[发明专利]人像抠图方法、装置、计算机设备及可读存储介质

权利要求书

1.一种人像抠图方法，其特征在于，包括：

将目标处理图像输入预训练的语义分割网络进行语义分割处理，得到目标融合特征矩阵；

通过softmax函数对所述目标融合特征矩阵进行归一化处理，得到所述目标融合特征矩阵中每个像素的目标置信度；

根据预设置信度阈值及目标置信度对所述目标融合特征矩阵中每个像素进行二值化处理，得到掩模；

根据所述掩模对所述目标处理图像进行抠图处理，得到目标人像图。

2.根据权利要求1所述的人像抠图方法，其特征在于，所述语义分割网络包括不同分辨率的特征缩放模块、注意力特征提取模块和上采样模块，在所述将目标处理图像输入预训练的语义分割网络进行语义分割处理，得到目标特征融合图之前，包括：

将样本图像输入所述语义分割网络，依次经过不同分辨率的所述特征缩放模块进行特征缩放处理，得到不同分辨率的特征矩阵；

将不同分辨率的所述特征矩阵分别输入对应分辨率的自注意力模块进行注意力特征提取，得到不同分辨率的注意力特征矩阵；

通过不同分辨率的所述上采样模块对对应分辨率的所述注意力特征矩阵进行上采样处理，得到多个上采样结果，并对多个所述上采样结果进行特征融合处理，得到特征融合矩阵；

基于所述特征融合矩阵与对应的预置标签矩阵进行损失计算，得到特征损失，并基于所述特征损失对所述语义分割网络进行反向传播，更新整个网络的网络参数，得到最优的语义分割网络。

3.根据权利要求2所述的人像抠图方法，其特征在于，所述自注意力模块包括三个1×1卷积核的conv+bn层组合的卷积核模块，所述将不同分辨率的所述特征矩阵分别输入对应分辨率的自注意力模块进行注意力特征提取，得到不同分辨率的注意力特征矩阵，包括：

通过每一所述卷积核模块对对应分辨率的所述特征矩阵进行卷积处理，得到卷积结果，并按照预设形状展开所述卷积结果，得到对应分辨率的矢量化矩阵，所述矢量化矩阵包括查询矩阵、键值矩阵和值项矩阵；

采用L2归一化函数对所述查询矩阵和键值矩阵进行特征归一化处理，得到查询归一矩阵和键值归一矩阵，采用relu激活函数对所述值项矩阵进行线性整流处理，得到值项整流矩阵；

根据预置矩阵函数对所述查询归一矩阵、键值归一矩阵和值项整流矩阵进行乘积计算，得到所述乘积结果；

对所述乘积结果依次进行卷积归一化处理和relu激活函数处理，得到处理结果，将所述处理结果和卷积结果进行拼接，得到所述注意力特征矩阵。

4.根据权利要求3所述的人像抠图方法，其特征在于，所述矩阵函数的表达式如下：

其中，表示查询归一矩阵，表示键值归一矩阵，V表示值项整流矩阵，n表示特征的长和宽之间的乘积，T表示转置矩阵。

5.根据权利要求2所述的人像抠图方法，其特征在于，所述不同分辨率至少包括第一分辨率、第二分辨率和第三分辨率，所述对不同分辨率的所述注意力特征矩阵进行上采样处理，得到多个上采样结果，并对多个所述上采样结果进行特征融合处理，得到特征融合矩阵，包括：

对第一分辨率的注意力特征矩阵进行上采样处理，得到第一上采样结果；

将所述第一上采样结果与第二分辨率的注意力特征矩阵进行拼接，得到第二分辨率的新注意力特征矩阵；

将第二分辨率的新注意力特征矩阵进行上采样处理，得到第二上采样结果；

将所述第二上采样结果与第三分辨率的注意力特征矩阵进行拼接，得到第三分辨率的新注意力特征矩阵；

对第三分辨率的新注意力特征矩阵依次进行上采样处理及全连接处理，得到所述特征融合矩阵。

6.一种人像抠图装置，其特征在于，包括：

语义分割模块，用于将目标处理图像输入预训练的语义分割网络进行语义分割处理，得到目标融合特征矩阵；

归一化模块，用于通过softmax函数对所述目标融合特征矩阵进行归一化处理，得到所述目标融合特征矩阵中每个像素的目标置信度；

二值化模块，用于根根据预设置信度阈值及目标置信度对所述目标融合特征矩阵中每个像素进行二值化处理，得到掩模；

抠图模块，用于根据所述掩模对所述目标处理图像进行抠图处理，得到目标人像图。