割。为了预测物体的轮廓线，本发明提供了一种基于循环卷积的特征学习方法和一种曲线变形方法。本发明的实现包括：基于初始化闭合曲线，为曲线的每个节点构造特征向量；对定义在闭合曲线上的特征向量序列，使用循环卷积进行特征学习；基于循环卷积，提出一个深度神经网络进行曲线的变形；基于曲线变形方法实现物体分割；处理包含多个连通区域的目标物体。本发明通过循环卷积，实现了在曲线上高效的特征学习，提高了基于轮廓线进行物体分割的方法的准确率。

技术领域

本发明属于计算机技术领域，尤其涉及一种基于循环卷积的物体分割方法及装置。

背景技术

在相关的物体分割技术中，传统图像处理的方法通过优化初始曲线得到物体轮廓曲线，但易陷入局部最优点。近期一些深度学习方法直接回归物体轮廓曲线，但分割效果不够准确。此外还有使用图卷积在初始曲线上进行特征学习，从而预测物体轮廓曲线的实现方式。但是使用一般化的图卷积没有充分利用曲线的拓扑特征，使得特征学习不一定非常高效。

发明内容

本发明的目的在于针对现有技术的不足，提出一种基于循环卷积的曲线上的特征学习方法，并使用学习得到的特征来变形曲线。本发明基于曲线变形方法来做物体分割。

根据本发明的第一方面，提供了一种基于循环卷积的曲线上的特征学习方法，包括：

1.图像特征的生成：给定一张要进行物体分割的图片，使用深度神经网络处理图片，提取图片特征。图片特征类似于图片，是一个张量矩阵。图片特征的分辨率根据输入的图片和神经网络决定。图片特征的提取可以使用大多数现存的深度神经网络。

2.曲线上特征的构造：给定图像上一条闭合曲线，该曲线由N个节点组成。基于图片特征，可以为每个节点构造一个特征向量。

3.基于循环卷积的曲线上的特征学习方法：在图论中，一条闭合曲线是一个循环图。在循环图中，N个节点形成一个闭合链，每个节点的度为2，也就是每个节点是两条边的端点。在曲线未闭合时，曲线上的特征向量就是一个一维离散信号，可以与一维卷积核进行一维卷积，从而实现信号处理。在曲线闭合时，曲线上的特征向量是一个周期性的一维离散信号。此时在这种周期性的特性向量序列上的一维卷积，称为循环卷积。

4.基于循环卷积的神经网络：标准的一维卷积是使用一个一维卷积核与一维离散信号做卷积，循环卷积是使用一个一维卷积核与一维周期性的离散信号做卷积。因此，循环卷积可以像一维卷积一样，用来构成一个神经网络层，嵌入到常用的深度神经网络中，用于做特征提取。

根据本发现的第二方面，提供了一种曲线变形方法，包括：

1.偏移量预测：给定一张图片和一条闭合曲线，进行本发明提出的曲线上的特征学习。经过特征学习，每个节点上现在有一个高层次语义信息的特征向量。使用深度学习常用的回归器，比如多层感知机或者1x1卷积，就可以在每个曲线节点上预测一个偏移量。这个偏移量代表从当前节点坐标到目标节点坐标的偏移。在物体分割中，目标曲线是物体轮廓线，此时的偏移就是从曲线节点指向物体边缘点。

2.曲线变形：在每个节点预测出偏移量后，给每个节点坐标加上偏移量，更新曲线节点坐标，实现曲线变形。

根据本发明的第三方面，提供了一种物体分割方法，包括：

1.物体检测器：本发明的物体分割方法可以使用大多数现存的目标物体检测器。基于深度学习的目标物体检测器由两部分组成，一个是神经网络骨干结构，一个是回归器。神经网络骨干结构读入目标图片，输出图片特征。基于图片特征，回归器预测图片中物体的位置和类别。物体的位置用二维矩形框表示，物体类别用独热向量表示。