一种基于人工智能的运动服服装图像分割方法

1.本发明涉及服装图像分割技术领域，具体为一种基于人工智能的运动服服装图像分割方法。


背景技术：

2.图像分割是计算机视觉中的经典问题，是计算机视觉的基础，对于图像中内容的分割，是图像理解的重要组成部分。传统计算机视觉方法通过灰度、几何形状、空间纹理信息等特征把图像中不同的实体或区域分割出来，得到的同一区域或者实体中特征保持一致性或相似性，在不同的实例中表现出明显的不同。但传统方法图像分割模型粗糙，分割精度普遍较低，不适用于多种服装风格或相似服装颜色和背景的服装图像。
3.中国专利文献：cn201811082187.9，申请日2018.09.17，专利名称为：基于深度学习的时尚服装图像分割方法，公开了一种基于深度学习的时尚服装图像分割方法，包括用特征提取模块、服装语义信息提取模块和服装分割预测模块组成的深度神经网络结构模型；用关键点位置的回归函数、关键可见性损失函数、带权重的服装预测类别交叉熵损失函数以及服装位置的回归损失函数作为损失函数；权重参数初始化方法、数据的预处理、优化算法以及训练步骤作为优化策略，对图像中的服装进行分割。
4.中国专利文献：cn202111034024.5，申请日2021.09.03，专利名称为：模型训练方法、服装细粒度分割方法及相关装置，公开了一种模型训练方法、服装细粒度分割方法及相关装置，包括用cbnet和fpn相结合的架构组成的特征提取模块；用训练图像对应的特征信息通过预测模块对训练图像进行分割，训练图像对应的预测信息；用预测信息和标注信息通过深度神经网络进行训练，得到服装细粒度分割模型。
5.上述专利文献cn201811082187.9中的基于深度学习的时尚服装图像分割方法，用的是一种单主线的神经网络提取方法，通过特征提取模块、服装语义信息提取模块和服装分割预测模块串联组成网络结构对图片信息进行提取。上述专利文献cn202111034024.5中的模型训练方法和服装分割方法，通过两个不通的网络结构组合成新的网络结构，分两次训练以达到细粒度分割的目的，提升精度和准确度。但是这上述分割算法依旧存在以下缺陷：图像背景复杂，服装的边缘信息和复杂背景的信息易混淆，出现边缘模糊等问题。


技术实现要素：

6.针对现有技术的不足，本发明提供了一种基于人工智能的运动服服装图像分割方法。
7.为实现上述目的，本发明提供如下技术方案：一种基于人工智能的运动服服装图像分割方法，包括以下步骤：s1：采集服装图像组成服装数据集，并标注图像分割信息；s2：读取数据集中的图片，将读取的图像进行预处理后送入服装图像分割模型的服装特征提取网络中提取服装特征，得到具有服装特征的特征图；
s3：根据模板获取图像几何特征，对待处理图像进行尺度缩放和角度校正；s4：根据模板获取图像颜色特征，结合rgb与hsv空间对图像模板与待处理图像进行相似判断，以得到待处理图像的初始像素类别；s5：从模板中获取会造成欠分割问题的模特局部特征，将待处理图像中的对应模特局部特征区域的像素的初始像素类别置为“可能背景”；s6：从模板中获取每种服装类型中会造成过分割问题的服饰特征，在待处理图像服饰特征区域内进行特征匹配，匹配得到的区域对应像素的初始图像类别置为“绝对前景”；s7：基于提取的待分割显著区域进行分割，得到多目标服装图像显著区域初步分割结果；s8：根据得到的服装图像的显著区域的显著值，计算多区域服装特征之间的相似度，输出图像分割结果；s9：采用数据增强模块对原始图像进行增强处理；s10：构建深度神经网络分割模型；s11：对深度神经网络分割模型进行训练；s12：完成边界优化与分割。
8.优选的，所述s1中，具体从社交和电商平台爬取包含服装的图片，所述图片包含单独的服装或者包含多个不同的服装；所述服装的品类包括短袖衫、长袖衫、外套、短裤、短裙、长裤和长裙。
9.优选的，在分割预测时，遇到高噪声的图像（背景或皮肤模糊等）时，模型开始动荡，通过增加训练图像的数量进行解决。
10.优选的，所述s7中，还包括，对初步分割结果、包含同类对象的多目标小型图像集的服装显著特征集进行计算服装图像的显著区域的显著值，得到服装图像的显著区域的显著值。
11.优选的，所述s9中，具体为数据增强模块包括旋转数据增强模块、翻转数据增强模块、拼接数据增强模块和变换数据增强模块。
12.优选的，所述s10中，采用特征编码模块和特征解码模块构建深度神经网络分割模型，所述特征编码模块，包括特征提取主干网络和特征融合模块。
13.优选的，所述s11中，采用先冻结一部分权重再解冻全部权重的方式对深度神经网络分割模型进行训练；在训练的过程中，采用骰子系数损失函数和加权交叉熵损失函数训练结果计算损失值。
14.与现有技术相比，本发明提供了一种基于人工智能的运动服服装图像分割方法，具备以下有益效果：1、该一种基于人工智能的运动服服装图像分割方法，通过使用本方法，对边缘和空间信息的提取可以更加的完整，分割的后的结果边缘比较光滑，和背景区分明显。
15.2、该一种基于人工智能的运动服服装图像分割方法，通过对不同服装进行融合，有利于放大服装数据特征，达到提高服装图像分割精度的目的。
16.3、该一种基于人工智能的运动服服装图像分割方法，通过数据增强模块，可以增加训练数据量，避免因服饰种类较少而产生的训练欠拟合。
具体实施方式
17.下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
18.所述实施例的示例示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
19.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
20.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
21.一种基于人工智能的运动服服装图像分割方法，包括以下步骤：s1：采集服装图像组成服装数据集，并标注图像分割信息；具体从社交和电商平台爬取包含服装的图片，所述图片包含单独的服装或者包含多个不同的服装；所述服装的品类包括短袖衫、长袖衫、外套、短裤、短裙、长裤和长裙；s2：读取数据集中的图片，将读取的图像进行预处理后送入服装图像分割模型的服装特征提取网络中提取服装特征，得到具有服装特征的特征图；s3：根据模板获取图像几何特征，对待处理图像进行尺度缩放和角度校正；s4：根据模板获取图像颜色特征，结合rgb与hsv空间对图像模板与待处理图像进行相似判断，以得到待处理图像的初始像素类别；s5：从模板中获取会造成欠分割问题的模特局部特征，将待处理图像中的对应模特局部特征区域的像素的初始像素类别置为“可能背景”；s6：从模板中获取每种服装类型中会造成过分割问题的服饰特征，在待处理图像服饰特征区域内进行特征匹配，匹配得到的区域对应像素的初始图像类别置为“绝对前景”；s7：基于提取的待分割显著区域进行分割，得到多目标服装图像显著区域初步分割结果，还包括，对初步分割结果、包含同类对象的多目标小型图像集的服装显著特征集进行计算服装图像的显著区域的显著值，得到服装图像的显著区域的显著值；s8：根据得到的服装图像的显著区域的显著值，计算多区域服装特征之间的相似度，输出图像分割结果；s9：采用数据增强模块对原始图像进行增强处理；具体为数据增强模块包括旋转数据增强模块、翻转数据增强模块、拼接数据增强模块和变换数据增强模块；s10：构建深度神经网络分割模型；采用特征编码模块和特征解码模块构建深度神经网络分割模型，所述特征编码模块，包括特征提取主干网络和特征融合模块；
s11：对深度神经网络分割模型进行训练；采用先冻结一部分权重再解冻全部权重的方式对深度神经网络分割模型进行训练；在训练的过程中，采用骰子系数损失函数和加权交叉熵损失函数训练结果计算损失值s12：完成边界优化与分割。
22.在分割预测时，遇到高噪声的图像（背景或皮肤模糊等）时，模型开始动荡，通过增加训练图像的数量进行解决。
23.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个引用结构”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

技术特征：
1.一种基于人工智能的运动服服装图像分割方法，其特征在于，包括以下步骤：s1：采集服装图像组成服装数据集，并标注图像分割信息；s2：读取数据集中的图片，将读取的图像进行预处理后送入服装图像分割模型的服装特征提取网络中提取服装特征，得到具有服装特征的特征图；s3：根据模板获取图像几何特征，对待处理图像进行尺度缩放和角度校正；s4：根据模板获取图像颜色特征，结合rgb与hsv空间对图像模板与待处理图像进行相似判断，以得到待处理图像的初始像素类别；s5：从模板中获取会造成欠分割问题的模特局部特征，将待处理图像中的对应模特局部特征区域的像素的初始像素类别置为“可能背景”；s6：从模板中获取每种服装类型中会造成过分割问题的服饰特征，在待处理图像服饰特征区域内进行特征匹配，匹配得到的区域对应像素的初始图像类别置为“绝对前景”；s7：基于提取的待分割显著区域进行分割，得到多目标服装图像显著区域初步分割结果；s8：根据得到的服装图像的显著区域的显著值，计算多区域服装特征之间的相似度，输出图像分割结果；s9：采用数据增强模块对原始图像进行增强处理；s10：构建深度神经网络分割模型；s11：对深度神经网络分割模型进行训练；s12：完成边界优化与分割。2.根据权利要求1所述的一种基于人工智能的运动服服装图像分割方法，其特征在于：所述s1中，具体从社交和电商平台爬取包含服装的图片，所述图片包含单独的服装或者包含多个不同的服装；所述服装的品类包括短袖衫、长袖衫、外套、短裤、短裙、长裤和长裙。3.根据权利要求1所述的一种基于人工智能的运动服服装图像分割方法，其特征在于：在分割预测时，遇到高噪声的图像（背景或皮肤模糊等）时，模型开始动荡，通过增加训练图像的数量进行解决。4.根据权利要求1所述的一种基于人工智能的运动服服装图像分割方法，其特征在于：所述s7中，还包括，对初步分割结果、包含同类对象的多目标小型图像集的服装显著特征集进行计算服装图像的显著区域的显著值，得到服装图像的显著区域的显著值。5.根据权利要求1所述的一种基于人工智能的运动服服装图像分割方法，其特征在于：所述s9中，具体为数据增强模块包括旋转数据增强模块、翻转数据增强模块、拼接数据增强模块和变换数据增强模块。6.根据权利要求1所述的一种基于人工智能的运动服服装图像分割方法，其特征在于：所述s10中，采用特征编码模块和特征解码模块构建深度神经网络分割模型，所述特征编码模块，包括特征提取主干网络和特征融合模块。7.根据权利要求1所述的一种基于人工智能的运动服服装图像分割方法，其特征在于：所述s11中，采用先冻结一部分权重再解冻全部权重的方式对深度神经网络分割模型进行训练；在训练的过程中，采用骰子系数损失函数和加权交叉熵损失函数训练结果计算损失值。

技术总结
本发明公开了一种基于人工智能的运动服服装图像分割方法，包括以下步骤：S1：采集服装图像组成服装数据集，并标注图像分割信息；S2：读取数据集中的图片，将读取的图像进行预处理后送入服装图像分割模型的服装特征提取网络中提取服装特征，得到具有服装特征的特征图；S3：根据模板获取图像几何特征，对待处理图像进行尺度缩放和角度校正；S4：根据模板获取图像颜色特征，结合RGB与HSV空间对图像模板与待处理图像进行相似判断，以得到待处理图像的初始像素类别。通过使用本方法，对边缘和空间信息的提取可以更加的完整，分割的后的结果边缘比较光滑，和背景区分明显。和背景区分明显。


技术研发人员：刘学良
受保护的技术使用者：东莞理工学院
技术研发日：2023.04.19
技术公布日：2023/7/12