[发明专利]一种前景目标提取方法及装置

说明书

本发明提供了一种前景目标提取方法及装置，其中，该方法包括：获取摄像头采集的目标图像；将所述目标图像输入预先训练好的目标神经网络模型中，得到所述目标神经网络模型的骨干网络输出的所述目标图像的特征信息；将所述特征信息输入所述目标神经网络模型的全连接层，得到所述目标图像的分类结果；根据所述分类结果将所述目标图像的特征信息输入对应的前景目标分割结构中，得到所述目标图像对应的前景目标图像，可以解决相关技术中基于视频图像进行人体分割，对于静态图像中前景人体的提取效果不佳的问题，通过目标神经网络模型中的参数通过训练直接得到，无需人工干预，实用性强，对于静态图像中前景人体的提取效果。

技术领域

本发明涉及图像处理领域，具体而言，涉及一种前景目标提取方法及装置。

背景技术

目标分割技术大都研究基于全景图片的目标分割，对图像中的通用物体进行分割。在步态识别领域中，通用方案是先采用人体分割算法，然后使用步态识别模型提取特征。

传统的人体分割算法具有明显优势。其中，传统的人体分割算法大体可分为2种：语义分割和实例分割。语义分割算法通常使用多尺度的分割网络，如Deeplab、PSP等，使用这些多尺度解决全景目标语义分割问题。在分割过程中，目标大小、目标尺度不一、色域等对分割效果有很大影响。实例分割算法通常全景图片中所有类别的目标进行实例分割，不同的人体，分类成不同的类别。这两种分割算法都对全景图像进行分割，但无法判断前景和背景目标，对于想对前景目标进行分析的算法，无法使用。

相关技术中提出一种基于卷积神经网络的人体分割方法，包括以下步骤。步骤S3：随机分布人体分割模型的网络参数，应用数据集反复迭代以更新网络参数。步骤S4：对于视频图像的人体位置进行预测以标示视频图像中的感兴趣区域。步骤S5：对于步骤S4的感兴趣区域进行人体分割，以获取视频图像中的人体。基于卷积神经网络的人体分割方法，能够人体运动过程特别是高速人体运动过程中实时识别人体和实时分割人体，较好地满足了视频实时性需求，较传统技术具有较高的识别准确率和稳定性。同时，对于视频或图像的质量要求不高，视频图像清晰度不佳的情况下依然能够完成人体识别和人体分割。基于视频图像进行人体分割，对于静态图像中前景人体的提取效果不佳。

针对相关技术中基于视频图像进行人体分割，对于静态图像中前景人体的提取效果不佳的问题，尚未提出解决方案。

发明内容

本发明实施例提供了一种前景目标提取方法及装置，以至少解决相关技术中基于视频图像进行人体分割，对于静态图像中前景人体的提取效果不佳的问题。

根据本发明的一个实施例，提供了一种前景目标提取方法，包括：

获取摄像头采集的目标图像；

将所述目标图像输入预先训练好的目标神经网络模型中，得到所述目标神经网络模型的骨干网络输出的所述目标图像的特征信息；

将所述特征信息输入所述目标神经网络模型的全连接层，得到所述目标图像的分类结果；

根据所述分类结果将所述目标图像的特征信息输入对应的前景目标分割结构中，得到所述目标图像对应的前景目标图像。

可选地，将所述特征信息输入所述目标神经网络模型的两个全连接层，得到所述目标图像的分类结果包括：

在所述目标图像包含前景目标且前景目标占比大于或等于预定比值的情况下，将所述目标图像的特征信息输入所述目标神经网络模型的全连接层，得到所述目标图像的分类结果为第一分类结果；

在所述目标图像包含前景目标且前景目标占比小于所述预定比值的情况下，将所述目标图像的特征信息输入所述目标神经网络模型的两个全连接层，得到所述目标图像的分类结果为第二分类结果。

可选地，根据所述分类结果将所述目标图像的特征信息输入对应的前景目标分割结构中，得到所述目标图像对应的前景目标图像包括：