【技术实现步骤摘要】
本专利技术涉及实例分割，具体涉及一种基于轮廓的行人实例分割方法。
技术介绍
1、在自动驾驶领域，对行人进行实例分割，有着至关重要的作用，能避免很多交通事故的发生。随着深度学习的快速发展，实例分割算法不断优化更新，取得的效果也明显优于传统算法，准确度和效率都得到了极大的提高。由于现有实例分割算法一般是针对物体的实例分割所提出的，物体的轮廓一般不会随意发生改变，而行人的轮廓会因人的运动而经常性发生改变，因此现有实例分割算法在应用到行人轮廓的实例分割上时，存在以下问题：1)现有实例分割算法基于检测框实现实例分割，受检测框的局限性很大，难以准确分割出变化的行人轮廓；2)现有实例分割算法采用逐像素计算方式，会降低分割速度；3)现有实例分割算法的边界区域的质量仍然不令人满意。
技术实现思路
1、本专利技术所要解决的是现有实例分割算法存在的分割精度低、分割速度慢、边界区域质量差的问题，提供一种基于轮廓的行人实例分割方法。
2、为解决上述问题，本专利技术是通过以下技术方案实现的：
3、一种基于轮廓的行人实例分割方法，包括步骤如下：
4、步骤1、将待分割图像输入到基于yolov5网络的行人检测模型中，在待分割图像上得到行人的矩形检测框；
5、步骤2、对于待分割图像上的每个行人的矩形检测框，先找到矩形检测框的四条边的中点，再将这四条边的中点连接成一个闭合的菱形轮廓框；
6、步骤3、对于待分割图像上的每个行人的菱形轮廓框，先在菱形轮廓框上进行均
7、步骤4、对于待分割图像上的每个行人的形变的菱形轮廓顶点特征图，先找到形变的菱形轮廓顶点特征图中的四个极值点，即最左极值点、最右极值点、最下极值点和最上极值点；再分别以这四个极值点为中心，绘制四条长度相同的轮廓线，其中以最左极值点和最右极值点为中点的轮廓线与y轴平行，以最上极值点和最下极值点为中点的轮廓线与x轴平行；后将这四条轮廓线的相邻端点进行连接，得到一个闭合的八边形轮廓框；
8、步骤5、对于待分割图像上的每个行人的八边形轮廓框，先在八边形轮廓框上进行均匀采样，得到八边形轮廓顶点特征图；再将八边形轮廓顶点特征图送入到personsnake网络中，得到形变的八边形轮廓顶点特征图；后利用形变的八边形轮廓顶点特征图对八边形轮廓框进行更新；
9、步骤6、重复迭代步骤5；当达到预设的重复迭代次数时，在待分割图像上得到每个行人的八边形轮廓框，由此实现行人实例分割。
10、上述personsnake网络由7个圆形卷积与批归一化与激活模块、1个特征聚合模块、3个卷积层、2个最大池化层、2个卷积与激活模块、4个add融合层、以及4个concat融合层组成；第一圆形卷积与批归一化与激活模块的输入形成personsnake网络的输入；第一圆形卷积与批归一化与激活模块的输出连接第二圆形卷积与批归一化与激活模块的输入；第一圆形卷积与批归一化与激活模块和第二圆形卷积与批归一化与激活模块的输出同时连接第一add融合层的输入；第一add融合层的输出连接第三圆形卷积与批归一化与激活模块的输入；第一圆形卷积与批归一化与激活模块、第三圆形卷积与批归一化与激活模块和第一add融合层的输出同时连接第一concat融合层的输入；第一concat融合层的输出连接第一卷积层的输入，第一卷积层的输出连接第一最大池化层的输入；第一concat融合层和第一最大池化层的输出同时连接第二concat融合层的输入；第二concat融合层的输出连接特征聚合模块的输入，特征聚合模块的输出连接第四圆形卷积与批归一化与激活模块的输入；特征聚合模块和第四圆形卷积与批归一化与激活模块的输出同时连接第二add融合层的输入；第二add融合层的输出连接第五圆形卷积与批归一化与激活模块的输入；第二add融合层和第五圆形卷积与批归一化与激活模块的输出同时连接第三add融合层的输入；第三add融合层的输出连接第六圆形卷积与批归一化与激活模块的输入；第二add融合层、第三add融合层和第六圆形卷积与批归一化与激活模块的输出同时连接第四add融合层的输入；第四add融合层的输出连接第七圆形卷积与批归一化与激活模块的输入；第二add融合层、第三add融合层、第四add融合层和第七圆形卷积与批归一化与激活模块的输出同时连接第三concat融合层的输入；第三concat融合层的输出连接第二卷积层的输入，第二卷积层的输出连接第二最大池化层的输入；第二concat融合层和第二最大池化层的输出同时连接第四concat融合层的输入；第四concat融合层的输出连接第一卷积与激活模块的输入，第一卷积与激活模块的输出连接第二卷积与激活模块的输入，第二卷积与激活模块的输出连接第三卷积层的输入；第三卷积层的输出形成personsnake网络的输出。
11、特征聚合模块由3个圆形卷积与激活模块、1个add融合层、1个concat融合层、1个全局平均池化层、2个全连接层、1个relu激活函数层、1个sigmoid激活函数层和1个重新加权层组成；第一圆形卷积与激活模块的输入形成特征聚合模块的输入，第一圆形卷积与激活模块的输出同时连接第二圆形卷积与激活模块、add融合层和concat融合层的输入，第二圆形卷积与激活模块的输出同时连接add融合层和concat融合层的输入，add融合层的输出连接concat融合层的输入；concat融合层的输出连接第三圆形卷积与激活模块的输入，第三圆形卷积与激活模块的输出同时连接全局平均池化层和重新加权层的输入，全局平均池化层的输出连接第一全连接层的输入，第一全连接层连接relu激活函数层的输入，relu激活函数层的输出连接第二全连接层的输入，第二全连接层的输出连接sigmoid激活函数层的输入，sigmoid激活函数层的输出连接重新加权层的输入，重新加权层的输出形成特征聚合模块的输出。
12、步骤4针对待分割图像上的每个行人的八边形轮廓框所绘制的四条轮廓的长度l′为所对应的菱形轮廓框的边长l。
13、与现有技术相比，本专利技术基于personsnake网络在图像创建专属于行人的八边形轮廓框，并在personsnake网络中使用独创的特征聚合模块，通过使网络能够执行动态的信道特征重新校准来提高网络的表示能力，在仅需增加少量参数的条件下大幅度提升精度，避免了利用yolov5网络所得到的矩形检测框对行人分割精度的影响，同时也避免了分割时对行人内部像素点的计算。与传统的行人轮廓检测算法和基于深度学习算法相比，在精度和速度上都有一定优势。
本文档来自技高网...【技术保护点】
1.一种基于轮廓的行人实例分割方法，其特征是，包括步骤如下：
2.根据权利要求1所述的一种基于轮廓的行人实例分割方法，其特征是，PersonSnake网络由7个圆形卷积与批归一化与激活模块、1个特征聚合模块、3个卷积层、2个最大池化层、2个卷积与激活模块、4个Add融合层、以及4个Concat融合层组成；
3.根据权利要求2所述的一种基于轮廓的行人实例分割方法，其特征是，特征聚合模块由3个圆形卷积与激活模块、1个Add融合层、1个Concat融合层、1个全局平均池化层、2个全连接层、1个Relu激活函数层、1个Sigmoid激活函数层和1个重新加权层组成；
4.根据权利要求1所述的一种基于轮廓的行人实例分割方法，其特征是，步骤4针对待分割图像上的每个行人的八边形轮廓框所绘制的四条轮廓的长度L′为所对应的菱形轮廓框的边长L。
【技术特征摘要】
1.一种基于轮廓的行人实例分割方法，其特征是，包括步骤如下：
2.根据权利要求1所述的一种基于轮廓的行人实例分割方法，其特征是，personsnake网络由7个圆形卷积与批归一化与激活模块、1个特征聚合模块、3个卷积层、2个最大池化层、2个卷积与激活模块、4个add融合层、以及4个concat融合层组成；
3.根据权利要求2所述的一种基于轮廓的行人实例分割方...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。