图像分割的方法、装置、电子设备及存储介质.pdf

《图像分割的方法、装置、电子设备及存储介质.pdf》由会员分享，可在线阅读，更多相关《图像分割的方法、装置、电子设备及存储介质.pdf（18页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910901524.0 (22)申请日 2019.09.23 (71)申请人 北京达佳互联信息技术有限公司 地址 100085 北京市海淀区上地西路6号1 幢1层101D1-7 (72)发明人 黄慧娟郭益林赵松涛宋丛礼 郑文 (74)专利代理机构 北京三高永信知识产权代理 有限责任公司 11138 代理人 祝亚男 (51)Int.Cl. G06T 7/13(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 图像分。

2、割的方法、 装置、 电子设备及存储介 质 (57)摘要 本公开关于一种图像分割的方法、 装置、 电 子设备及存储介质， 属于图像处理领域。 所述方 法包括： 获取样本图像、 所述样本图像中检测对 象的基准位置信息和基准边缘信息； 将所述样本 图像输入所述特征提取模块， 得到所述样本图像 的特征信息； 基于所述特征信息和所述对象位置 检测模块， 确定所述样本图像包括的检测对象的 位置信息， 并基于所述特征信息和所述对象边缘 检测模块， 确定所述样本图像包括的检测对象的 边缘信息； 基于所述位置信息、 所述边缘信息、 所 述基准位置信息和所述基准边缘信息， 对所述待 训练的图像分割网络进行训练， 。

3、得到训练后的图 像分割网络。 采用本公开能够提高图像分割网络 对对象的位置识别的准确度。 权利要求书2页 说明书11页 附图4页 CN 110599514 A 2019.12.20 CN 110599514 A 1.一种图像分割网络的训练方法， 其特征在于， 待训练的图像分割网络包括特征提取 模块、 对象位置检测模块和对象边缘检测模块， 所述方法包括： 获取样本图像、 所述样本图像中检测对象的基准位置信息和基准边缘信息； 将所述样本图像输入所述特征提取模块， 得到所述样本图像的特征信息； 基于所述特征信息和所述对象位置检测模块， 确定所述样本图像包括的检测对象的位 置信息， 并基于所述特征信息。

4、和所述对象边缘检测模块， 确定所述样本图像包括的检测对 象的边缘信息； 基于所述位置信息、 所述边缘信息、 所述基准位置信息和所述基准边缘信息， 对所述待 训练的图像分割网络进行训练， 得到训练后的图像分割网络。 2.根据权利要求1所述的方法， 其特征在于， 所述基于所述位置信息、 所述边缘信息、 所 述基准位置信息和所述基准边缘信息， 对待训练的图像分割网络进行训练的步骤， 包括： 基于所述位置信息与所述基准位置信息的差异确定第一损失值， 并基于所述边缘信息 与所述基准边缘信息的差异确定第二损失值； 基于所述第一损失值和所述第二损失值， 对所述待训练的图像分割网络进行训练。 3.根据权利要求。

5、2所述的方法， 其特征在于， 所述基于所述第一损失值和所述第二损失 值， 对待训练的图像分割网络进行训练的步骤， 包括： 对所述第一损失值和所述第二损失值求和， 得到第三损失值； 基于所述第三损失值， 对所述特征提取模块、 所述对象位置检测模块和所述对象边缘 检测模块的模型参数进行调整。 4.根据权利要求1-3任一项所述的方法， 其特征在于， 所述基于所述位置信息、 所述边 缘信息、 所述基准位置信息和所述基准边缘信息， 对所述待训练的图像分割网络进行训练， 得到训练后的图像分割网络之后， 所述方法还包括： 在所述训练后的图像分割网络中删除所述对象边缘检测模块。 5.一种图像分割的方法， 其特。

6、征在于， 所述方法包括： 获取待分割的目标图像； 基于所述目标图像和如权利要求1-4任一项所述的训练后的图像分割网络， 确定所述 目标图像中的检测对象的目标位置信息。 6.根据权利要求5所述的方法， 其特征在于， 所述基于所述目标图像和如权利要求1-4 任一项所述的训练后的图像分割网络， 确定所述目标图像中的检测对象的目标位置信息， 包括： 基于所述目标图像和训练后的特征提取模块， 确定目标特征信息， 基于所述目标特征 信息和训练后的对象位置检测模块， 确定所述目标图像中的检测对象的目标位置信息。 7.一种图像分割网络的训练装置， 其特征在于， 待训练的图像分割网络包括特征提取 模块、 对象位。

7、置检测模块和对象边缘检测模块， 所述装置包括： 获取单元， 被配置为获取样本图像、 所述样本图像中检测对象的基准位置信息和基准 边缘信息； 输入单元， 被配置为将所述样本图像输入所述特征提取模块， 得到所述样本图像的特 征信息； 确定单元， 被配置为基于所述特征信息和所述对象位置检测模块， 确定所述样本图像 权利要求书 1/2 页 2 CN 110599514 A 2 包括的检测对象的位置信息， 并基于所述特征信息和所述对象边缘检测模块， 确定所述样 本图像包括的检测对象的边缘信息； 训练单元， 被配置为基于所述位置信息、 所述边缘信息、 所述基准位置信息和所述基准 边缘信息， 对所述待训练的。

8、图像分割网络进行训练， 得到训练后的图像分割网络。 8.一种图像分割的装置， 其特征在于， 所述装置包括： 获取单元， 被配置为获取待分割的目标图像； 确定单元， 基于所述目标图像和如权利要求7所述的训练后的图像分割网络， 确定所述 目标图像中的检测对象的目标位置信息。 9.一种电子设备， 其特征在于， 包括： 处理器； 用于存储所述处理器可执行指令的存储器； 其中， 所述处理器被配置为执行所述指令， 以实现如权利要求1至4中任一项所述的图 像分割网络的训练方法或权利要求5至6中任一项所述的一种图像分割的方法。 10.一种存储介质， 当所述存储介质中的指令由电子设备的处理器执行时， 使得所述电。

9、 子设备能够执行如权利要求1至4中任一项所述的图像分割网络的训练方法或权利要求5至 6中任一项所述的一种图像分割的方法。 权利要求书 2/2 页 3 CN 110599514 A 3 图像分割的方法、 装置、 电子设备及存储介质 技术领域 0001 本公开涉及图像处理领域， 尤其涉及一种进行图像分割的方法、 装置、 电子设备及 存储介质。 背景技术 0002 随着人工智能的发展， 图像分割的技术已经是人们经常用到的一种技术， 其目的 是检测出图像中属于目标对象的区域， 将图像中的属于目标对象的部分与不属于目标对象 的部分区分出来， 目标对象可以是人、 车、 动物等。 0003 目前进行图像分割。

10、的技术是： 通过建立图像分割网络对大量的样本图像进行学习 训练， 进而实现对目标对象的检测。 在图像分割网络中包括特征提取模块和位置检测模块， 特征提取模块将图片的特征信息提取出来传送给位置检测模块， 位置检测模块再提取目标 对象的位置信息与目标对象的基准位置信息对比得到损失值， 基于损失值确定特征提取模 块和位置检测模块中各参数的调整值， 进而对特征提取模块和位置检测模块中的参数进行 调整。 通过反复不断的学习训练， 训练后的特征提取模块和位置检测模块可以针对任意图 像输出一个二值图像， 其中， 属于目标对象的部分的像素值与不属于目标对象的部分像素 值不同， 从而， 将图像中属于目标对象的部。

11、分与不属于目标对象的部分区分出来。 0004 在实现本公开的过程中， 发明人发现现有技术至少存在以下问题： 当遇到图像内 容复杂、 噪声多等情况， 会出现检测到的位置信息存在较大的噪声的问题， 例如， 位置信息 中将对象之外的区域认定为对象所在的区域， 位置信息准确度较低。 发明内容 0005 本公开提供一种进行图像分割的方法、 装置、 电子设设及存储介质， 以至少解决相 关技术中检测位置信息准确度较低的问题。 本公开的技术方案如下： 0006 根据本公开实施例的第一方面， 提供一种图像分割网络的训练方法， 包括： 0007 获取样本图像、 所述样本图像中检测对象的基准位置信息和基准边缘信息；。

12、 0008 将所述样本图像输入所述特征提取模块， 得到所述样本图像的特征信息； 0009 基于所述特征信息和所述对象位置检测模块， 确定所述样本图像包括的检测对象 的位置信息， 并基于所述特征信息和所述对象边缘检测模块， 确定所述样本图像包括的检 测对象的边缘信息； 0010 基于所述位置信息、 所述边缘信息、 所述基准位置信息和所述基准边缘信息， 对所 述待训练的图像分割网络进行训练， 得到训练后的图像分割网络。 0011 可选的， 所述基于所述位置信息、 所述边缘信息、 所述基准位置信息和所述基准边 缘信息， 对待训练的图像分割网络进行训练的步骤， 包括： 0012 基于所述位置信息与所述。

13、基准位置信息的差异确定第一损失值， 并基于所述边缘 信息与所述基准边缘信息的差异确定第二损失值； 0013 基于所述第一损失值和所述第二损失值， 对所述待训练的图像分割网络进行训 说明书 1/11 页 4 CN 110599514 A 4 练。 0014 可选的， 所述基于所述第一损失值和所述第二损失值， 对待训练的图像分割网络 进行训练的步骤， 包括： 0015 对所述第一损失值和所述第二损失值求和， 得到第三损失值； 0016 基于所述第三损失值， 对所述特征提取模块、 所述对象位置检测模块和所述对象 边缘检测模块的模型参数进行调整。 0017 可选的， 所述图像分割网络还包括Softma。

14、x处理模块， 所述基于所述特征信息和所 述对象位置检测模块， 确定所述样本图像包括的检测对象的位置信息， 并基于所述特征信 息和所述对象边缘检测模块， 确定所述样本图像的检测对象的边缘信息的步骤， 包括： 0018 将所述特征信息输入对象位置检测模块中， 得到所述样本图像包括的检测对象的 初始位置信息， 基于Softmax处理模块， 对所述样本图像包括的检测对象的初始位置信息进 行处理， 得到所述样本图像包括的检测对象的位置信息； 0019 将所述特征信息输入对象边缘检测模块中， 得到所述样本图像包括的检测对象的 初始边缘信息， 基于Softmax处理模块， 对所述样本图像包括的检测对象的初始。

15、边缘信息进 行处理， 得到所述样本图像包括的检测对象的边缘信息。 0020 可选的， 所述基于所述位置信息、 所述边缘信息、 所述基准位置信息和所述基准边 缘信息， 对所述待训练的图像分割网络进行训练， 得到训练后的图像分割网络之后， 所述方 法还包括： 0021 在所述训练后的图像分割网络中删除所述对象边缘检测模块。 0022 根据本公开实施例的第二方面， 提供一种图像分割的方法， 包括： 0023 获取待分割的目标图像； 0024 基于所述目标图像和如上所述的训练后的图像分割网络， 确定所述目标图像中的 检测对象的目标位置信息。 0025 可选的， 所述基于所述目标图像和如上所述的训练后的。

16、图像分割网络， 确定所述 目标图像中的检测对象的目标位置信息， 包括： 0026 基于所述目标图像和训练后的特征提取模块， 确定目标特征信息， 基于所述目标 特征信息和训练后的对象位置检测模块， 确定所述目标图像中的检测对象的目标位置信 息。 0027 可选的， 所述图像分割网络还包括Softmax处理模块， 所述基于所述目标特征信息 和训练后的对象位置检测模块， 确定所述目标图像中的检测对象的目标位置信息的步骤， 包括： 0028 将所述目标特征信息输入训练后的对象位置检测模块中， 得到所述目标图像包括 的检测对象的初始位置信息； 0029 基于Softmax处理模块， 对所述目标图像包括的。

17、检测对象的初始位置信息进行处 理， 得到所述目标图像包括的检测对象的位置信息。 0030 根据本公开实施例的第三方面， 提供一种图像分割网络的训练装置， 包括 0031 获取单元， 被配置为获取样本图像、 所述样本图像中检测对象的基准位置信息和 基准边缘信息； 0032 输入单元， 被配置为将所述样本图像输入所述特征提取模块， 得到所述样本图像 说明书 2/11 页 5 CN 110599514 A 5 的特征信息； 0033 确定单元， 被配置为基于所述特征信息和所述对象位置检测模块， 确定所述样本 图像包括的检测对象的位置信息， 并基于所述特征信息和所述对象边缘检测模块， 确定所 述样本图。

18、像包括的检测对象的边缘信息； 0034 训练单元， 被配置为基于所述位置信息、 所述边缘信息、 所述基准位置信息和所述 基准边缘信息， 对所述待训练的图像分割网络进行训练， 得到训练后的图像分割网络。 0035 可选的， 训练单元， 被配置为： 0036 基于所述位置信息与所述基准位置信息的差异确定第一损失值， 并基于所述边缘 信息与所述基准边缘信息的差异确定第二损失值； 0037 基于所述第一损失值和所述第二损失值， 对所述待训练的图像分割网络进行训 练。 0038 可选的， 所述训练单元， 被配置为： 0039 对所述第一损失值和所述第二损失值求和， 得到第三损失值； 0040 基于所述第。

19、三损失值， 对所述特征提取模块、 所述对象位置检测模块和所述对象 边缘检测模块的模型参数进行调整。 0041 可选的， 所述图像分割网络还包括Softmax处理模块， 所述确定单元， 被配置为： 0042 将所述特征信息输入对象位置检测模块中， 得到所述样本图像包括的检测对象的 初始位置信息， 基于Softmax处理模块， 对所述样本图像包括的检测对象的初始位置信息进 行处理， 得到所述样本图像包括的检测对象的位置信息； 0043 将所述特征信息输入对象边缘检测模块中， 得到所述样本图像包括的检测对象的 初始边缘信息， 基于Softmax处理模块， 对所述样本图像包括的检测对象的初始边缘信息进。

20、 行处理， 得到所述样本图像包括的检测对象的边缘信息。 0044 可选的， 所述装置还包括删除单元， 所述删除单元， 被配置为： 0045 在所述训练后的图像分割网络中删除所述对象边缘检测模块。 0046 根据本公开实施例的第四方面， 提供一种图像分割的装置， 包括： 0047 获取单元， 被配置为获取待分割的目标图像； 0048 确定单元， 被配置为基于所述目标图像和如上所述的训练后的图像分割网络， 确 定所述目标图像中的检测对象的目标位置信息。 0049 可选的， 所述确定单元， 被配置为： 0050 基于所述目标图像和训练后的特征提取模块， 确定目标特征信息， 基于所述目标 特征信息和训。

21、练后的对象位置检测模块， 确定所述目标图像中的检测对象的目标位置信 息。 0051 可选的， 所述图像分割网络还包括Softmax处理模块， 所述确定单元， 还被配置为： 0052 将所述目标特征信息输入训练后的对象位置检测模块中， 得到所述目标图像包括 的检测对象的初始位置信息； 0053 基于Softmax处理模块， 对所述目标图像包括的检测对象的初始位置信息进行处 理， 得到所述目标图像包括的检测对象的位置信息。 0054 根据本公开实施例的第四方面， 提供一种电子设备， 包括： 0055 处理器； 说明书 3/11 页 6 CN 110599514 A 6 0056 用于存储所述处理器。

22、可执行指令的存储器； 0057 其中， 所述处理器被配置为执行所述指令， 以实现如第一方面所述的图像分割网 络的训练方法或如第二方面所述的图像分割的方法。 0058 根据本公开实施例的第五方面， 提供一种存储介质， 当所述存储介质中的指令由 电子设备的处理器执行时， 使得电子设备能够执行如第一方面所述的图像分割网络的训练 方法或如第二方面所述的图像分割的方法。 0059 根据本公开实施例的第六方面， 提供一种计算机程序产品， 当计算机程序产品在 服务器上运行时， 使得服务器执行如第一方面所述的图像分割网络的训练方法或如第二方 面所述的图像分割的方法。 0060 本公开的实施例提供的技术方案至少。

23、带来以下有益效果： 0061 本公开实施例， 在训练图像分割网络时， 增加了对象边缘检测模块， 从检测对象的 位置信息和边缘信息两个角度对图像分割网络进行训练， 因为检测对象的边缘和位置是直 接相关的， 所以这种训练方式可以提高图像分割网络对对象的位置识别的准确度， 可以降 低图像中的噪声对识别结果的影响， 可以降低复杂背景图像对识别结果的影响， 可以降低 强边缘对识别结果的影响， 同时不会增加对图像进行分割时的运算量。 0062 应当理解的是， 以上的一般描述和后文的细节描述仅是示例性和解释性的， 并不 能限制本公开。 附图说明 0063 此处的附图被并入说明书中并构成本说明书的一部分， 示。

24、出了符合本公开的实施 例， 并与说明书一起用于解释本公开的原理， 并不构成对本公开的不当限定。 0064 图1是根据一示例性实施例示出的一种图像分割网络的训练方法中图像分割网络 的架构图。 0065 图2是根据一示例性实施例示出的一种图像分割网络的训练方法的框图。 0066 图3是根据一示例性实施例示出的一种图像分割的方法的框图。 0067 图4a是一种图像分割的效果图。 0068 图4b是根据一示例性实施例示出的一种图像分割的效果图。 0069 图5是根据一示例性实施例示出的一种图像分割网络的训练的装置的框图。 0070 图6是根据一示例性实施例示出的一种图像分割的的装置的框图。 0071 。

25、图7是根据一示例性实施例示出的电子设备的结构示意图。 具体实施方式 0072 本公开提供的图像分割网络的训练方法可以由计算机设备实现， 该计算机设备可 以是服务器或终端。 可以由服务器或终端单独实现， 也可以由服务器和终端共同实现。 终端 可以是手机、 平板电脑、 智能穿戴设备、 台式计算机、 笔记本电脑等。 该服务器可以是一个单 独的服务器也可以是一个服务器组， 如果是单独的服务器， 该服务器可以负责下述方案中 的所有处理， 如果是服务器组， 服务器组中的不同服务器分别可以负责下述方案中的不同 处理， 具体的处理分配情况可以由技术人员根据实际需求任意设置， 此处不再赘述。 本实施 例以服务器。

26、执行对象检测为例进行方案的说明， 其它情况与之类似， 不再赘述。 说明书 4/11 页 7 CN 110599514 A 7 0073 图1是根据一示例性实施例示出的一种图像分割网络的训练方法中图像分割网络 的架构图。 参见图1， 本公开提供的图像分割网络的训练方法是通过大量的样本图像对待训 练的图像分割网络进行学习训练， 进而使图像分割网络达到将目标对象从图像中分割出来 的目的。 待训练的图像分割网络包括特征提取模块、 位置检测模块和边缘检测模块， 其中， 特征提取模块将图片的特征信息提取出来传送给位置检测模块和边缘检测模块， 位置检测 模块和边缘检测模块再将目标对象的位置信息和边缘信息提取。

27、出来并与目标对象的基准 位置信息和基准边缘信息进行对比计算得到损失值， 将损失值利用梯度下降法进行反向传 播， 对特征提取模块中的参数进行调整。 通过这样反复不断的学习训练， 最终达到检测出目 标对象在图片中准确区域的目的。 0074 本公开实施例的提供的图像分割的方法， 可以从任意图像中检测出其包含的各对 象在图片中的所处位置， 其中， 对象可以是人体、 人脸、 动物、 汽车或其他物体中的任意一类 物体。 本公开方案可以应用在各种与图像识别相关的场景， 例如， 公安机关通过卡口设备搜 捕犯罪嫌疑人的过程中， 使用本公开方案可以准确的提取出卡口设备抓拍的图像中的人体 或车辆的图像， 便于相关人。

28、员进行对比排查。 也可以应用在无人驾驶领域， 提高汽车识别周 围物体的准确率。 还可以应用在各种图片编辑软件中的， 能够实现自动准确的对所需编辑 对象进行抠图， 提高图片编辑效率。 本公开实施例中以人体为检测对象为例进行方案的详 细说明， 其他情况与之类似， 不再赘述。 0075 图2是根据一示例性实施例示出的一种图像分割网络的训练方法的流程图， 其中， 待训练的图像分割网络包括特征提取模块、 对象位置检测模块和对象边缘检测模块， 如图2 所示， 包括以下步骤。 0076 在步骤S21中， 获取样本图像、 样本图像中检测对象的基准位置信息和基准边缘信 息。 0077 其中， 检测对象的基准位置。

29、信息和后续内容中的位置信息的形式可以多种多样， 例如， 可以是检测对象的最小外接矩形的四个顶点的位置信息， 也可以是位置标定图像， 位 置标定图像是一个二值图像， 属于检测对象的像素点的像素值为第一数值， 如255， 不属于 检测对象的像素点的像素值为第二数值， 如0。 0078 检测对象的基准边缘信息和和后续内容中的边缘信息的形式可以多种多样， 例 如， 可以是边缘线上所有点的坐标， 又例如， 可以是边缘标定图像， 边缘标定图像是一个二 值图像， 属于检测对象边缘的像素点的像素值为第一数值， 如255， 不属于检测对象边缘的 像素点的像素值为第二数值， 如0。 0079 本公开实施例中， 以。

30、基准位置信息、 位置信息为位置标定图像， 并以基准边缘信 息、 边缘信息为边缘标定图像为例， 进行方案的详细说明， 其它情况与之类似， 本实施例不 再赘述。 0080 在实施中， 对待训练的图像分割网络的训练方法是通过大量的样本图像对待训练 的图像分割网络进行训练， 使图像分割网络达到将任意被检测对象进行从目标图像中分割 出来。 样本图像中包括含有检测对象的图像和不含有检测对象的图像。 在训练时， 对于样本 图像， 还可以获取其中检测对象的基准位置信息和基准边缘信息， 其中， 基准位置信息和基 准边缘信息可以通过人工标定的方式获取。 0081 例如， 把人体作为检测对象。 首先需要准备大量样本。

31、图像， 样本图像中有包含人体 说明书 5/11 页 8 CN 110599514 A 8 的图像也有不包含人体的图像。 然后人工标出图片中属于人体的像素和不属于人体的像 素， 其中可以将属于人体的像素的像素值设置为255， 将不属于人体的像素的像素值设置为 0， 这样就得到了人体的位置标定图像。 将得到的人体的位置标定图像通过canny算子(一个 多级边缘检测算法)进行边缘提取， 确定人体的边缘的像素点， 再将属于人体边缘的像素值 设为255， 不属于人体边缘的像素值设为0， 这样就得到了人体的边缘标定图像。 0082 在步骤S22中， 将样本图像输入特征提取模块， 得到样本图像的特征信息。 。

32、0083 在实施中， 可以将样本图像输入特征提取模块， 特征提取模块可以对样本图像的 数据进行处理计算， 输出样本图像的特征信息。 0084 在步骤S23中， 基于特征信息和对象位置检测模块， 确定样本图像包括的检测对象 的位置信息， 并基于特征信息和对象边缘检测模块， 确定样本图像包括的检测对象的边缘 信息。 0085 在实施中， 可以将特征提取模块输出的特征信息输入对象位置检测模块中， 得到 样本图像中检测对象的初始位置信息， 其中， 初始位置信息为初始位置标定图像， 技术人员 可以对初始位置标定图像中的像素值进行范围划分， 来确定属于检测目标的像素。 例如， 可 以设置两个数值范围， 对。

33、于初始位置标定图像中每个像素位置， 如果像素位置的像素值属 于第一数值范围， 则像素位置属于检测目标， 如果像素位置的数值属于第二数值范围， 则像 素位置不属于检测目标。 同样， 可以将特征提取模块提取的特征信息输入对象边缘检测模 块中， 得到样本图像中检测对象的初始边缘信息， 其中， 初始边缘信息为初始边缘标定图 像， 技术人员可以对初始边缘标定图像中的像素值进行范围划分， 来确定属于检测目标边 缘的像素。 例如， 可以设置两个数值范围， 对于初始边缘标定图像中每个像素位置， 如果像 素位置的数值属于第一数值范围， 则像素位置属于检测目标的边缘， 如果像素位置的数值 属于第二数值范围， 则像。

34、素位置不属于检测目标。 0086 可选的， 图像分割网络还包括Softmax处理模块， 相应的， 步骤S23的处理可以如 下： 将特征信息输入对象位置检测模块中， 得到样本图像包括的检测对象的初始位置信息， 基于Softmax处理模块， 对样本图像包括的检测对象的初始位置信息进行处理， 得到样本图 像包括的检测对象的位置信息； 将特征信息输入对象边缘检测模块中， 得到样本图像包括 的检测对象的初始边缘信息， 基于Softmax处理模块， 对样本图像包括的检测对象的初始边 缘信息进行处理， 得到样本图像包括的检测对象的边缘信息。 0087 在实施中， 图像分割网络中还可以设置有Softmax处理。

35、模块， Softmax处理模块可 以通过Softmax函数对上述初始位置标定图像中每个像素位置进行处理， 使初始位置信息 中像素位置的数值统一置在预设范围内， 进而得到样本图像中检测对象的位置信息。 同样， 可以利用Softmax处理模块中的Softmax函数对上述初始边缘标定图像中每个像素位置息 进行处理， 将初始位置信息中像素位置的数值统一置在预设范围内， 进而得到样本图像中 检测对象边缘的位置信息。 0088 例如， 将特征提取模块提取的图像的特征信息输入到对象位置检测模块中， 得到 样本图像中人体的初始位置标定图像， 初始位置标定图像可以看做是一个矩阵。 矩阵中有 不同数值。 经过So。

36、ftmax函数处理后， 可以将数值统一置在0-1的范围内， 进而可以得到人体 的位置标定图像。 其中， 人体的位置标定图像中趋近于0或趋近于1的数值最多， 可将人体的 位置标定图像近似看做为一个二值图像。 还可以将位置标定图像中的数值乘以255， 以便显 说明书 6/11 页 9 CN 110599514 A 9 示。 同样， 将特征信息输入对象位置检测模块中， 得到样本图像中人体的初始边缘标定图 像， 即得到一个初始边缘信息的矩阵， 经过Softmax函数处理后， 可以将数值统一置在0-1的 范围内， 进而可以得到人体的边缘标定图像。 其中， 人体的边缘标定图像中趋近于0或趋近 于1的数值最。

37、多， 可将人体的边缘标定图像近似看做为一个二值图像。 还可以将边缘标定图 像中的数值乘以255， 得到与上述人体的边缘标定图像的数据格式相同的位置信息， 以便计 算处理。 0089 可选的， Softmax处理模块还可以设置在图像分割网络中的对象位置检测模块中， 即对象位置检测模块中包括Softmax处理模块和对象位置检测子模块。 相应的， 步骤S23的 处理可以如下： 将特征信息输入对象位置检测子模块中， 得到样本图像包括的检测对象的 初始位置信息， 基于Softmax处理模块， 对样本图像包括的检测对象的初始位置信息进行处 理， 得到样本图像包括的检测对象的位置信息； 将特征信息输入对象边。

38、缘检测子模块中， 得 到样本图像包括的检测对象的初始边缘信息， 基于Softmax处理模块， 对样本图像包括的检 测对象的初始边缘信息进行处理， 得到样本图像包括的检测对象的边缘信息。 0090 在实施中， 将样本图像的特征信息输入到对象位置检测子模块中， 可以得到初始 位置信息， 然后可以利用Softmax处理模块对初始位置信息进行处理。 将样本图像的特征信 息输入到对象边缘检测子模块中， 可以得到初始边缘信息， 然后可以利用Softmax处理模块 对初始边缘信息进行处理。 其中， Softmax处理模块对初始位置信息和初始边缘信息进行处 理的方式与上述Softmax处理模块对初始位置信息和。

39、初始边缘信息处理的方式相同， 此处 不再赘述。 0091 在步骤S24中， 基于位置信息、 边缘信息、 基准位置信息和基准边缘信息， 对待训练 的图像分割网络进行训练， 得到训练后的图像分割网络。 0092 在实施中， 可根据上述得到的位置信息与基准位置信息的差异值对位置检测模块 进行训练。 根据上述得到的边缘信息与基准边缘信息的差异值对边缘检测模块进行训练。 其中， 训练的过程可以根据差异值调整对象位置检测模块和对象边缘检测模块中的参数 值， 使差异值越来越小。 0093 可选的， 通过位置信息与基准位置信息的差异值对待训练的图像分割网络进行训 练。 对待训练的图像分割网络进行训练的步骤如下。

40、： 基于位置信息与基准位置信息的差异 确定第一损失值， 并基于边缘信息与基准边缘信息的差异确定第二损失值， 对第一损失值 和第二损失值求和， 得到第三损失值， 基于第三损失值， 对特征提取模块、 对象位置检测模 块和对象边缘检测模块的模型参数进行调整。 0094 在实施中， 当得到上述的目标对象的位置信息和边缘信息后， 会对位置信息和基 准位置信息进行计算得到第一损失值， 对边缘信息和基准边缘信息进行计算得到第二损失 值， 再将第一损失值和第二损失值求和， 得到第三损失值。 利用梯度下降法对第三损失值进 行反向传播， 对对象特征提取模块、 对象位置检测模块和对象边缘检测模块分别进行训练， 调整。

41、各模块中的参数。 通过向图像分割网络中输入大量的样本对图像分割网络进行反复的 训练， 不断地调整特征提取模块、 对象位置检测模块和对象边缘检测模块中的参数， 使得第 一损失值和第二损失值越来越小， 当检测到图像分割网络的检测准确度达到一定的阈值， 例如97， 便可结束对图像分割网络的训练。 即得到了训练之后的图像分割网络， 训练之后 的图像分割网络可以将任意被检测对象进行从目标图像中分割出来。 说明书 7/11 页 10 CN 110599514 A 10 0095 例如， 将上述得到的人体位置信息与人体的位置标定图像进行对比计算得到一个 交叉熵loss1(即第一损失值)， 将上述得到的人体边。

42、缘信息与人体的准确边缘信息进行对 比计算得到另一个交叉熵loss2(即第二损失值)， 将loss1与loss2求和得到loss(即第三损 失值)。 利用梯度下降法将loss代入到训练函数中， 根据训练函数的结果的调整特征提取模 块、 对象位置检测模块和对象边缘检测模块中的参数。 然后， 可以继续将其它样本图片输入 到深度学习网络中， 便可得到新的loss值， 并进一步训练各模块中的参数， 通过反复训练， 不断地调整特征提取模块、 对象位置检测模块和对象边缘检测模块中的参数， 当检测到图 像分割网络的检测准确度达到一定的阈值， 例如97， 便可结束对图像分割网络的训练。 0096 可选的， 图像。

43、分割网络的实际应用中可以将对象边缘检测模块从网络中删除， 或 者将对象边缘检测模块屏蔽。 相应的， 训练完成后， 可以在训练后的图像分割网络中删除对 象边缘检测模块。 0097 在实施中， 第三损失值是第一损失值和第二损失值的求和， 第一损失值是对象位 置检测模块输出的位置信息与基准位置信息的差异值， 第二损失值是对象边缘检测模块输 出的边缘信息与基准边缘信息的差异值。 通过第三损失值对图像分割网络进行训练， 可以 使图像分割网络中的对象位置检测模块受到第二损失值的影响， 对象位置检测模块在检测 对象的位置信息时， 同时检测对象的边缘信息， 综合对象的位置信息和对象的边缘信息输 出最终的位置信。

44、息。 在应用中， 可将对象边缘检测模块在图像分割网络中删去。 0098 本公开实施例， 在训练图像分割网络时， 增加了对象边缘检测模块， 从检测对象的 位置信息和边缘信息两个角度对图像分割网络进行训练， 因为检测对象的边缘和位置是直 接相关的， 所以这种训练方式可以提高图像分割网络对对象的位置识别的准确度， 可以降 低图像中的噪声对识别结果的影响， 可以降低复杂背景图像对识别结果的影响， 可以降低 强边缘对识别结果的影响， 同时不会增加对图像进行分割时的运算量。 0099 图3是根据一示例性实施例示出的一种图像分割的方法的流程图， 如图3所示， 包 括以下步骤。 0100 在步骤S31中， 获。

45、取待分割的目标图像。 0101 在步骤S32中， 基于目标图像和训练后的图像分割网络， 确定目标图像中的检测对 象的目标位置信息。 0102 在实施中， 当步骤S24中训练后的图像分割网络可以将任意被检测对象进行从目 标图像中分割出来后， 便可将图像分割网络进行应用。 在应用中， 将目标图像输入到图像分 割网络中， 图像网络便可输出将目标图像中的被检对象在目标图像中突出显示， 达到图像 分割的效果。 0103 可选的， 图像分割网络的实际应用中可以将对象边缘检测模块从网络中删除， 或 者将对象边缘检测模块屏蔽。 相应的， 基于目标图像和训练后的特征提取模块， 确定目标特 征信息， 基于所述目标。

46、特征信息和训练后的对象位置检测模块， 确定所述目标图像中的检 测对象的目标位置信息。 0104 在实施中， 图像分割网络的实际应用中可以将对象边缘检测模块从网络中删除， 或者将对象边缘检测模块屏蔽。 将特征提取模块提取的特征信息输入对象位置检测模块 中， 得到样本图像包括的检测对象的初始位置信息， 其中， 初始位置信息为初始位置标定图 像， 根据设置的数值范围， 对于初始位置标定图像中每个像素位置， 如果像素位置的数值属 说明书 8/11 页 11 CN 110599514 A 11 于第一数值范围， 则像素位置属于检测目标， 如果像素位置的数值属于第二数值范围， 则像 素位置不属于检测目标。。

47、 0105 可选的， 图像分割网络还包括Softmax处理模块， 在确定目标图像中的检测对象的 目标位置信息时， 还可以有以下处理方式： 将目标特征信息输入训练后的对象位置检测模 块中， 得到目标图像包括的检测对象的初始位置信息。 基于Softmax处理模块， 对目标图像 包括的检测对象的初始位置信息进行处理， 得到目标图像包括的检测对象的位置信息。 0106 在实施中， 图像分割网络还包括Softmax处理模块， Softmax处理模块可以用 Softmax函数对检测对象的初始位置信息进行处理， 将初始位置信息中像素位置的数值统 一置在预设范围内， 进而得到样本图像包括的检测对象的位置信息。。

48、 0107 例如， 将图像输入到训练好的深度学习网络中， 特征提取模块将图像的特征信息 提取出来， 再将图像的特征信息输入对象位置检测模块， 到得到样本图像中人体的初始位 置标定图像。 得到的初始位置标定图像经过Softmax函数处理， 将初始位置标定图像中的每 个像素值置为0-1范围内， 其中像素值趋近于1的像素即为属于人体的像素， 如此便可得到 图像中人体的位置信息。 如图4a为一般图像分割网络对人体的分割结果， 图4b本公开提供 的图像分割网络对人体的分割结果。 0108 可选的， Softmax处理模块还可以设置在图像分割网络中的对象位置检测模块中， 即对象位置检测模块中包括Softm。

49、ax处理模块和对象位置检测子模块。 相应的， 将目标特征 信息输入训练后的对象位置检测子模块中， 得到目标图像包括的检测对象的初始位置信 息； 基于Softmax处理模块， 对所述目标图像包括的检测对象的初始位置信息进行处理， 得 到所述目标图像包括的检测对象的位置信息。 0109 在实施中， 将样本图像的特征信息输入到对象位置检测子模块中， 可以得到初始 位置信息， 然后可以利用Softmax处理模块对初始位置信息进行处理。 将样本图像的特征信 息输入到对象边缘检测子模块中， 可以得到初始边缘信息， 然后可以利用Softmax处理模块 对初始边缘信息进行处理。 其中， Softmax处理模块。

50、对初始位置信息进行处理的方式与上述 Softmax处理模块对初始位置信息处理的方式相同， 此处不再赘述。 0110 本公开实施例， 在训练图像分割网络时， 增加了对象边缘检测模块， 从检测对象的 位置信息和边缘信息两个角度对图像分割网络进行训练， 因为检测对象的边缘和位置是直 接相关的， 所以这种训练方式可以提高图像分割网络对对象的位置识别的准确度， 可以降 低图像中的噪声对识别结果的影响， 可以降低复杂背景图像对识别结果的影响， 可以降低 强边缘对识别结果的影响， 同时不会增加对图像进行分割时的运算量。 0111 图5是根据一示例性实施例示出的一种图像分割网络的训练装置框图。 参照图5， 该。