融合注意力机制的移动端人像分割网络

现有的移动端人像分割网络存在分割精度差、分割边缘模糊等问题。为此,提出了一种融合注意力机制的轻量化人像分割网络。首先,利用MobileNetV2网络提取图像特征。然后对注意力模块NLNet(Non-local neural networks)进行轻量化处理,随后将优化过的注意力模块嵌入到四层解码网络中。利用融合注意力机制的解码网络自适应地学习有效特征,最后通过SoftMax层得到人像分割结果图。同时改进了损失函数,引入多损失函数(Multi-Loss),使网络更容易收敛。解码网络融合注意力机制的方式使得轻量化网络可以在语义分割任务上取得较好的效果。实验结果表明,模型在550张自采集的人像测试集上达到了92.29%的交并比(MeanIOU),单张图片在Inter(R)Core i5 CPU上的分割时间为0.74 s。与传统的人像分割网络相比,研究网络的分割精度和分割速度优势明显,适合应用于移动端设备。

融合MobileNetv2和注意力机制的轻量级人像分割算法

针对人像分割精度不高、效率不佳的问题,提出一种融合MobileNetv2和注意力机制的轻量级人像分割算法,以实现对人像半身图进行分割。在编码器-解码器的U型网络结构的基础上,通过将MobileNetv2作为骨干网络,精简上采样过程,有效地减少了网络的参数量,有助于网络的迁移和训练。融合注意力机制的网络结构可更有效地学习人像特征,同时引进混合损失函数,有利于人像边缘像素点分类。该网络结构可选用人像半身图作为输入,并输出对应的图像掩膜。在Human_Matting和EG1800公开数据集上进行了实验,结果表明该算法精度分别达98.3%(Matting)、97.8%(EG1800),相较于PortraitNet预测96.3%(Matting)、95.8%(EG1800)的准确度和DeepLabv3+网络的96.8%(Matting)、96.4%(EG1800)准确度有明显提升,可以清晰地将目标人物和背景分离开。算法IOU指标可达98.6%(Matting)、98.2%(EG1800),在实验平台上分割测试集每张图片平均时间约0.015 s,可应用于轻量化场景中,为场景人像分割提供新的理论基础和研究思路。

基于深度神经网络的移动端人像分割

针对现有的人像分割算法大多忽略移动设备的硬件限制,盲目追求效果,以致无法满足移动端对于分割速度要求的问题,提出了一种可在移动设备上高效运行的人像分割网络。首先,基于编码器-解码器的轻量级U型架构来构建网络;其次,为了克服全卷积网络(FCN)受制于较小的感受域,无法充分捕获长距离信息的缺陷,引入期望最大化注意力块(EMAU)置于编码器之后、解码器之前;然后,在训练阶段添加多层边界辅助损失,有助于提高人物边界轮廓的准确度;最后,对模型进行量化和压缩。在Veer数据集上将所提网络与PortraitFCN+、ENet和BiSeNet等网络进行对比实验。实验结果表明,所提网络可以提高图像推理速度和分割效果,并能够以95.57%的准确率处理分辨率为224×224的RGB图像。

基于人像分割的智能搜救无人机系统设计

为了在确保救援人员安全的同时,迅速有效地开展野外搜救任务,对搜救方式的选择变得非常重要。针对传统搜救系统消耗人力大、搜索效率低等弊端,提出了一种无人机智能搜救系统。系统分为自动控制、图像拼接和人像检测三个子系统。控制系统保证无人机依照指定路线安全飞行,实时地采集并回传图像;图像拼接系统将回传的图像通过ORB特征提取算法合成大型高清航拍影像,以便救援人员能在最短的时间内根据遇难者所在地的地形和环境特点规划最优的救援路线。人像检测系统使用谷歌最新的语义分割模型DeepLab V3+神经网络进行人像分割,以实现人像检测的功能。该神经网络运行速度快、精度高、对截断人像识别效果较好,适用于野外救援等紧急情况的实时应用场景。经过多次实验,结果表明该无人机搜救系统测试稳定,识别准确率高,能在多种复杂的野外环境中发挥较好的救援作用。

基于标签传递的人像分割

人像分割技术在人脸识别、3D人体重建及运动捕捉等实际应用中具有重要的作用,其可靠性直接影响后续处理的效果。本文以标签传递理论的目标分割算法为基础,提出了一种优化的人像分割算法。首先,引入模糊集理论,提高复杂背景图像分割的能力;然后,使用超像素过分割进行预处理,利用过分割结果优化相似度定义提高分割轮廓的平滑性和可靠性。实验结果表明,与原有标签传递算法相比,本文提出的算法可以保持较高的分割轮廓平滑度且具有更高的分割精度。

基于RVM网络模型的人像分割程序

视频人像分割是一种广泛使用的技术,它使电影导演和视频内容创作者能够将场景的前景与背景分开,并将它们视为两个不同的视觉层,通过替换背景,创作者可以传达特定的情绪,将自己转移到有趣的位置或增强信息的影响力。然而,以前为了实现这种操作是十分费时的,艺术家需要对每一帧进行转描,或者需要一个带有绿屏的工作室环境来实时去除背景。为了使用户能够方便快捷地对视频人像的背景进行替换,我们开发了轻量化的视频人像分割工具,主要是利用RVM网络模型训练数据来对视频中的人像进行分割。

基于人像分割的智能搜救无人机系统设计

本文基于Mean+Shift算法,探究智能搜集无人机的系统设计及应用人像分割技术的技术实现途径,文章大致分三部分,第一部分探究无人机基本的影响特征及应用于搜集场景的优势和基本流程,第二部分基于无人机在搜救场景的特征分析无人机系统的一般设计方法,最后着重分析智能搜救无人机人像分割技术的实现方法。搜救无人机的搜救可结合图像、光谱等快照成像技术和图像分析技术,根据系统指令完成相应的搜救任务,而人像分割等图像分析功能的实现,一般通过MeanShift等算法实现,较适合处理复杂、多样的无人机图像信息,并有利于解决以往无人机图像分析存在的分割精度低、适应性差等问题。

一种基于YOLO的多尺度融合图像分割模型

图像分割是指将图像分成若干具有相似性质区域的过程,是许多图像处理任务的预处理步骤。针对现有的分割模型结构在大目标上表现比小目标更好,需要在细粒度特征上有针对性的强化,需要在结构上进一步进行创新尝试,高效利用特征图表达。在研究了国内外总体的图像分割模型之后,研究YOLO框架用于检测和识别目标原理,并利用特征图的可迁移性质,取以其前半部分作为分割模型的特征图进行研究。接着提出了一种改进的多尺度融合图像分割模型,将不同层的特征图加以整合形成一张新的特征图的方法,使用一组因子将输入特征图显式降采样为小尺寸,然后独立进行卷积,从而得到不同比例的表示。最后通过对改进模型进行试验,并与其他分割模型进行比较总结,测试图像的分割精度达到了0.833,相较于传统的CNN分割图像模型有所提高,具有一定的应用价值。

人体尺寸测量及模型生成系统的研发

针对目前网购衣物中的虚拟试穿系统精确度不高以及人体模型不够贴近真人的问题,开发一个人体尺寸测量及人体模型生成的系统。首先,拍摄用户的正面和侧面照片,对照片进行人像分割处理;其次,采用图像算法以及数据拟合法,根据人体轮廓图测量出人体各个维度数据;最后,为了使测量结果更加可视化,将测量数据传入后端程序生成人体模型,并将生成的人体模型传输至客户端用于展示。通过不同算法的试验结果分析,尺寸测量的误差能够控制在2~3 cm,生成的人体模型接近真实人体。