CN109215037B - 目标图像分割方法、装置及终端设备 - Google Patents
目标图像分割方法、装置及终端设备 Download PDFInfo
- Publication number
- CN109215037B CN109215037B CN201811087298.9A CN201811087298A CN109215037B CN 109215037 B CN109215037 B CN 109215037B CN 201811087298 A CN201811087298 A CN 201811087298A CN 109215037 B CN109215037 B CN 109215037B
- Authority
- CN
- China
- Prior art keywords
- target image
- image
- target
- video image
- tracking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000003709 image segmentation Methods 0.000 title claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 46
- 238000004590 computer program Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 241001494479 Pecora Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于目标图像分割技术领域，提供了目标图像分割方法、装置及终端设备，包括：获取视频图像；采用轻量级卷积神经网络对所述视频图像的第1帧进行分割，得到目标图像；采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域；采用所述轻量级卷积神经网络对所述目标图像的跟踪区域进行分割，得到所述目标图像。通过上述方法能够提高目标图像分割的速度。
Description
技术领域
本申请属于目标图像分割技术领域，尤其涉及目标图像分割方法、目标图像分割装置、终端设备及计算机可读存储介质。
背景技术
图像分割是指将目标从图像中分割出来的操作。将目标从图像分割出来后，可分别对目标以及目标分割后的图像执行相应的处理。例如，若用户对图像的前景和背景有不同的处理要求，则需要分割图像的前景和背景。
现有的目标分割方法主要用于处理单张图像，例如，采用Mask RCNN分割目标时能够提高目标分割的精确度，目标分割效果非常好，但是处理速度非常慢，特别是对于高分辨率图像来说，即使进行GPU加速也存在读写过慢的问题。
故，有必要提供一种新的方法以解决上述技术问题。
发明内容
有鉴于此，本申请实施例提供了一种目标图像分割方法，以解决现有技术中在分割目标图像时速度过慢的问题。
本申请实施例的第一方面提供了一种目标图像分割方法，包括：
获取视频图像；
采用轻量级卷积神经网络对所述视频图像的第1帧进行分割，得到目标图像；
采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域；
采用所述轻量级卷积神经网络对所述目标图像的跟踪区域进行分割，得到所述目标图像。
本申请实施例的第二方面提供了一种目标图像分割装置，包括：
视频图像获取单元，用于获取视频图像；
第1帧图像分割单元，用于采用轻量级卷积神经网络对所述视频图像的第1帧进行分割，得到目标图像；
跟踪区域确定单元，用于采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域；
跟踪区域分割单元，用于采用所述轻量级卷积神经网络对所述目标图像的跟踪区域进行分割，得到所述目标图像。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述目标图像分割方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述目标图像分割方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：
由于第1帧的目标图像通过轻量级卷积神经网络分割得到，因此能够快速识别出第1帧的目标图像，并且，由于后续帧采用预设的目标跟踪方法确定目标图像的跟踪区域，因此，使得轻量级卷积神经网络只需对所述目标图像的跟踪区域进行分割就能得出目标图像，无需从整个帧中分割目标图像，从而极大减少了整个视频图像分割目标图像的运算量，提高目标图像分割的速度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的第一种目标图像分割方法的流程图；
图2是本申请实施例一提供的目标图像的跟踪区域的示意图；
图3是本申请实施例二提供的第二种目标图像分割方法的流程图；
图4是本申请实施例三提供的第三种目标图像分割方法的流程图；
图5是本申请实施例四提供的一种目标图像分割装置的结构示意图；
图6是本申请实施例五提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中，本申请实施例中描述的移动终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，上述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中，描述了包括显示器和触摸敏感表面的移动终端。然而，应当理解的是，移动终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
移动终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在移动终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一：
图1示出了本申请实施例一提供的第一种目标图像分割方法的流程图，详述如下：
步骤S11，获取视频图像；
其中，本实施例的视频图像可以为已拍摄的视频图像，也可以为正在拍摄的视频图像。
需要指出的是，当用户将已拍摄的多张图片合成一个视频流时，该视频流对应的图片也为本实施例的视频图像。
步骤S12，采用轻量级卷积神经网络对所述视频图像的第1帧进行分割，得到目标图像；
其中，这里的目标图像可以为前景中的目标图像，也可以为背景中的目标图像，具体根据用户需求设定。该步骤中，预先对轻量级卷积神经网络进行训练，使得训练后的轻量级卷积神经网络能够识别指定的目标图像，从而在采用训练后的轻量级卷积神经网络对视频图像的第1帧进行分割时，能够识别该指定的目标图像。由于采用轻量级卷积神经网络分割出目标图像，而轻量级卷积神经网络的识别速度较快，因此能够快速识别出第1帧的目标图像。
可选地，这里的轻量级卷积神经网络为MobileUnet。
步骤S13，采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域；
本实施例中，目标图像的跟踪区域为包括该目标图像的区域，如图2所示，假设目标图像为人、羊、狗，则人、羊、狗所在的框包括的区域即为该人、羊、狗的跟踪区域。
其中，预设的目标跟踪方法为传统的目标跟踪方法，如卡尔曼滤波、扩展的卡尔曼滤波和粒子滤波等方法。
步骤S14，采用所述轻量级卷积神经网络对所述目标图像的跟踪区域进行分割，得到所述目标图像。
其中，该步骤的轻量级卷积神经网络与步骤S12的相同。需要指出的是，在该步骤中，轻量级卷积神经网络只对目标图像的跟踪区域分割出目标图像，而不需要对整个帧的图像分割出目标图像，进而极大减少了运算量。
本申请实施例中，获取视频图像，采用轻量级卷积神经网络对所述视频图像的第1帧进行分割，得到目标图像，采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域，采用所述轻量级卷积神经网络对所述目标图像的跟踪区域进行分割，得到所述目标图像。由于第1帧的目标图像通过轻量级卷积神经网络分割得到，因此能够快速识别出第1帧的目标图像，并且，由于后续帧采用预设的目标跟踪方法确定目标图像的跟踪区域，因此，使得轻量级卷积神经网络只需对所述目标图像的跟踪区域进行分割就能得出目标图像，无需从整个帧中分割目标图像，从而极大减少了整个视频图像分割目标图像的运算量。
可选地，由于在跟踪的过程中，可能存在目标图像跟踪识别的情况，因此，为了能够及时分割出目标图像，所述目标图像分割方法还包括：
若采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像失败，则采用所述轻量级卷积神经网络对所述视频图像的后续帧进行分割，得到新的所述目标图像。
具体地，若在后续的某个帧发现目标图像跟踪失败，则采用轻量级卷积神经网络对该某个帧进行分割，得到分割后的目标图像。之后，再采用预设的目标跟踪方法跟踪该某个帧之后的后续帧的目标图像。
实施例二：
图3示出了本申请实施例二提供的第二种目标图像分割方法的流程图，本实施例中，步骤S31、步骤S32、步骤S35与实施例一的步骤S11、步骤S12、步骤S14相同，此次不再赘述。
为了能够更快速地分割出目标图像，则只对视频图像的I帧采用预设的目标跟踪方法确定目标图像的跟踪区域，详述如下：
步骤S31，获取视频图像；
步骤S32，采用轻量级卷积神经网络对所述视频图像的第1帧进行分割，得到目标图像；
步骤S33，判断所述视频图像的后续帧是否为I帧；
步骤S34，若所述视频图像的后续帧为I帧，则采用所述预设的目标跟踪方法跟踪所述I帧的所述目标图像，得到所述目标图像的跟踪区域。
步骤S35，采用所述轻量级卷积神经网络对所述目标图像的跟踪区域进行分割，得到所述目标图像。
本申请实施例中，在对视频图像的后续帧进行目标图像跟踪时，只对该视频图像的后续帧的I帧进行跟踪，由于不对后续帧的非I帧进行跟踪，因此减少了跟踪的计算量，并且，由于视频图像的I帧包括了该视频图像的大部分信息，因此只对I帧进行目标图像跟踪也能够保证目标图像的准确分割。
可选地，若希望实现目标图像的及时分割，则在判断出所述视频图像的后续帧为I帧之后，采用所述轻量级卷积神经网络对所述视频图像的I帧进行分割，得到所述目标图像；在判断出所述视频图像的后续帧为非I帧时，采用所述预设的目标跟踪方法跟踪所述非I帧的所述目标图像，得到所述目标图像的跟踪区域。
其中，这里的非I帧包括B帧和P帧。
当然，若所述视频图像的后续帧为非I帧，且采用预设的目标跟踪方法跟踪目标图像失败之后，则仍采用所述轻量级卷积神经网络对所述非I帧进行分割，得到目标图像。
本实施例中，由于对每个I帧都采用轻量级卷积神经网络进行目标图像分割，因此，降低采用预设的目标跟踪方法追踪目标图像失败的概率，从而能够实现目标图像的及时分割。
实施例三：
图4示出了本申请实施例三提供的第三种目标图像分割方法的流程图，本实施例的步骤S41、步骤S42、步骤S45分别与实施例一的步骤S11、步骤S12、步骤S14相同，此次不再赘述。
步骤S41，获取视频图像；
步骤S42，采用轻量级卷积神经网络对所述视频图像的第1帧进行分割，得到目标图像；
步骤S43，判断所述视频图像对应的场景是否为预设场景，若为预设场景，采用第一预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域，其中，所述预设场景为已知噪声的场景；
具体地，若是已知噪声的场景，例如，对某个人物或物品的跟踪拍摄场景，则选择第一预设的目标跟踪方法，如卡尔曼滤波跟踪方法。
步骤S44，若不为预设场景，采用第二预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域。
具体地，若是噪声未知的场景，例如，对盛大赛事(包括多目标)的拍摄场景，则选择第二预设的目标跟踪方法，如粒子滤波器跟踪方法。
步骤S45，采用所述轻量级卷积神经网络对所述目标图像的跟踪区域进行分割，得到所述目标图像。
本实施例中，由于根据视频图像的场景选择不同的目标跟踪方法，因此，能够提高确定的目标图像的跟踪区域的准确性。
可选地，所述步骤S11(或步骤S31或步骤S41)，包括：
检测是否接收到视频拍摄指令，若接收到视频拍摄指令，获取视频图像。
具体地，当用户打开相机界面，选择视频拍摄时发出视频拍摄指令，此时，终端设备将获取到对应的视频图像。
可选地，在所述步骤S11(或步骤S31或步骤S41)之后，包括：
获取所述视频图像的分辨率，判断所述视频图像的分辨率是否大于预设的分辨率阈值；
此时，所述步骤S12(或步骤S32或步骤S42)具体包括：
若所述视频图像的分辨率大于预设的分辨率阈值，采用轻量级卷积神经网络对所述视频图像的第1帧进行分割，得到目标图像。
可选地，当视频图像的分辨率小于或等于预设的分辨率阈值时，采用Mask RCNN分割视频图像，得到对应的目标图像。其中，Mask RCNN是何凯明基于以往的faster rcnn架构提出的新的卷积网络。
本实施例中，当视频图像的分辨率大于预设的分辨率阈值时，采用轻量级卷积神经网络对所述视频图像的第1帧进行分割，否则，采用Mask RCNN分割视频图像，这样，能够在视频图像的分辨率不大时能够保证准确分割出目标图像，而在视频图像的分辨率较大时，能够快速】准确地分割出目标图像。
实施例四：
图5示出了本申请实施例四提供的一种目标图像分割装置的结构示意图，为了便于说明，仅示出了与本实施例相关的部分：
该目标图像分割装置5包括：视频图像获取单元51、第1帧图像分割单元52、跟踪区域确定单元53、跟踪区域分割单元54。其中：
视频图像获取单元51，用于获取视频图像；
第1帧图像分割单元52，用于采用轻量级卷积神经网络对所述视频图像的第1帧进行分割，得到目标图像；
可选地，这里的轻量级卷积神经网络为MobileUnet。
跟踪区域确定单元53，用于采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域；
跟踪区域分割单元54，用于采用所述轻量级卷积神经网络对所述目标图像的跟踪区域进行分割，得到所述目标图像。
本申请实施例中，由于第1帧的目标图像通过轻量级卷积神经网络分割得到，因此能够快速识别出第1帧的目标图像，并且，由于后续帧采用预设的目标跟踪方法确定目标图像的跟踪区域，因此，使得轻量级卷积神经网络只需对所述目标图像的跟踪区域进行分割就能得出目标图像，无需从整个帧中分割目标图像，从而极大减少了整个视频图像分割目标图像的运算量。
可选地，所述目标图像分割装置5还包括：
目标图像重新分割单元，用于若采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像失败，则采用所述轻量级卷积神经网络对所述视频图像的后续帧进行分割，得到新的所述目标图像。
可选地，所述跟踪区域确定单元53包括：
帧类型判断模块，用于判断所述视频图像的后续帧是否为I帧；
I帧处理模块，用于若所述视频图像的后续帧为I帧，则采用所述预设的目标跟踪方法跟踪所述I帧的所述目标图像，得到所述目标图像的跟踪区域。
可选地，所述跟踪区域确定单元53包括：
I帧目标图像分割模块，用于在判断出所述视频图像的后续帧为I帧之后，采用所述轻量级卷积神经网络对所述视频图像的I帧进行分割，得到所述目标图像；
非I帧目标图像跟踪模块，用于在判断出所述视频图像的后续帧为非I帧时，采用所述预设的目标跟踪方法跟踪所述非I帧的所述目标图像，得到所述目标图像的跟踪区域。
可选地，所述跟踪区域确定单元53包括：
第一跟踪区域确定模块，用于判断所述视频图像对应的场景是否为预设场景，若为预设场景，采用第一预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域，其中，所述预设场景为已知噪声的场景；
第二跟踪区域确定模块，用于若不为预设场景，采用第二预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例五：
图6是本申请实施例五提供的终端设备的示意图。如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个目标图像分割方法实施例中的步骤，例如图1所示的步骤S11至S14。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块51至54的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如，所述计算机程序62可以被分割成视频图像获取单元、第1帧图像分割单元、跟踪区域确定单元、跟踪区域分割单元，各单元具体功能如下：
视频图像获取单元，用于获取视频图像；
第1帧图像分割单元，用于采用轻量级卷积神经网络对所述视频图像的第1帧进行分割，得到目标图像；
跟踪区域确定单元，用于采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域；
跟踪区域分割单元，用于采用所述轻量级卷积神经网络对所述目标图像的跟踪区域进行分割，得到所述目标图像。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (9)
1.一种目标图像分割方法，其特征在于，包括：
获取视频图像；
获取所述视频图像的分辨率，若所述视频图像的分辨率大于预设的分辨率阈值，采用轻量级卷积神经网络对所述视频图像的第1帧进行分割，得到目标图像；若所述视频图像的分辨率小于或等于预设的分辨率阈值，采用Mask RCNN对所述视频图像的第1帧进行分割，得到对应的目标图像；
采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域；
采用所述轻量级卷积神经网络对所述目标图像的跟踪区域进行分割，得到所述目标图像。
2.如权利要求1所述的目标图像分割方法，其特征在于，所述目标图像分割方法还包括：
若采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像失败，则采用所述轻量级卷积神经网络对所述视频图像的后续帧进行分割，得到新的所述目标图像。
3.如权利要求1所述的目标图像分割方法，其特征在于，所述采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域，包括：
判断所述视频图像的后续帧是否为I帧；
若所述视频图像的后续帧为I帧，则采用所述预设的目标跟踪方法跟踪所述I帧的所述目标图像，得到所述目标图像的跟踪区域。
4.如权利要求1所述的目标图像分割方法，其特征在于，所述采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域，包括：
判断所述视频图像对应的场景是否为预设场景，若为预设场景，采用第一预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域，其中，所述预设场景为已知噪声的场景；
若不为预设场景，采用第二预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域。
5.如权利要求1至4任一项所述的目标图像分割方法，其特征在于，所述获取视频图像，包括：
检测是否接收到视频拍摄指令，若接收到视频拍摄指令，获取视频图像。
6.一种目标图像分割装置，其特征在于，包括：
视频图像获取单元，用于获取视频图像；
第1帧图像分割单元，用于获取所述视频图像的分辨率，若所述视频图像的分辨率大于预设的分辨率阈值，采用轻量级卷积神经网络对所述视频图像的第1帧进行分割，得到目标图像；若所述视频图像的分辨率小于或等于预设的分辨率阈值，采用Mask RCNN对所述视频图像的第1帧进行分割，得到对应的目标图像；
跟踪区域确定单元，用于采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像，得到所述目标图像的跟踪区域；
跟踪区域分割单元，用于采用所述轻量级卷积神经网络对所述目标图像的跟踪区域进行分割，得到所述目标图像。
7.如权利要求6所述的目标图像分割装置，其特征在于，所述目标图像分割装置还包括：
目标图像重新分割单元，用于若采用预设的目标跟踪方法跟踪所述视频图像的后续帧的所述目标图像失败，则采用所述轻量级卷积神经网络对所述视频图像的后续帧进行分割，得到新的所述目标图像。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811087298.9A CN109215037B (zh) | 2018-09-18 | 2018-09-18 | 目标图像分割方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811087298.9A CN109215037B (zh) | 2018-09-18 | 2018-09-18 | 目标图像分割方法、装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109215037A CN109215037A (zh) | 2019-01-15 |
| CN109215037B true CN109215037B (zh) | 2021-04-02 |
Family
ID=64983886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811087298.9A Expired - Fee Related CN109215037B (zh) | 2018-09-18 | 2018-09-18 | 目标图像分割方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109215037B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723806A (zh) * | 2019-03-19 | 2020-09-29 | 北京京东尚科信息技术有限公司 | 增强现实方法和装置 |
| CN112085025B (zh) * | 2019-06-14 | 2024-01-16 | 阿里巴巴集团控股有限公司 | 物体分割方法、装置、设备 |
| CN110348369B (zh) * | 2019-07-08 | 2021-07-06 | 北京字节跳动网络技术有限公司 | 一种视频场景分类方法、装置、移动终端及存储介质 |
| CN110490858B (zh) * | 2019-08-21 | 2022-12-13 | 西安工程大学 | 一种基于深度学习的织物缺陷像素级分类方法 |
| CN110569854B (zh) * | 2019-09-12 | 2022-03-29 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
| CN111415358B (zh) * | 2020-03-20 | 2024-03-12 | Oppo广东移动通信有限公司 | 图像分割方法、装置、电子设备及存储介质 |
| CN111860210A (zh) * | 2020-06-29 | 2020-10-30 | 杭州鸿泉物联网技术股份有限公司 | 双手脱离方向盘检测方法、装置、电子设备和存储介质 |
| CN118710637A (zh) * | 2024-08-26 | 2024-09-27 | 天津御锦智能医学装备技术有限公司 | 超声图像分析方法、系统、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2002318859A1 (en) * | 2001-12-19 | 2003-08-28 | Canon Kabushiki Kaisha | A Method for Video Object Detection and Tracking Based on 3D Segment Displacement |
| CN101662680A (zh) * | 2008-08-28 | 2010-03-03 | 华为技术有限公司 | 一种视频流性能测量方法、装置及系统 |
| CN101727672A (zh) * | 2008-10-24 | 2010-06-09 | 云南正卓信息技术有限公司 | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 |
| CN104616318A (zh) * | 2015-01-22 | 2015-05-13 | 重庆邮电大学 | 一种视频序列图像中的运动目标跟踪方法 |
| CN107564034A (zh) * | 2017-07-27 | 2018-01-09 | 华南理工大学 | 一种监控视频中多目标的行人检测与跟踪方法 |
| CN107784279A (zh) * | 2017-10-18 | 2018-03-09 | 北京小米移动软件有限公司 | 目标跟踪方法及装置 |
| CN108345831A (zh) * | 2017-12-28 | 2018-07-31 | 新智数字科技有限公司 | 基于点云数据的道路图像分割的方法、装置以及电子设备 |
| CN108520223A (zh) * | 2018-04-02 | 2018-09-11 | 广州华多网络科技有限公司 | 视频图像的分割方法、分割装置、存储介质和终端设备 |
-
2018
- 2018-09-18 CN CN201811087298.9A patent/CN109215037B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2002318859A1 (en) * | 2001-12-19 | 2003-08-28 | Canon Kabushiki Kaisha | A Method for Video Object Detection and Tracking Based on 3D Segment Displacement |
| CN101662680A (zh) * | 2008-08-28 | 2010-03-03 | 华为技术有限公司 | 一种视频流性能测量方法、装置及系统 |
| CN101727672A (zh) * | 2008-10-24 | 2010-06-09 | 云南正卓信息技术有限公司 | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 |
| CN104616318A (zh) * | 2015-01-22 | 2015-05-13 | 重庆邮电大学 | 一种视频序列图像中的运动目标跟踪方法 |
| CN107564034A (zh) * | 2017-07-27 | 2018-01-09 | 华南理工大学 | 一种监控视频中多目标的行人检测与跟踪方法 |
| CN107784279A (zh) * | 2017-10-18 | 2018-03-09 | 北京小米移动软件有限公司 | 目标跟踪方法及装置 |
| CN108345831A (zh) * | 2017-12-28 | 2018-07-31 | 新智数字科技有限公司 | 基于点云数据的道路图像分割的方法、装置以及电子设备 |
| CN108520223A (zh) * | 2018-04-02 | 2018-09-11 | 广州华多网络科技有限公司 | 视频图像的分割方法、分割装置、存储介质和终端设备 |
Non-Patent Citations (4)
| Title |
|---|
| Flow-free Video Object Segmentation;Aditya Vora 等;《arXiv》;20170630;第1-5页 * |
| MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications;Andrew G.Howard 等;《arXiv》;20170418;第1-9页 * |
| 基于卷积神经网络的街景图像分割方法研究;张文海;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180915;第2018年卷(第09期);第I138-345页 * |
| 结合跟踪技术的视频目标分割方法研究;黄元捷;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160315;第2016年卷(第03期);摘要，第1-6章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109215037A (zh) | 2019-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109215037B (zh) | 目标图像分割方法、装置及终端设备 | |
| CN109345553B (zh) | 一种手掌及其关键点检测方法、装置和终端设备 | |
| CN108765340B (zh) | 模糊图像处理方法、装置及终端设备 | |
| CN109376645B (zh) | 一种人脸图像数据优选方法、装置及终端设备 | |
| CN110119733B (zh) | 书页识别方法及装置、终端设备、计算机可读存储介质 | |
| CN111414949B (zh) | 图片聚类方法、装置、电子设备及存储介质 | |
| CN112102164B (zh) | 一种图像处理方法、装置、终端及存储介质 | |
| CN108564550B (zh) | 图像处理方法、装置及终端设备 | |
| CN110414514B (zh) | 图像处理方法及装置 | |
| CN111754435A (zh) | 图像处理方法、装置、终端设备及计算机可读存储介质 | |
| CN109359582B (zh) | 信息搜索方法、信息搜索装置及移动终端 | |
| CN112668577A (zh) | 大尺度图像中目标物体的检测方法、终端及装置 | |
| CN110677586B (zh) | 图像显示方法、图像显示装置及移动终端 | |
| CN108776959B (zh) | 图像处理方法、装置及终端设备 | |
| CN110166696B (zh) | 拍摄方法、装置、终端设备以及计算机可读存储介质 | |
| CN109358927B (zh) | 应用程序显示的方法、装置及终端设备 | |
| CN109089040B (zh) | 图像处理方法、图像处理装置及终端设备 | |
| CN108932703B (zh) | 图片处理方法、图片处理装置及终端设备 | |
| CN110263741A (zh) | 视频帧提取方法、装置及终端设备 | |
| CN107360361B (zh) | 一种逆光拍摄人物方法及装置 | |
| CN109444905B (zh) | 一种基于激光的动态物体检测方法、装置及终端设备 | |
| CN111754411B (zh) | 图像降噪方法、图像降噪装置及终端设备 | |
| CN108769527B (zh) | 场景识别方法、装置及终端设备 | |
| CN112565601B (zh) | 图像处理方法、装置、移动终端及存储介质 | |
| CN108763491B (zh) | 图片处理方法、装置及终端设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210402 |