[发明专利]一种基于深度学习的遮挡物体分割求解方法

说明书

本发明涉及图像分析技术领域，目的是提供一种基于深度学习的遮挡物体分割求解方法，步骤1：当物体被遮挡时，获取物体未被遮挡的图像，对图像进行初始化处理提取出面积参数和边框参数，执行步骤2；步骤2：将面积参数和边框参数作为输入发送至图像深度学习模型中，模型输出对应的边框全貌参数和面积全貌参数，根据需求继续进行参数的筛选，执行步骤3；步骤3：在多个边框全貌参数和面积全貌参数中筛选出标准边框全貌参数和标准面积全貌参数，将标准边框全貌参数和标准面积全貌参数发送至图像构建模型，得到物体全貌，本发明结构合理，设计巧妙，适合推广。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于深度学习的遮挡物体分割求解方法。

背景技术

给定一幅场景，人类可以很好地进行场景理解，比如人类不仅可以很好地识别出场景中的各个物体，还可以感知各个物体之间的关系，包括遮挡关系。遮挡在二维场景中经常发生，遮挡关系反映的是物体之间的深度次序关系，即近处的物体会遮挡远处的物体。人类可以很容易地对遮挡物体之间的关系进行判断，同时可以识别出被遮挡物体，其原因在于人眼随着对周围图像长期观察的经验积累，获得了大量的先验知识。

场景理解作为计算机视觉领域中一项极其重要的基础性任务，其目的是使计算机像人类一样理解场景。目前学者们对于场景理解的研究，主要分为两种：一种是基于神经网络模型，一种是基于概率图模型。近些年随着深度学习的广泛应用，特别是卷积神经网络(CNN)应用在图像领域取得巨大成功后，场景理解的各个子任务如场景识别、目标检测、场景分割等都取得了突破性进展。然而，基于神经网络模型的场景理解对于遮挡物体的研究较少，关注的只是对象本身(比如识别只是针对图片中的对象进行分类，分割只是针对像素点进行分类)，没有考虑对象之间的关系，因而无法对遮挡关系作出判断。其次，CNN网络一般需要大量的数据监督信息支持，要想识别出被遮挡物体，需要见过各个角度被遮挡的样本；此外，神经网络的认知过程纯粹就是一个基于卷积神经网络(CNN)前传和反传的过程，没有类似于人类大脑的反馈机制，这两者的本质区别是：前馈网络是一个自下而上的过程，而根据知识经验进行推理和反馈是一个自上而下的过程。概率图模型在逻辑推理和上下文信息关系方面有一定的优势，目前有一些研究可以利用贝叶斯推理、马尔可夫等一些概率图模型进行深度次序的推理，但由于概率图模型本身只是一种数学模型，相较于神经网络模型的准确率较低，而且针对不同的场景需要建立不同的模型，通用性差，对于一些比较复杂的场景，也无法利用概率图建模。

发明内容

本发明目的在于提供一种基于深度学习的遮挡物体分割求解方法，通过获取未被遮挡的部分物体面积，通过图像深度学习模型得出标准边框全貌参数和标准面积全貌参数，将标准边框全貌参数和标准面积全貌参数发送至图像构建模型，得到物体全貌，本发明结构合理，设计巧妙，适合推广；

本发明所采用的技术方案是：一种基于深度学习的遮挡物体分割求解方法，包括下列步骤：

步骤1：当物体被遮挡时，获取物体未被遮挡的图像，对图像进行初始化处理提取出面积参数和边框参数，执行步骤2；

步骤2：将面积参数和边框参数作为输入发送至图像深度学习模型中，模型输出对应的边框全貌参数和面积全貌参数，根据需求继续进行参数的筛选，执行步骤3；

步骤3：在多个边框全貌参数和面积全貌参数中筛选出标准边框全貌参数和标准面积全貌参数，将标准边框全貌参数和标准面积全貌参数发送至图像构建模型，得到物体全貌。

优选的，所述步骤1中，初始化处理包括将获取的物体物体未被遮挡的图像划分为多个单元格，对单元格的数量和面积进行统计，所述单元格为矩形，靠近物体边缘和遮挡界限的单元格的面积逐渐递减直至全覆盖图像。

优选的，获取的图像为物体的平面图像，单个物体最多获取三个方向的平面图像。

优选的，所述步骤2中，图像深度学习模型的搭建包括下列步骤：