[发明专利]一种基于人工智能的运动服服装图像分割方法

说明书

本发明公开了一种基于人工智能的运动服服装图像分割方法，包括以下步骤：S1：采集服装图像组成服装数据集，并标注图像分割信息；S2：读取数据集中的图片，将读取的图像进行预处理后送入服装图像分割模型的服装特征提取网络中提取服装特征，得到具有服装特征的特征图；S3：根据模板获取图像几何特征，对待处理图像进行尺度缩放和角度校正；S4：根据模板获取图像颜色特征，结合RGB与HSV空间对图像模板与待处理图像进行相似判断，以得到待处理图像的初始像素类别。通过使用本方法，对边缘和空间信息的提取可以更加的完整，分割的后的结果边缘比较光滑，和背景区分明显。

技术领域

本发明涉及服装图像分割技术领域，具体为一种基于人工智能的运动服服装图像分割方法。

背景技术

图像分割是计算机视觉中的经典问题，是计算机视觉的基础，对于图像中内容的分割，是图像理解的重要组成部分。传统计算机视觉方法通过灰度、几何形状、空间纹理信息等特征把图像中不同的实体或区域分割出来，得到的同一区域或者实体中特征保持一致性或相似性，在不同的实例中表现出明显的不同。但传统方法图像分割模型粗糙，分割精度普遍较低，不适用于多种服装风格或相似服装颜色和背景的服装图像。

中国专利文献：CN201811082187.9，申请日2018.09.17，专利名称为：基于深度学习的时尚服装图像分割方法，公开了一种基于深度学习的时尚服装图像分割方法，包括用特征提取模块、服装语义信息提取模块和服装分割预测模块组成的深度神经网络结构模型；用关键点位置的回归函数、关键可见性损失函数、带权重的服装预测类别交叉熵损失函数以及服装位置的回归损失函数作为损失函数；权重参数初始化方法、数据的预处理、优化算法以及训练步骤作为优化策略，对图像中的服装进行分割。

中国专利文献：CN202111034024.5，申请日2021.09.03，专利名称为：模型训练方法、服装细粒度分割方法及相关装置，公开了一种模型训练方法、服装细粒度分割方法及相关装置，包括用CBNet和FPN相结合的架构组成的特征提取模块；用训练图像对应的特征信息通过预测模块对训练图像进行分割，训练图像对应的预测信息；用预测信息和标注信息通过深度神经网络进行训练，得到服装细粒度分割模型。

上述专利文献CN201811082187.9中的基于深度学习的时尚服装图像分割方法，用的是一种单主线的神经网络提取方法，通过特征提取模块、服装语义信息提取模块和服装分割预测模块串联组成网络结构对图片信息进行提取。上述专利文献CN202111034024.5中的模型训练方法和服装分割方法，通过两个不通的网络结构组合成新的网络结构，分两次训练以达到细粒度分割的目的，提升精度和准确度。但是这上述分割算法依旧存在以下缺陷：图像背景复杂，服装的边缘信息和复杂背景的信息易混淆，出现边缘模糊等问题。

发明内容

针对现有技术的不足，本发明提供了一种基于人工智能的运动服服装图像分割方法。

为实现上述目的，本发明提供如下技术方案：一种基于人工智能的运动服服装图像分割方法，包括以下步骤：

S1：采集服装图像组成服装数据集，并标注图像分割信息；

S2：读取数据集中的图片，将读取的图像进行预处理后送入服装图像分割模型的服装特征提取网络中提取服装特征，得到具有服装特征的特征图；

S3：根据模板获取图像几何特征，对待处理图像进行尺度缩放和角度校正；

S4：根据模板获取图像颜色特征，结合RGB与HSV空间对图像模板与待处理图像进行相似判断，以得到待处理图像的初始像素类别；

S5：从模板中获取会造成欠分割问题的模特局部特征，将待处理图像中的对应模特局部特征区域的像素的初始像素类别置为“可能背景”；

S6：从模板中获取每种服装类型中会造成过分割问题的服饰特征，在待处理图像服饰特征区域内进行特征匹配，匹配得到的区域对应像素的初始图像类别置为“绝对前景”；

S7：基于提取的待分割显著区域进行分割，得到多目标服装图像显著区域初步分割结果；