图像分割模型的训练方法、装置、设备、存储介质及产品制造方法及图纸

本申请提供一种图像分割模型的训练方法、装置、设备、存储介质及产品，属于图像处理技术领域，该方法包括：根据目标前景和目标背景图像，得到二值化标签；根据初始帧图像中的目标前景的运动信息，将多帧目标前景叠加在目标背景图像中，得到运动模糊图像；将初始帧图像和运动模糊图像作为训练数据输入至图像分割模型，获取图像分割模型输出的预测分割图像；根据预测分割图像和二值化标签，对图像分割模型进行训练。本申请的方法，能够自动生成训练所需数据，无需人工采集训练数据及人工标注，采用叠加得到的运动模糊图像对模型进行训练，得到分割较为准确的图像分割模型，有效地对前景进行准确地分割。进行准确地分割。进行准确地分割。

【技术实现步骤摘要】
图像分割模型的训练方法、装置、设备、存储介质及产品


[0001]本申请涉及图像处理
，尤其涉及一种图像分割模型的训练方法、装置、设备、存储介质及产品。

技术介绍

[0002]前景分割是图像分析领域的研究难点之一，现有的前景分割方法主要分为基于传统图像算法的前景分割方法和基于深度学习的前景分割方法。
[0003]基于传统图像算法的前景分割方法主要依赖于背景减法原理，通过构建背景模型，获得差异图像定位前景目标，以进行前景分割。而基于深度学习的前景分割算法多由检测任务和语义分割任务演化而来，从单张图像层面探索前景与背景的关系，从而进行前景分割。
[0004]但是，图像分割模型大多基于目标分割数据集进行训练，训练前需要大量的人工标注及人工收集训练数据，无疑加大了模型训练的难度。

技术实现思路

[0005]本申请提供一种图像分割模型的训练方法、装置、设备、存储介质及产品，用以解决现有的图像分割模型训练前需要大量的人工标注及人工收集训练数据的问题。
[0006]第一方面，本申请提供一种图像分割模型的训练方法，包括：将目标前景设置在目标背景图像中，得到初始帧图像，并根据所述目标前景和所述目标背景图像，得到所述初始帧图像的二值化标签；根据所述初始帧图像中的目标前景的运动信息，将多帧目标前景叠加在所述目标背景图像中，得到运动模糊图像，其中，所述运动信息包括运动方向和运动平移矩阵；将所述初始帧图像和所述运动模糊图像作为训练数据输入至图像分割模型，获取所述图像分割模型输出的预测分割图像；根据所述预测分割图像和所述二值化标签，对所述图像分割模型进行训练，以获得训练的图像分割模型。
[0007]第二方面，本申请提供一种图像分割方法，包括：获取待检测图像；从所述待检测图像中提取背景图像；将所述待检测图像和所述背景图像分别输入至图像分割模型，得到所述图像分割模型输出的目标分割图像，其中，所述图像分割模型是通过如第一方面所述的方法训练得到的模型。
[0008]第三方面，本申请提供一种图像分割模型的训练装置，包括：图像处理单元，用于将目标前景设置在目标背景图像中，得到初始帧图像，并根据所述目标前景和所述目标背景图像，得到所述初始帧图像的二值化标签；图像处理单元，还用于根据所述初始帧图像中的目标前景的运动信息，将多帧目
标前景叠加在所述目标背景图像中，得到运动模糊图像，其中，所述运动信息包括运动方向和运动平移矩阵；第一处理单元，用于将所述初始帧图像和所述运动模糊图像作为训练数据输入至图像分割模型，获取所述图像分割模型输出的预测分割图像；第一处理单元，还用于根据所述预测分割图像和所述二值化标签，对所述图像分割模型进行训练，以获得训练的图像分割模型。
[0009]第四方面，本申请提供一种图像分割装置，包括：获取单元，用于获取待检测图像；第二处理单元，用于从所述待检测图像中提取背景图像；第二处理单元，还用于将所述待检测图像和所述背景图像分别输入至图像分割模型，得到所述图像分割模型输出的目标分割图像，其中，所述图像分割模型是通过如第一方面所述的方法训练得到的模型。
[0010]第五方面，本申请提供一种电子设备，包括：处理器，存储器及收发器；处理器，存储器及收发器电路互联；存储器存储计算机执行指令；收发器，用于收发数据；处理器执行存储器存储的计算机执行指令，使得处理器执行如第一方面或第二方面所述的方法。
[0011]第六方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面或第二方面所述的方法。
[0012]第七方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的方法。
[0013]本申请提供的图像分割模型的训练方法、装置、设备、存储介质及产品，通过将目标前景设置在目标背景图像中，得到初始帧图像，并根据所述目标前景和所述目标背景图像，得到所述初始帧图像的二值化标签；根据所述初始帧图像中的目标前景的运动信息，将多帧目标前景叠加在所述目标背景图像中，得到运动模糊图像，其中，所述运动信息包括运动方向和运动平移矩阵；将所述初始帧图像和所述运动模糊图像作为训练数据输入至图像分割模型，获取所述图像分割模型输出的预测分割图像；根据所述预测分割图像和所述二值化标签，对所述图像分割模型进行训练，以获得训练的图像分割模型，能够自动生成训练所需数据，无需人工采集训练数据，能够生成有标签数据且无需手动标注，而且采用叠加得到的运动模糊图像对模型进行训练，能够提高图像分割模型分割的精度，得到分割较为准确的图像分割模型。而且通过训练的图像分割模型能够较为准确的对图像进行分割处理，有效地对前景进行准确地分割。
附图说明
[0014]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0015]图1为本申请提供的图像分割模型的训练方法的应用场景示意图；
图2为本申请提供的一种图像分割模型的训练方法的流程示意图；图3为本申请提供的另一种图像分割模型的训练方法的流程示意图；图4为本申请提供的前景和背景图像示意图；图5为采用本申请提供的图像分割模型的训练方法得到运动模糊图像；图6为采用多帧构造图像直接合成的图像；图7为采用SuBSENSE合成的图像；图8为本申请提供的GNet模型的ASPP结构示意图；图9为本申请提供的一种图像分割模方法的流程示意图；图10为本申请提供的GNet模型结构示意图一；图11为本申请提供的GNet模型结构示意图二；图12为本申请提供的一种图像分割模型的训练装置的结构示意图；图13为本申请提供的一种图像分割模装置的结构示意图；图14为用来实现本申请实施例的图像分割模型的训练方法或图像分割模方法的电子设备的第一框图；图15为用来实现本申请实施例的图像分割模型的训练方法或图像分割模方法的电子设备的第二框图。
[0016]通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
[0017]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0018]为了清楚理解本申请的技术方案，首先对现有技术的方案进行详细介绍。
[0019]基于传统图像算法的前景分割方法主要依赖于背景减法原理，通过构建背景模型，获得差异图像定位前景目标，以进行前景分割。而基于深度学习的前景分割算法多由检测任务和语义分割任务演化而来，从单张图像层面探索前景与背景的关系，从而进行前景分割。
[0020本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分割模型的训练方法，其特征在于，所述方法包括：将目标前景设置在目标背景图像中，得到初始帧图像，并根据所述目标前景和所述目标背景图像，得到所述初始帧图像的二值化标签；根据所述初始帧图像中的目标前景的运动信息，将多帧目标前景叠加在所述目标背景图像中，得到运动模糊图像，其中，所述运动信息包括运动方向和运动平移矩阵；将所述初始帧图像和所述运动模糊图像作为训练数据输入至图像分割模型，获取所述图像分割模型输出的预测分割图像；根据所述预测分割图像和所述二值化标签，对所述图像分割模型进行训练，以获得训练的图像分割模型。2.根据权利要求1所述的方法，其特征在于，所述将目标前景设置在目标背景图像中，得到初始帧图像，包括：根据目标背景图像长度和目标前景长度确定目标前景左边界到目标背景图像左边界的第一距离；根据目标背景图像高度和目标前景高度确定目标前景上边界到目标背景图像上边界的第二距离；根据所述第一距离和所述第二距离，确定所述目标前景在所述目标背景图像中的目标位置；将所述目标前景设置在所述目标位置上，得到初始帧图像。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一距离和所述第二距离，确定所述目标前景在所述目标背景图像中的目标位置，包括：在与所述背景图像左边界的距离小于所述第一距离的位置中任选一个第一位置；在与所述背景图像上边界的距离小于所述第二距离的位置中任选一个第二位置；根据所述第一位置、第二位置和所述目标前景的尺寸，计算所述目标前景中心点在所述目标背景图像中的目标位置。4.根据权利要求1所述的方法，其特征在于，所述根据所述初始帧图像中的目标前景的运动信息，将多帧目标前景叠加在所述目标背景图像中，得到运动模糊图像，包括：根据第i
‑
1帧目标前景在所述目标背景图像中的运动方向和预设偏移角度确定第i帧目标前景在所述目标背景图像中的运动方向，其中，i∈[1，N
‑
1]，第0帧目标前景在所述目标背景图像中的运动方向是根据初始帧图像中的目标前景的运动方向确定的；根据预设帧间运动速度和所述第i帧目标前景在所述目标背景图像中的运动方向，确定第i帧目标前景相对于第i
‑
1帧目标前景在所述目标背景图像中的运动向量；根据所述运动向量确定候选平移矩阵，根据所述候选平移矩阵和所述第i
‑
1帧目标前景对应的上一运动平移矩阵，确定所述第i帧目标前景对应的目标运动平移矩阵，其中，第0帧目标前景对应的运动平移矩阵是根据初始帧图像中的目标前景的运动方向确定的；根据各帧目标前景在所述目标背景图像中的运动方向及对应的目标运动平移矩阵，将各帧目标前景叠加在所述目标背景图像中，得到运动模糊图像。5.根据权利要求1所述的方法，其特征在于，所述图像分割模型为GNet模型，所述将所述初始帧图像和所述运动模糊图像作为训练数据输入至图像分割模型，获取所述图像分割模型输出的预测分割图像，包括：
将所述初始帧图像和所述运动模糊图像分别输入至GNet模型的ResNet层中，获得初始帧图像对应的第一高分辨率特征图像和第一低分辨率特征图像及所述运动模糊图像对应的第二高分辨率特征图像和第二低分辨率特征图像，并根据所述第一高分辨率特征图像和第二高分辨率特征图像获得第一差分特征图像；将所述第一低分辨率特征图像和所述第二低分辨率特征图像输入至GNe...

【专利技术属性】
技术研发人员：刘继超，詹慧媚，付晓雪，金岩，邱敏，唐至威，胡国锋，冯谨强，
申请(专利权)人：青岛海纳云智能系统有限公司青岛海纳云数字科技有限公司，
类型：发明
国别省市：