图像分割方法、装置、电子设备及计算机可读介质
技术领域
本公开涉及图像处理技术领域,具体而言,本公开涉及一种图像分割方法、装置、电子设备及计算机可读介质。
背景技术
随着信息技术的不断发展,图像已成为传输网络中不可或缺的重要信息。随着图像的使用越来越广泛,图像处理技术也变得越来越重要,其中,图像分割处理是图像处理技术中的一种重要处理技术。
图像分割处理技术是一种把图像分割成具有特征的区域,并提取感兴趣的目标特征的技术。在针对视频中的帧图像进行图像分割处理时,现有技术中,通常对每帧图像中的前景、背景以及目标对象做分割处理,以提取目标对象。但是若目标对象在帧图像中的占比较小时,不容易识别到目标对象,可能对目标对象进行分割的复杂度较高,且分割效果不佳,因此,如何对视频中的帧图像进行分割得到目标对象成为一个关键问题。
发明内容
本公开提供了一种图像分割方法、装置、电子设备及计算机可读介质,可以解决以上至少一种技术问题。
第一方面,提供了一种图像分割方法,该方法包括:
确定目标区域步骤:确定目标帧图像中的目标区域信息,目标区域为目标帧图像中包含目标对象的区域;
确定检测区域步骤:确定待处理的帧图像,并基于目标区域信息确定待处理的帧图像的检测区域;
循环步骤:若检测区域内各个像素点满足第一预设条件,则基于检测区域内的各个像素点确定目标对象区域,且循环执行确定检测区域步骤以及循环步骤,直至满足第二预设条件。
第二方面,提供了一种图像分割装置,该装置包括:
确定目标区域模块,用于确定目标帧图像中的目标区域信息,目标区域为目标帧图像中包含目标对象的区域;
确定检测区域模块,用于确定待处理的帧图像,并基于目标区域信息确定待处理的帧图像的检测区域;
第一循环模块,用于当检测区域内各个像素点满足第一预设条件,则基于检测区域内的各个像素点确定目标对象区域,且循环执行确定检测区域模块以及第一循环模块对应的操作,直至满足第二预设条件。
第三方面,提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序配置用于:执行根据第一方面所示的图像分割方法对应的装置。
第四方面,提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所示的图像分割方法。
本公开提供的技术方案带来的有益效果是:
本公开提供了一种图像分割方法、装置、电子设备及计算机可读介质,与现有技术相比,本公开通过确定目标区域步骤:确定目标帧图像中的目标区域信息,其中,目标区域为目标帧图像中包含目标对象的区域、确定检测区域步骤:确定待处理的帧图像,并基于目标区域信息确定待处理的帧图像的检测区域、以及循环步骤:若检测区域内各个像素点满足第一预设条件,则基于检测区域内的各个像素点确定目标对象区域,且循环执行确定检测区域步骤以及循环步骤,直至满足第二预设条件,即通过待处理视频中确定的目标帧中包含的目标对象的区域确定后续帧图像的检测区域,并通过检测区域内各个像素点,确定目标对象区域,相较于直接对帧图像进行图像分割,基于目标帧中包含目标对象的区域得到的检测区域中目标对象的占比较大,更容易在检测区域中识别到目标对象,进而能降低对目标对象进行分割的复杂度,提升了分割效果。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种图像分割方法的流程示意图;
图2为本公开实施例提供的一种图像分割装置的结构示意图;
图3为本公开实施例提供的一种电子设备的结构示意图;
图4为本公开实施例提供的另一种图像分割方法的流程示意图;
图5为本公开实施例提供的一种分割网络模型的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分,并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元,也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开实施例提供了一种图像分割方法,由电子设备执行,该电子设备可以由终端设备执行,也可以由服务器执行,如图1所示,该方法包括:
步骤S101,确定目标区域步骤。
其中,确定目标区域步骤包括:确定目标帧图像中的目标区域信息。
其中,目标区域为目标帧图像中包含目标对象的区域。
对于本公开实施例,目标帧图像可以为预设视频中的第一帧图像,目标帧图像也可以为预设视频中未检测到目标对象区域的检测区域所对应的待处理的帧图像,目标对象可以为任意的物体,如目标对象可以为人、动物、车辆中的至少一个,在本公开实施例中不做限定。
对于本公开实施例,目标区域信息可以为目标帧图像中包含目标对象的矩形区域信息,如目标帧图像中至少三个位置点的坐标信息,或者目标帧图像中一个位置点的坐标信息以及两个边长信息等;目标区域信息还可以为目标帧图像中包含目标对象的圆形区域信息,如目标帧图像中一个点的坐标信息以及半径信息;其中,目标区域信息不限于矩形区域信息或者圆形区域信息,还可以为其他形状的区域信息,在本公开实施例中不做限定。
步骤S102,确定检测区域步骤。
其中,确定检测区域步骤包括:确定待处理的帧图像,并基于目标区域信息确定待处理的帧图像的检测区域。
对于本公开实施例,待处理的帧图像可以为预设视频中目标帧图像的下一帧图像,待处理的帧图像也可以为预设视频中检测到目标对象的检测区域所对应的待处理的帧图像的下一帧图像,检测区域为基于目标区域信息对待处理的帧图像进行剪切处理后得到的图像信息。
步骤S103,循环步骤。
其中,循环步骤包括:若检测区域内各个像素点满足第一预设条件,则基于检测区域内的各个像素点确定目标对象区域,且循环执行步骤S102以及步骤S103,直至满足第二预设条件。
对于本公开实施例,检测区域内各个像素点满足第一预设条件即为利用检测区域内各个像素点计算得到的连通域值大于预设连通域阈值,其中,连通域值是利用对连通区域内的像素点计算得到的,一般地,在图像中将具有相同像素值且位置相邻的前景像素点组成的图像区域称为连通区域;满足第二预设条件即为待处理的帧图像为预设视频的最后一帧图像。
本公开实施例提供了一种图像分割方法,与现有技术相比,本公开实施例通过确定目标区域步骤:确定目标帧图像中的目标区域信息,目标区域为目标帧图像中包含目标对象的区域、确定检测区域步骤:确定待处理的帧图像,并基于目标区域信息确定待处理的帧图像的检测区域、以及循环步骤:若检测区域内各个像素点满足第一预设条件,则基于检测区域内的各个像素点确定目标对象区域,且循环执行确定检测区域步骤以及循环步骤,直至满足第二预设条件,通过待处理视频中确定的目标帧中包含的目标对象的区域确定后续帧图像的检测区域,并通过检测区域内各个像素点,确定目标对象区域,相较于直接对帧图像进行图像分割,基于目标帧中包含目标对象的区域得到的检测区域中目标对象的占比较大,更容易在检测区域中识别到目标对象,进而能降低对目标对象进行分割的复杂度,提升了分割效果。
本公开实施例的另一种可能实现方式,确定目标帧图像中的目标区域信息,具体可以包括:
步骤A,基于待检测帧图像确定目标帧图像中的目标区域信息。
其中,步骤A具体可以包括:获取待检测帧图像;将待检测帧图像通过基于全图的分割网络模型进行图像分割处理,得到分割结果;基于分割结果,确定目标帧图像中的目标区域信息。
对于本公开实施例,待检测帧图像也可以从预设视频中提取得到。
对于本公开实施例,基于全图的分割网络模型的结构如图5所示,其中,基于全图的分割网络模型为U型结构,为全卷积网络。基于全图的分割网络模型的左侧(即左侧虚线框)是对图像进行下采样操作,如图5为四次下采样操作,具体地,对输入基于全图的分割网络模型的图像先进行两次卷积操作(左侧虚线框内向右的箭头“→”表示卷积操作)以及一次下采样操作(左侧虚线框内向下的箭头“↓”表示下采样),每一次下采样的倍数都是2,以此类推,共进行四次下采样操作;基于全图的分割网络模型的右侧(即右侧虚线框)是对图像进行上采样操作,如图5为四次上采样操作,具体地,对第四次下采样后的图片先进行两次反卷积操作(右侧虚线框内向右的箭头“→”表示反卷积操作)和一次上采样操作(右侧虚线框内向上的箭头“↑”表示上采样),每一次上采样的倍数也为2,然后将右侧上采样操作后的图片的通道数与左侧对称的下采样前图片的通道数进行叠加(即右侧虚线框内向上的箭头“↑”所指向的图片与虚线箭头所指向的图片进行通道数叠加),以此类推,共进行四次上采样操作,其中,第四次上采样操作后,再经过三次反卷积操作,得到输出结果。
对于本公开实施例,基于全图的分割网络模型能够将浅层的特征通过通道叠加的方式加到深层,从而保留更多的原图信息。需要说明的是,在本公开实施例中上采样操作与下采样操作的次数不做限定,如图5中采用四次上采样操作和四次下采样操作,在本公开实施例中,可以优选采用三次上采样操作和三次下采样操作。
本公开实施例的另一种可能实现方式,基于分割结果,确定目标帧图像中的目标区域信息,具体可以包括:若分割结果满足第一预设条件,则基于分割结果确定待检测帧图像中的目标区域信息,并将待检测帧图像中的目标区域信息确定为目标帧图像中的目标区域信息。
对于本公开实施例,当基于分割结果确定待检测帧图像中存在目标区域信息时,将待检测帧图像中的目标区域信息确定为目标帧图像中的目标区域信息。在本公开实施例中,基于分割结果确定待检测帧图像中存在目标区域信息的方式包括:若分割结果满足第一预设条件,则确定待检测帧图像中存在目标区域信息。
其中,分割结果满足第一预设条件即为利用分割结果计算得到的连通域值大于预设连通域阈值。
本公开实施例的另一种可能实现方式,基于分割结果,确定目标帧图像中的目标区域信息,具体可以包括:若分割结果不满足第一预设条件,则循环将下一帧图像作为待检测帧图像以及执行步骤A,直至满足第二预设条件或者分割结果满足第一预设条件;基于满足第一预设条件的分割结果,确定目标帧图像中的目标区域信息。
对于本公开实施例,下一帧图像也可以从预设视频中提取得到,其中,下一帧图像为下一帧待检测帧图像。例如,若第n帧图像(待检测帧图像)的分割结果不满足第一预设条件,则将第n+1帧图像作为待检测帧图像。
对于本公开实施例,分割结果不满足第一预设条件即为利用分割结果计算得到的连通域值小于或者等于预设连通域阈值;分割结果满足第一预设条件即为利用分割结果计算得到的连通域值大于预设连通域阈值;满足第二预设条件即为待检测帧图像为预设视频的最后一帧图像。
对于本公开实施例,基于待检测帧图像确定目标帧图像中的目标区域信息的步骤,请参照前述实现方式的描述,在本公开实施例中不再赘述。
进一步地,循环将下一帧图像作为待检测帧图像以及步骤A,直至满足第二预设条件或者分割结果满足所述第一预设条件,包括:
循环利用第一预设特效图像替换待检测帧图像,并将下一帧图像作为待检测帧图像以及执行步骤A,直至满足第二预设条件或者分割结果满足所述第一预设条件。
对于本公开实施例,第一预设特效图像包括计算机生成的特效图像以及人工拍摄的特效图像中的至少一种,其中,第一预设特效图像可以为任意特效的图像,例如,雪花特效、气泡特效、雷电特效、卡通人物特效等。
对于本公开实施例,当待检测帧图像对应的分割结果不满足第一预设条件,即利用分割结果计算得到的连通域值小于或者等于预设连通域阈值时,说明待检测帧图像中不存在目标区域信息,可以获取第一预设特效图像,并利用第一预设特效图像替换待检测帧图像。其中,针对任意两帧不存在目标区域信息的待检测帧图像,可以利用同一张第一预设特效图像去替换,也可以利用不同的两张第一预设特效图像去替换,例如,若第n帧图像(待检测帧图像)不存在目标区域信息,则可以获取雪花特效图像,并利用雪花特效图像替换第n帧图像;若第n+1帧图像(待检测帧图像)也不存在目标区域信息,则可以获取雪花特效图像,并利用雪花特效图像替换第n+1帧图像,也可以获取雷电特效图像,并利用雷电特效图像替换第n+1帧图像。
对于本公开实施例,将下一帧图像作为待检测帧图像以及执行步骤A,即执行基于待检测帧图像确定目标帧图像中的目标区域信息的步骤,请参照前述实现方式的描述,在本公开实施例中不再赘述。
本公开实施例的另一种可能实现方式,分割结果为待检测帧图像中各个像素点属于目标对象的第一概率信息;基于分割结果,确定目标帧图像中的目标区域信息,包括:将第一概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域;基于目标对象区域,确定目标区域信息。
对于本公开实施例,将待检测帧图像输入至基于全图的分割网络模型进行图像分割处理,基于全图的分割网络模型输出分割结果。在本公开实施例中,当分割结果满足第一预设条件时,基于分割结果,确定目标帧图像中的目标区域信息。
其中,分割结果为待检测帧图像中各个像素点属于目标对象的第一概率信息。
对于本公开实施例,确定分割结果是否满足第一预设条件的方式包括:基于待检测帧图像内各个像素点分别属于目标对象的第一概率信息,确定第一概率信息大于第一预设阈值的至少一个像素点,利用确定出的各个第一概率信息大于第一预设阈值的像素点,计算连通域值,若连通域值大于预设连通域阈值,则分割结果满足第一预设条件;若连通域值小于或者等于预设连通域阈值,则分割结果不满足第一预设条件。如,利用第一概率信息大于0.5(第一预设阈值)的像素点计算连通域值,基于连通阈值与0.75(预设连通域阈值)的关系,确定分割结果是否满足第一预设条件。
对于本公开实施例,将第一概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域,如,将第一概率信息大于0.5(第一预设阈值)的像素点组成的区域确定为目标对象区域。
进一步地,基于目标对象区域,确定目标区域信息,具体包括:基于目标对象区域确定目标对象区域信息,并基于目标对象区域信息确定目标区域信息。例如,基于人轮廓区域(即目标对象区域)确定包含人轮廓区域的最小矩形框(即目标对象区域信息),对最小矩形框扩展25%,且扩展后的矩形框与最小矩形框的中心重合,则扩展后的矩形框即为目标区域信息。
进一步地,将第一概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域,之后还可以包括:基于目标帧图像,确定非目标对象区域中各个第一像素点属于目标对象的第一概率信息;在第二预设特效图像中确定各个第一像素点分别对应的第一像素值;基于各个第一像素点属于目标对象的第一概率信息、各个第一像素点分别对应的第一像素值以及目标帧图像中的目标对象区域,确定目标帧图像对应的特效图像。
对于本公开实施例,将第一概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域,即确定待检测帧图像中存在目标对象区域,此时,存在目标对象区域的待检测帧图像相当于存在目标对象区域的目标帧图像。
进一步地,确定目标帧图像中的目标对象区域之后,针对目标帧图像中的非目标对象区域,可以确定非目标对象区域中各个第一像素点属于目标对象的第一概率信息,并获取第二预设特效图像,基于第二预设特效图像,确定非目标对象区域中各个第一像素点分别对应的第一像素值,基于各个第一像素点属于目标对象的第一概率信息以及各个第一像素点分别对应的第一像素值,分别确定各个第一像素点的第一像素更新值,从而确定目标帧图像中的非目标对象区域对应的特效区域。其中,第二预设特效图像可以与第一预设特效图像相同,也可以不同,在本公开实施例中不做限定。
例如,针对目标帧图像中的非目标对象区域,该非目标对象区域中存在第一像素点1以及第一像素点2,则可以基于目标帧图像确定第一像素点1属于目标对象的第一概率信息p1,基于雪花特效图像确定第一像素点1对应的第一像素值x1,基于第一概率信息p1以及第一像素值x1确定第一像素点1的第一像素更新值(1-p1)×x1;可以基于目标帧图像确定第一像素点2属于目标对象的第一概率信息p2,基于雪花特效图像确定第一像素点2对应的第一像素值x2,基于第一概率信息p2以及第一像素值x2确定第一像素点2的第一像素更新值(1-p2)×x2,基于第一像素更新值(1-p1)×x1以及第一像素更新值(1-p2)×x2确定非目标对象区域对应的特效区域。
进一步地,基于目标帧图像中的非目标对象区域对应的特效区域,以及目标帧图像中的目标对象区域,确定目标帧图像对应的特效图像。即,按照上述方式将目标帧图像中的非目标对象区域替换为特效区域,结合目标帧图像中的目标对象区域,得到目标帧图像对应的特效图像。
本公开实施例的另一种可能实现方式,若检测区域内各个像素点不满足第一预设条件,该方法还可以包括:循环执行将预设帧图像确定为待检测帧图像,步骤A、步骤S102、步骤S103,直至满足第二预设条件。
其中,预设帧图像为检测区域不满足第一预设条件的帧图像。
对于本公开实施例,循环执行将预设帧图像确定为待检测帧图像,步骤A、步骤S102以及步骤S103,直至满足第二预设条件,可以在步骤S102之后执行,具体步骤A、步骤S102以及步骤S103请参照前述实现方式的相关描述,这里不再赘述。
对于本公开实施例,满足第二预设条件即为待检测帧图像为最后一帧图像。
本公开实施例的另一种可能实现方式,基于检测区域内的各个像素点确定目标对象区域,之前还可以包括:将检测区域通过基于检测框的分割网络模型进行分割处理,得到检测区域内各个像素点属于目标对象的第二概率信息。
其中,基于检测区域内的各个像素点确定目标对象区域,具体可以包括:将第二概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域。
对于本公开实施例,基于框的分割网络模型与基于全图的分割网络模型结构相同,二者的区别仅在于网络模型参数的大小,可以详见上述有关基于全图的网络模型的相关描述,这里不再赘述。
对于本公开实施例,将检测区域输入至基于框的分割网络模型进行图像分割处理,输出检测区域内各个像素点分别属于目标对象的第二概率信息。在本公开实施例中,当检测区域内各个像素点满足第一预设条件时,基于检测区域内的各个像素点确定目标对象区域。
对于本公开实施例,确定检测区域内各个像素点是否满足第一预设条件的方式,可以包括:基于检测区域内各个像素点属于目标对象的第二概率信息,确定第二概率信息大于第二预设阈值的像素点,利用确定出的各个第二概率信息大于第二预设阈值的像素点,计算连通阈值,若连通域值大于预设连通域阈值,则检测区域内各个像素点满足第一预设条件;若连通域值小于或者等于预设连通域阈值,则检测区域内各个像素点不满足第一预设条件。如,利用第二概率信息大于0.5(第二预设阈值)的像素点计算连通域值,基于连通阈值与0.75(预设连通域阈值)的关系,确定检测区域内各个像素点是否满足第一预设条件。
对于本公开实施例,将第二概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域,如,将第二概率信息大于0.5(第二预设阈值)的像素点组成的区域确定为目标对象区域。
进一步地,将第二概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域,之后还可以包括:基于待处理的帧图像,确定非目标对象区域中各个第二像素点属于目标对象的第二概率信息;在第三预设特效图像中确定各个第二像素点分别对应的第二像素值;基于各个第二像素点属于目标对象的第二概率信息、各个第二像素点分别对应的第二像素值以及待处理的帧图像中的目标对象区域,确定待处理的帧图像对应的特效图像。
对于本公开实施例,将第二概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域,即确定检测区域中存在目标对象区域,即确定待处理的帧图像中存在目标对象区域。
进一步地,确定待处理的帧图像中的目标对象区域之后,针对待处理的帧图像中的非目标对象区域,可以确定非目标对象区域中各个第二像素点属于目标对象的第二概率信息,并获取第三预设特效图像,基于第三预设特效图像,确定非目标对象区域中各个第二像素点分别对应的第二像素值,基于各个第二像素点属于目标对象的第二概率信息以及各个第二像素点分别对应的第二像素值,分别确定各个第二像素点的第二像素更新值,从而确定待处理的帧图像中的非目标对象区域对应的特效区域。其中,第三预设特效图像可以与第一预设特效图像相同,也可以不同,第三预设特效图像可以与第二预设特效图像相同,也可以不同,在本公开实施例中不做限定。
例如,针对待处理的帧图像中的非目标对象区域,该非目标对象区域中存在第二像素点3以及第二像素点4,则可以基于待处理的帧图像确定第二像素点3属于目标对象的第二概率信息p3,基于雪花特效图像确定第二像素点3对应的第二像素值x3,基于第二概率信息p3以及第二像素值x3确定第二像素点3的第二像素更新值(1-p3)×x3;可以基于待处理的帧图像确定第二像素点4属于目标对象的第二概率信息p4,基于雪花特效图像确定第二像素点4对应的第二像素值x4,基于第二概率信息p4以及第二像素值x4确定第二像素点4的第二像素更新值(1-p4)×x4,基于第二像素更新值(1-p3)×x3以及第二像素更新值(1-p4)×x4确定非目标对象区域对应的特效区域。
进一步地,基于待处理的帧图像中的非目标对象区域对应的特效区域,以及待处理的帧图像中的目标对象区域,确定待处理的帧图像对应的特效图像。即,按照上述方式将待处理的帧图像中的非目标对象区域替换为特效区域,结合待处理的帧图像中的目标对象区域,得到待处理的帧图像对应的特效图像。
本公开实施例的另一种可能实现方式,该方法还可以包括:基于待检测帧图像中各个像素点属于目标对象的第一概率信息以及与各个像素点分别对应的第一预设像素点的第一概率信息或第二概率信息,确定各个像素点属于目标对象的第三概率信息。
其中,各个第一预设像素点为待检测帧图像的上一帧图像中的像素点。
对于本公开实施例,确定各个像素点属于目标对象的第三概率信息的步骤可以在将第一概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域的步骤之前执行。
其中,将第一概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域,可以包括:将第三概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域。
对于本公开实施例,利用稠密光流进行待检测帧图像与上一帧图像之间的平滑处理。其中,稠密光流是一种针对图像进行逐点匹配的图像配准方法,不同于稀疏光流只针对图像上若干个特征点,稠密光流计算图像上所有的点的偏移量,从而形成一个稠密的光流场。通过这个稠密的光流场,可以进行像素级别的图像配准,所以其配准后的效果也明显优于稀疏光流配准的效果。
对于本公开实施例,针对待检测帧图像中任一像素点,其第三概率信息的计算公式如下所示:
P3=αP1+βP2
其中,P3为待检测帧图像中任一像素点属于目标对象的第三概率信息,α为该任一像素点对应的权重系数,P1为该任一像素点属于目标对象的第一概率信息,β为该任一像素点的第一预设像素点对应的权重系数,P2为该任一像素点的第一预设像素点属于目标对象的第一概率信息或者第二概率信息。
对于本公开实施例,若第三概率信息满足第一预设条件时,将第三概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域。其中,确定第三概率信息是否满足第一预设条件的方式包括:基于待检测帧图像内各个像素点属于目标对象的第三概率信息,确定第三概率信息大于第一预设阈值的像素点,利用确定出的各个第三概率信息大于第一预设阈值的像素点,计算连通域值,若连通域值大于预设连通域阈值,则第三概率信息满足第一预设条件;若连通域值小于或者等于预设连通域阈值,则第三概率信息不满足第一预设条件。如,利用第三概率信息大于0.5(第一预设阈值)的像素点计算连通域值,基于连通阈值与0.75(预设连通域阈值)的关系,确定第三概率信息是否满足第一预设条件。
对于本公开实施例,将第三概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域,如,将第三概率信息大于0.5(第一预设阈值)的像素点组成的区域确定为目标对象区域。
本公开实施例的另一种可能实现方式,图像分割方法还可以包括:基于检测区域内各个像素点属于目标对象的第二概率信息以及检测区域内各个像素点分别对应第二预设像素点对应的第一概率信息或者第二概率信息,确定检测区域内各个像素点分别对应的第四概率信息,各个第二预设像素点为检测区域的上一帧图像中的像素点。
对于本公开实施例,确定检测区域内各个像素点分别对应的第四概率信息的步骤可以在将第二概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域的步骤之前执行。
其中,将第二概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域,可以包括:将第四概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域。
对于本公开实施例,利用稠密光流进行检测区域与上一帧图像之间的平滑处理。其中,稠密光流是一种针对图像进行逐点匹配的图像配准方法,不同于稀疏光流只针对图像上若干个特征点,稠密光流计算图像上所有的点的偏移量,从而形成一个稠密的光流场。通过这个稠密的光流场,可以进行像素级别的图像配准,所以其配准后的效果也明显优于稀疏光流配准的效果。
对于本公开实施例,针对检测区域内任一像素点,其第四概率信息的计算公式如下所示:
P3'=α'P1'+β'P2'
其中,P3'为检测区域内任一像素点属于目标对象的第四概率信息,α'为该任一像素点对应的权重系数,P1'为该任一像素点属于目标对象的第二概率信息,β'为该任一像素点的第二预设像素点对应的权重系数,P2'为该任一像素点的第二预设像素点属于目标对象的第一概率信息或者第二概率信息。
对于本公开实施例,若第四概率信息满足第一预设条件时,将第四概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域。其中,确定第四概率信息是否满足第一预设条件的方式包括:基于检测区域内各个像素点属于目标对象的第四概率信息,确定第四概率信息大于第二预设阈值的像素点,利用确定出的各个第四概率信息大于第二预设阈值的像素点,计算连通域值,若连通域值大于预设连通域阈值,则第确定四概率信息满足第一预设条件;若连通域值小于或者等于预设连通域阈值,则确定第四概率信息不满足第一预设条件。如,利用第四概率信息大于0.5(第二预设阈值)的像素点计算连通域值,基于计算得到的连通阈值与预设连通域阈值(例如0.75)的关系,确定第四概率信息是否满足第一预设条件。
对于本公开实施例,将第四概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域,如,将第四概率信息大于0.5(第二预设阈值)的像素点组成的区域确定为目标对象区域。
上述详细介绍了利用训练好的基于全图的分割网络模型,以及基于框的分割网络模型进行图像分割的方法,而实际应用时,需要对预设网络模型进行训练以得到训练好的基于全图的分割网络模型,或者基于框的分割网络模型,因此,训练得到基于全图的分割网络模型,以及基于框的分割网络模型的方式如下:
本公开实施例的另一种可能实现方式,将待检测帧图像通过基于全图的分割网络模型进行图像分割处理,得到分割结果,之前还可以包括:获取第一训练样本;基于第一训练样本对第一初始网络模型进行训练,得到基于全图的分割网络模型。
其中,第一训练样本包括:多张第一图像以及每张第一图像内各个像素点是否属于目标对象的标注信息。
对于本公开实施例,将多张第一图像输入至第一初始网络模型进行图像分割处理,第一初始网络模型输出每张第一图像中各个像素点属于目标对象的概率信息,利用每张第一图像中各个像素点属于目标对象的概率信息,以及每张第一图像中各个像素点是否属于目标对象的标注信息调整第一初始网络模型对应的模型参数,实现利用第一训练样本对第一初始网络模型进行训练。
对于本公开实施例,多张第一图像输入至第一初始网络模型,第一初始网络模型可以对各张第一图像进行等比例缩放,得到各张不小于第一目标尺寸的第一图像,然后对各张不小于第一目标尺寸的第一图像进行随机剪切,得到各张第一目标尺寸的第一图像。在本公开实施例中,第一目标尺寸为符合第一初始网络模型的输入尺寸要求的尺寸。
对于本公开实施例,第一初始网络模型的网络结构与基于全图的分割网络模型的网络结构一致,详细请参见上述实现方式的相关描述,在本公开实施例中不再赘述。
本公开的另一可能实现方式,将检测区域通过基于检测框的分割网络模型进行分割处理,之前还可以包括:获取第二训练样本;基于第二训练样本对第二初始网络模型进行训练,得到基于检测框的分割网络模型。
其中,第二训练样本包括:多张第二图像以及每张第二图像内各个像素点是否属于目标对象的标注信息。
对于本公开实施例,将多张第二图像输入至第二初始网络模型进行图像分割处理,第二初始网络模型输出每张第二图像中各个像素点属于目标对象的概率信息,利用每张第二图像中各个像素点属于目标对象的概率信息,以及每张第二图像中各个像素点是否属于目标对象的标注信息调整第二初始网络模型对应的模型参数,实现利用第二训练样本对第二初始网络模型进行训练。
进一步地,获取多张第二图像,可以包括:获取多张第三图像,并确定各张第三图像中的目标区域信息;按照预设扩展比例分别对各张第三图像中的目标区域信息进行扩展处理,得到各张第三图像中的目标剪切区域;对各张第三图像中的目标剪切区域进行剪切处理,得到多张第二图像。
对于本公开实施例,针对任一张第三图像,可以确定该任一张第三图像中的目标对象区域,并基于目标对象区域确定目标区域信息,按照预设扩展比例对目标区域信息进行扩展处理,得到目标剪切区域,并对该目标剪切区域进行剪切处理,得到一张第二图像。例如,针对5cm×3cm的第三图像,可以确定该第三图像中的人体轮廓所围成的区域(即目标对象区域),基于人体轮廓所围成的区域确定一个矩形区域信息(即目标区域信息),矩形区域信息对应的第三图像中的区域包括人体轮廓所围成的区域,该矩形区域信息为中心的坐标信息(0,0)以及两条边的边长信息,各边长均为1cm,可以按照1.25的扩展比例对矩形区域信息进行扩展处理,得到扩展后的矩形区域信息,其中心的坐标信息为(0,0)且两条边的边长均为1.25cm,该扩展后的矩形区域信息对应的第三图像中的区域即为目标剪切区域,并对第三图像中的目标剪切区域进行剪切处理,得到一张第二图像,即最后剪切得到一张1.25cm×1.25cm的第二图像。
更进一步地,对每张第二图像进行标注,得到每张第二图像内各个像素点是否属于目标对象的标注信息,从而得到第二训练样本,即得到多张第二图像以及每张第二图像内各个像素点是否属于目标对象的标注信息。
对于本公开实施例,多张第二图像输入至第二初始网络模型,第二初始网络模型可以对各张第二图像进行等比例缩放,得到各张不小于第二目标尺寸的第二图像,然后对各张不小于第二目标尺寸的第二图像进行随机剪切,得到各张第二目标尺寸的第二图像。需要说明的是,基于第三图像中的目标区域信息对第三图像进行剪切处理,得到第二图像,且第二图像输入至第二初始网络模型中,第二初始网络模型对第二图像进行了等比缩放,实际上,相当于第二初始网络模型对第三图像进行了非等比缩放。在本公开实施例中,第二目标尺寸为符合第二初始网络模型的输入尺寸要求的尺寸。
对于本公开实施例,第二初始网络模型的网络结构与基于框的分割网络模型的网络结构一致,详细请参见上述实现方式的相关描述,在本公开实施例中不再赘述。
其中,上述方法实施例中,第一预设条件为基于各个像素点计算得到的连通域值大于预设连通域阈值;第二预设条件为预设视频的最后一帧图像。
上述实施例介绍本公开实施例提供的图像分割方法,下述通过具体的应用场景介绍本公开实施例提供的图像分割方法。具体如下所示:
本公开实施例的另一种可能实现方式,如图4所示,该图像分割方法可以包括:
步骤S401,获取待检测帧图像。
步骤S402,将待检测帧图像通过基于全图的分割网络模型进行图像分割处理,得到分割结果。
其中,分割结果为待检测帧图像中各个像素点属于目标对象的第一概率信息。
若分割结果满足第一预设条件,则执行步骤S403,将第一概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域。
若分割结果不满足第一预设条件且不满足第二预设条件,则循环执行步骤S401,以及步骤S402,直至分割结果不满足第一预设条件且满足第二预设条件,或者分割结果满足第一预设条件。
若满足第二预设条件,结束本公开实施例的图像分割方法。
若不满足第二预设条件,则执行步骤S404,基于目标对象区域,确定目标区域信息。
步骤S405,确定待处理的帧图像,并基于目标区域信息对待处理的帧图像进行剪切处理,得到检测区域。
步骤S406,将检测区域通过基于检测框的分割网络模型进行分割处理,得到检测区域内各个像素点属于目标对象的第二概率信息。
若检测区域内各个像素点满足第一预设条件,则执行步骤S407,将第二概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域,若不满足第二预设条件,则循环执行步骤S405、步骤S406以及步骤S407,直至满足第二预设条件。
若检测区域内各个像素点不满足第一预设条件,则循环执行步骤S408,获取检测区域内不满足第一预设条件的待处理的帧图像,并将待处理的帧图像确定为待检测帧图像,以及步骤S402、步骤S403、步骤S404、步骤S405、步骤S406,直至检测区域内各个像素点满足第一预设条件。
其中,满足第一预设条件指利用像素点计算得到的连通域值大于预设连通域阈值,不满足第一预设条件指利用像素点计算得到的连通域值小于或者等于预设连通域阈值,满足第二预设条件指图像为最后一帧图像,不满足第二预设条件指图像非最后一帧图像。
本公开实施例的相关说明可参见上述实施例的相关说明,其实现原理类似,在本申请实施例中不再赘述。
上述从方法步骤的角度具体阐述了图像分割方法,下面从虚拟模块或者虚拟单元的角度介绍图像分割装置,具体如下所示:
本公开实施例提供了一种图像分割装置,如图2所示,该图像分割装置20可以包括:确定目标区域模块201、确定检测区域模块202以及第一循环模块203,其中,
确定目标区域模块201,用于确定目标帧图像中的目标区域信息。
其中,目标区域为目标帧图像中包含目标对象的区域。
确定检测区域模块202,用于确定待处理的帧图像,并基于目标区域信息确定待处理的帧图像的检测区域。
第一循环模块203,用于当检测区域内各个像素点满足第一预设条件,则基于检测区域内的各个像素点确定目标对象区域,且循环执行确定检测区域模块以及第一循环模块对应的操作,直至满足第二预设条件。
本公开实施例的另一种可能实现方式,确定目标区域模块201可以包括获取单元、分割单元和确定单元,其中,
获取单元,用于获取待检测帧图像。
分割单元,用于将待检测帧图像通过基于全图的分割网络模型进行图像分割处理,得到分割结果。
确定单元,用于基于分割结果,确定目标帧图像中的目标区域信息。
本公开实施例的另一种可能实现方式,确定单元,具体可以用于当分割结果满足第一预设条件,则基于分割结果确定待检测帧图像中的目标区域信息,并将待检测帧图像中的目标区域信息确定为目标帧图像中的目标区域信息。
本公开实施例的另一种可能实现方式,确定单元,具体还可以用于当分割结果不满足第一预设条件,则循环将下一帧图像作为待检测帧图像以及执行获取单元、分割单元以及确定单元对应的操作,直至满足第二预设条件或者分割结果满足第一预设条件。
确定单元,具体还可以用于基于满足第一预设条件的分割结果,确定目标帧图像中的目标区域信息。
本公开实施例的另一种可能实现方式,确定单元,具体还可以用于当分割结果不满足第一预设条件,则循环利用第一预设特效图像替换待检测帧图像,并将下一帧图像作为待检测帧图像以及执行获取单元、分割单元以及确定对应的操作,直至满足第二预设条件或者分割结果满足第一预设条件。
本公开实施例的另一种可能实现方式,分割结果为待检测帧图像中各个像素点属于目标对象的第一概率信息。
确定单元,具体还可以用于将第一概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域。
确定单元,具体还可以用于基于目标对象区域,确定目标区域信息。
本公开实施例的另一种可能实现方式,图像分割装置20还可以包括第一处理模块,其中,
第一处理模块,用于基于目标帧图像,确定非目标对象区域中各个第一像素点属于目标对象的第一概率信息。
第一处理模块,还用于在第二预设特效图像中确定各个第一像素点分别对应的第一像素值。
第一处理模块,还用于基于各个第一像素点属于目标对象的第一概率信息、各个第一像素点分别对应的第一像素值以及目标帧图像中的目标对象区域,确定目标帧图像对应的特效图像。
本公开实施例的另一种可能实现方式,当检测区域内各个像素点不满足第一预设条件,图像分割装置20还可以包括第二循环模块,其中,
第二循环模块,用于循环执行将预设帧图像确定为待检测帧图像,获取单元、分割单元、确定单元、确定检测区域模块202以及第一循环模块203对应的操作,直至满足第二预设条件。
预设帧图像为检测区域不满足第一预设条件的帧图像。
本公开实施例的另一种可能实现方式,图像分割装置20还可以包括分割模块,其中,
分割模块,用于将检测区域通过基于检测框的分割网络模型进行分割处理,得到检测区域内各个像素点属于目标对象的第二概率信息。
其中,第一循环模块203在基于检测区域内的各个像素点确定目标对象区域时,具体可以用于将第二概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域。
本公开实施例的另一种可能实现方式,图像分割装置20还可以包括第二处理模块,其中,
第二处理模块,用于基于待处理的帧图像,确定非目标对象区域中各个第二像素点属于目标对象的第二概率信息。
第二处理模块,还用于在第三预设特效图像中确定各个第二像素点分别对应的第二像素值。
第二处理模块,还用于基于各个第二像素点属于目标对象的第二概率信息、各个第二像素点分别对应的第二像素值以及待处理的帧图像中的目标对象区域,确定待处理的帧图像对应的特效图像。
本公开实施例的另一种可能实现方式,图像分割装置20还可以包括第一确定模块,其中,
第一确定模块,用于基于待检测帧图像中各个像素点属于目标对象的第一概率信息以及与各个像素点分别对应的第一预设像素点的第一概率信息或第二概率信息,确定各个像素点属于目标对象的第三概率信息,各个第一预设像素点为待检测帧图像的上一帧图像中的像素点。
确定单元在将第一概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域时,具体还可以用于将第三概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域。
本公开实施例的另一种可能实现方式,图像分割装置20还可以包括第二确定模块,其中,
第二确定模块,用于基于检测区域内各个像素点属于目标对象的第二概率信息以及检测区域内各个像素点分别对应第二预设像素点对应的第一概率信息或者第二概率信息,确定检测区域内各个像素点分别对应的第四概率信息,各个第二预设像素点为检测区域的上一帧图像中的像素点。
其中,第一循环模块在将第二概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域时,具体还可以用于将第四概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域。
本公开实施例的另一种可能实现方式,图像分割装置20还可以包括第一获取模块以及第一训练模块,其中,
第一获取模块,用于获取第一训练样本。
其中,第一训练样本包括:多张第一图像以及每张第一图像内各个像素点是否属于目标对象的标注信息。
第一训练模块,用于基于第一训练样本对第一初始网络模型进行训练,得到基于全图的分割网络模型。
本公开实施例的另一种可能实现方式,图像分割装置20还可以包括第二获取模块以及第二训练模块,其中,
第二获取模块,用于获取第二训练样本。
其中,第二训练样本包括:多张第二图像以及每张第二图像内各个像素点是否属于目标对象的标注信息。
第二训练模块,用于基于第二训练样本对第二初始网络模型进行训练,得到基于检测框的分割网络模型。
本公开实施例的另一种可能实现方式,第二获取模块在获取多张第二图像时,具体用于获取多张第三图像,并确定各张第三图像中的目标区域信息。
第二获取模块,具体还用于按照预设扩展比例分别对各张第三图像中的目标区域信息进行扩展处理,得到各张第三图像中的目标剪切区域。
第二获取模块,具体还用于对各张第三图像中的目标剪切区域进行剪切处理,得到多张第二图像。
本公开实施例的另一种可能实现方式,第一预设条件为基于各个像素点计算得到的连通域值大于预设连通域阈值。
本公开实施例的另一种可能实现方式,第二预设条件为预设视频的最后一帧图像。
对于本公开实施例,第一循环模块203和第二循环模块可以为同一个循环模块,也可以为两个不同的循环模块,第一确定模块和第二确定模块可以为同一个确定模块,也可以为两个不同的确定模块,第一获取模块和第二获取模块可以为同一个获取模块,也可以为两个不同的获取模块,第一训练模块和第二训练模块可以为同一个训练模块,也可以为两个不同的训练模块,第一处理模块与第二处理模块可以为同一种处理模块,也可以为两种不同的处理模块,在本公开实施例中不做限定。
本实施例的图像分割装置20可执行本公开方法实施例提供的一种图像分割方法,其实现原理相类似,此处不再赘述。
本公开实施例提供了一种图像分割装置,与现有技术相比,本公开实施例通过确定目标区域步骤:确定目标帧图像中的目标区域信息,目标区域为目标帧图像中包含目标对象的区域、确定检测区域步骤:确定待处理的帧图像,并基于目标区域信息确定待处理的帧图像的检测区域、以及循环步骤:若检测区域内各个像素点满足第一预设条件,则基于检测区域内的各个像素点确定目标对象区域,且循环执行确定检测区域步骤以及循环步骤,直至满足第二预设条件,通过待处理视频中确定的目标帧中包含的目标对象的区域确定后续帧图像的检测区域,并通过检测区域内各个像素点,确定目标对象区域,相较于直接对帧图像进行图像分割,基于目标帧中包含目标对象的区域得到的检测区域中目标对象的占比较大,更容易在检测区域中识别到目标对象,进而能降低对目标对象进行分割的复杂度,提升了分割效果。
上述从虚拟模块或者虚拟单元的角度介绍本公开的图像分割装置,下面从实体装置的角度介绍本公开的电子设备。
下面参考图3,其示出了适于用来实现本公开实施例的电子设备300(可以为上述方法实施例中的终端设备或者服务器)的结构示意图。
其中,该电子设备300包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序配置用于:执行本公开方法实施例所示的图像分割方法。
本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
电子设备300包括:存储器以及处理器,其中,这里的处理器可以称为下文所述的处理装置301,存储器可以包括下文中的只读存储器(ROM)302、随机访问存储器(RAM)303以及存储装置308中的至少一项,具体如下所示:
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:确定目标区域步骤:确定目标帧图像中的目标区域信息,目标区域为所述目标帧图像中包含目标对象的区域;确定检测区域步骤:确定待处理的帧图像,并基于目标区域信息确定待处理的帧图像的检测区域;循环步骤:若检测区域内各个像素点满足第一预设条件,则基于检测区域内的各个像素点确定目标对象区域,且循环执行确定检测区域步骤以及循环步骤,直至满足第二预设条件。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块或单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待检测帧图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
本公开实施例提供了一种电子设备,本公开实施例中的电子设备包括:存储器和处理器;至少一个程序,存储于所述存储器中,用于被所述处理器执行时,与现有技术相比可实现:通过待处理视频中确定的目标帧中包含的目标对象的区域确定后续帧图像的检测区域,并通过检测区域内各个像素点,确定目标对象区域,相较于直接对帧图像进行图像分割,基于目标帧中包含目标对象的区域得到的检测区域中目标对象的占比较大,更容易在检测区域中识别到目标对象,进而能降低对目标对象进行分割的复杂度,提升了分割效果。
上述从实体装置的角度介绍本公开的电子设备,下面从可读介质的角度介绍本公开的计算机可读介质。
本公开实施例提供了一种计算机可读介质,该计算机可读介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。与现有技术相比,通过待处理视频中确定的目标帧中包含的目标对象的区域确定后续帧图像的检测区域,并通过检测区域内各个像素点,确定目标对象区域,相较于直接对帧图像进行图像分割,基于目标帧中包含目标对象的区域得到的检测区域中目标对象的占比较大,更容易在检测区域中识别到目标对象,进而能降低对目标对象进行分割的复杂度,提升了分割效果。
根据本公开的一个或多个实施例,提供了一种图像分割方法,包括:
确定目标区域步骤:确定目标帧图像中的目标区域信息,目标区域为目标帧图像中包含目标对象的区域;
确定检测区域步骤:确定待处理的帧图像,并基于目标区域信息确定待处理的帧图像的检测区域;
循环步骤:若检测区域内各个像素点满足第一预设条件,则基于检测区域内的各个像素点确定目标对象区域,且循环执行确定检测区域步骤以及循环步骤,直至满足第二预设条件。
根据本公开的一个或多个实施例,确定目标帧图像中的目标区域信息,包括:
基于待检测帧图像确定目标帧图像中的目标区域信息的步骤:
获取待检测帧图像;
将待检测帧图像通过基于全图的分割网络模型进行图像分割处理,得到分割结果;
基于分割结果,确定目标帧图像中的目标区域信息。
根据本公开的一个或多个实施例,基于分割结果,确定目标帧图像中的目标区域信息,包括:
若分割结果满足第一预设条件,则基于分割结果确定待检测帧图像中的目标区域信息,并将待检测帧图像中的目标区域信息确定为目标帧图像中的目标区域信息。
根据本公开的一个或多个实施例,基于分割结果,确定目标帧图像中的目标区域信息,包括:
若分割结果不满足第一预设条件,则循环将下一帧图像作为待检测帧图像以及执行基于待检测帧图像确定目标帧图像中的目标区域信息的步骤,直至满足第二预设条件或者分割结果满足第一预设条件;
基于满足第一预设条件的分割结果,确定目标帧图像中的目标区域信息。
根据本公开的一个或多个实施例,循环将下一帧图像作为待检测帧图像以及执行基于待检测帧图像确定所述目标帧图像中的目标区域信息的步骤,直至满足第二预设条件或者分割结果满足第一预设条件,包括:
循环利用第一预设特效图像替换待检测帧图像,并将下一帧图像作为待检测帧图像以及执行基于待检测帧图像确定目标帧图像中的目标区域信息的步骤,直至满足第二预设条件或者分割结果满足第一预设条件。
根据本公开的一个或多个实施例,分割结果为待检测帧图像中各个像素点属于目标对象的第一概率信息;
基于分割结果,确定目标帧图像中的目标区域信息,包括:
将第一概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域;
基于目标对象区域,确定目标区域信息。
根据本公开的一个或多个实施例,将第一概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域,之后还包括:
基于目标帧图像,确定非目标对象区域中各个第一像素点属于目标对象的第一概率信息;
在第二预设特效图像中确定各个第一像素点分别对应的第一像素值;
基于各个第一像素点属于目标对象的第一概率信息、各个第一像素点分别对应的第一像素值以及目标帧图像中的目标对象区域,确定目标帧图像对应的特效图像。
根据本公开的一个或多个实施例,若检测区域内各个像素点不满足第一预设条件,该方法还包括:
循环执行将预设帧图像确定为待检测帧图像,基于待检测帧图像确定目标帧图像中的目标区域信息的步骤、确定检测区域步骤、循环步骤,直至满足第二预设条件;
预设帧图像为检测区域不满足第一预设条件的帧图像。
根据本公开的一个或多个实施例,基于检测区域内的各个像素点确定目标对象区域,之前还包括:
将检测区域通过基于检测框的分割网络模型进行分割处理,得到检测区域内各个像素点属于目标对象的第二概率信息;
其中,基于检测区域内的各个像素点确定目标对象区域,包括:
将第二概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域。
根据本公开的一个或多个实施例,将第二概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域,之后还包括:
基于待处理的帧图像,确定非目标对象区域中各个第二像素点属于目标对象的第二概率信息;
在第三预设特效图像中确定各个第二像素点分别对应的第二像素值;
基于各个第二像素点属于目标对象的第二概率信息、各个第二像素点分别对应的第二像素值以及待处理的帧图像中的目标对象区域,确定待处理的帧图像对应的特效图像。
根据本公开的一个或多个实施例,该方法还包括:
基于待检测帧图像中各个像素点属于目标对象的第一概率信息以及与各个像素点分别对应的第一预设像素点的第一概率信息或第二概率信息,确定各个像素点属于目标对象的第三概率信息,各个第一预设像素点为待检测帧图像的上一帧图像中的像素点;
将第一概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域,包括:
将第三概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域。
根据本公开的一个或多个实施例,该方法还包括:
基于检测区域内各个像素点属于目标对象的第二概率信息以及检测区域内各个像素点分别对应第二预设像素点对应的第一概率信息或者第二概率信息,确定检测区域内各个像素点分别对应的第四概率信息,各个第二预设像素点为检测区域的上一帧图像中的像素点;
其中,将第二概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域,包括:
将第四概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域。
根据本公开的一个或多个实施例,将待检测帧图像通过基于全图的分割网络模型进行图像分割处理,得到分割结果,之前还包括:
获取第一训练样本,第一训练样本包括:多张第一图像以及每张第一图像内各个像素点是否属于目标对象的标注信息;
基于第一训练样本对第一初始网络模型进行训练,得到基于全图的分割网络模型。
根据本公开的一个或多个实施例,将检测区域通过基于检测框的分割网络模型进行分割处理,之前还包括:
获取第二训练样本,第二训练样本包括:多张第二图像以及每张第二图像内各个像素点是否属于目标对象的标注信息;
基于第二训练样本对第二初始网络模型进行训练,得到基于检测框的分割网络模型。
根据本公开的一个或多个实施例,获取多张第二图像,包括:
获取多张第三图像,并确定各张第三图像中的目标区域信息;
按照预设扩展比例分别对各张第三图像中的目标区域信息进行扩展处理,得到各张第三图像中的目标剪切区域;
对各张第三图像中的目标剪切区域进行剪切处理,得到多张第二图像。
根据本公开的一个或多个实施例,第一预设条件为基于各个像素点计算得到的连通域值大于预设连通域阈值。
根据本公开的一个或多个实施例,第二预设条件为预设视频的最后一帧图像。
根据本公开的一个或多个实施例,提供了一种图像分割装置,包括:
确定目标区域模块,用于确定目标帧图像中的目标区域信息,目标区域为目标帧图像中包含目标对象的区域;
确定检测区域模块,用于确定待处理的帧图像,并基于目标区域信息确定待处理的帧图像的检测区域;
第一循环模块,用于若检测区域内各个像素点满足第一预设条件,则基于检测区域内的各个像素点确定目标对象区域,且循环执行确定检测区域模块以及第一循环模块对应的操作,直至满足第二预设条件。
根据本公开的一个或多个实施例,确定目标区域模块包括获取单元、分割单元以及确定单元,其中,
获取单元,用于获取待检测帧图像;
分割单元,用于将待检测帧图像通过基于全图的分割网络模型进行图像分割处理,得到分割结果;
确定单元,用于基于分割结果,确定目标帧图像中的目标区域信息。
根据本公开的一个或多个实施例,确定单元,具体用于若分割结果满足第一预设条件,则基于分割结果确定待检测帧图像中的目标区域信息,并将待检测帧图像中的目标区域信息确定为目标帧图像中的目标区域信息。
根据本公开的一个或多个实施例,确定单元,具体还用于当分割结果不满足第一预设条件,则循环将下一帧图像作为待检测帧图像以及执行获取单元、分割单元以及确定单元对应的操作,直至满足第二预设条件或者分割结果满足第一预设条件;
确定单元,具体还用于基于满足第一预设条件的分割结果,确定目标帧图像中的目标区域信息。
根据本公开的一个或多个实施例,确定单元,具体还可以用于当分割结果不满足第一预设条件,则循环利用第一预设特效图像替换待检测帧图像,并将下一帧图像作为待检测帧图像以及执行获取单元、分割单元以及确定对应的操作,直至满足第二预设条件或者分割结果满足第一预设条件。
根据本公开的一个或多个实施例,分割结果为待检测帧图像中各个像素点属于目标对象的第一概率信息;
确定单元,具体还用于将第一概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域;
确定单元,具体还用于基于目标对象区域,确定目标区域信息。
根据本公开的一个或多个实施例,图像分割装置还可以包括第一处理模块,其中,
第一处理模块,用于基于目标帧图像,确定非目标对象区域中各个第一像素点属于目标对象的第一概率信息。
第一处理模块,还用于在第二预设特效图像中确定各个第一像素点分别对应的第一像素值。
第一处理模块,还用于基于各个第一像素点属于目标对象的第一概率信息、各个第一像素点分别对应的第一像素值以及目标帧图像中的目标对象区域,确定目标帧图像对应的特效图像。
根据本公开的一个或多个实施例,若检测区域内各个像素点不满足第一预设条件,图像分割装置还包括第二循环模块,其中,
第二循环模块,用于循环执行将预设帧图像确定为待检测帧图像,获取单元、分割单元、确定单元、确定检测区域模块以及第一循环模块对应的操作,直至满足第二预设条件;
预设帧图像为检测区域不满足第一预设条件的帧图像。
根据本公开的一个或多个实施例,图像分割装置还包括分割模块,其中,
分割模块,用于将检测区域通过基于检测框的分割网络模型进行分割处理,得到检测区域内各个像素点属于目标对象的第二概率信息;
其中,第一循环模块在基于检测区域内的各个像素点确定目标对象区域时,具体用于将第二概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域。
根据本公开的一个或多个实施例,图像分割装置还可以包括第二处理模块,其中,
第二处理模块,用于基于待处理的帧图像,确定非目标对象区域中各个第二像素点属于目标对象的第二概率信息。
第二处理模块,还用于在第三预设特效图像中确定各个第二像素点分别对应的第二像素值。
第二处理模块,还用于基于各个第二像素点属于目标对象的第二概率信息、各个第二像素点分别对应的第二像素值以及待处理的帧图像中的目标对象区域,确定待处理的帧图像对应的特效图像。
根据本公开的一个或多个实施例,图像分割装置还包括第一确定模块,其中,
第一确定模块,用于基于待检测帧图像中各个像素点属于目标对象的第一概率信息以及与各个像素点分别对应的第一预设像素点的第一概率信息或第二概率信息,确定各个像素点属于目标对象的第三概率信息,各个第一预设像素点为待检测帧图像的上一帧图像中的像素点;
确定单元在将第一概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域时,具体还用于将第三概率信息大于第一预设阈值的像素点组成的区域确定为目标对象区域。
根据本公开的一个或多个实施例,图像分割装置还包括第二确定模块,其中,
第二确定模块,用于基于检测区域内各个像素点属于目标对象的第二概率信息以及检测区域内各个像素点分别对应第二预设像素点对应的第一概率信息或者第二概率信息,确定检测区域内各个像素点分别对应的第四概率信息,各个第二预设像素点为检测区域的上一帧图像中的像素点;
其中,第一循环模块在将第二概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域时,具体还用于将第四概率信息大于第二预设阈值的像素点组成的区域确定为目标对象区域。
根据本公开的一个或多个实施例,图像分割装置还包括第一获取模块以及第一训练模块,其中,
第一获取模块,用于获取第一训练样本,第一训练样本包括:多张第一图像以及每张第一图像内各个像素点属于目标对象的标注信息;
第一训练模块,用于基于第一训练样本对第一初始网络模型进行训练,得到基于全图的分割网络模型。
根据本公开的一个或多个实施例,图像分割装置还包括第二获取模块以及第二训练模块,其中,
第二获取模块,用于获取第二训练样本,第二训练样本包括:多张第二图像以及每张第二图像内各个像素点属于目标对象的标注信息;
第二训练模块,用于基于第二训练样本对第二初始网络模型进行训练,得到基于检测框的分割网络模型。
根据本公开的一个或多个实施例,第二获取模块在获取多张第二图像时,具体用于获取多张第三图像,并确定各张第三图像中的目标区域信息。
第二获取模块,具体还用于按照预设扩展比例分别对各张第三图像中的目标区域信息进行扩展处理,得到各张第三图像中的目标剪切区域。
第二获取模块,具体还用于对各张第三图像中的目标剪切区域进行剪切处理,得到多张第二图像。
根据本公开的一个或多个实施例,第一预设条件为基于各个像素点计算得到的连通域值大于预设连通域阈值。
根据本公开的一个或多个实施例,第二预设条件为预设视频的最后一帧图像。
根据本公开的一个或多个实施例,提供了一种电子设备,一个或多个处理器;
存储器;
一个或多个应用程序,其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序配置用于:执行根据方法实施例所示的图像分割方法。
根据本公开的一个或多个实施例,其上存储有计算机程序,该程序被处理器执行时实现方法实施例所示的图像分割方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。