[發明專利]靜態圖像獲取方法、系統和電子設備

在審

• 申請號: 202111107862.0
• 申請日: 2021-09-22
• 公開（公告）號: CN113763445A
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 胡瑋
• 申請（專利權）人: 黎川縣凡帝科技有限公司
• 主分類號: G06T7/41
• 分類號: G06T7/41;G06T5/50;G06K9/32;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種靜態圖像獲取方法，其特征在于，包括：

訓練階段，包括：

獲取作為訓練樣本的動態圖像或短視頻；

從所述動態圖像或短視頻中提取連續的多個圖像幀；

將所述多個圖像幀分別通過作為紋理提取器的第一卷積神經網絡以獲得對應于每個所述圖像幀的紋理特征圖；

基于各個所述圖像幀中的對象位置，分別將對應的所述紋理特征圖分割為對象紋理特征圖和背景紋理特征圖；

對每個所述圖像幀對應的對象紋理特征圖和背景紋理特征圖進行按通道維度的全局池化處理以獲得每個所述圖像幀的對象紋理隱向量和背景紋理隱向量；

計算每個所述圖像幀的所述對象紋理隱向量和所述背景紋理隱向量之間的差分，以獲得對應于每個所述圖像幀的用于表示以對象部分紋理為參考的背景部分紋理變化的差分向量；

將每個所述圖像幀輸入作為生成器的第二卷積神經網絡以獲得對應于每個所述圖像幀的特征圖；

計算每個所述圖像幀和與其對應的所述特征圖之間的均方差損失函數值；

計算每個所述圖像幀和與其對應的所述特征圖之間的差分以獲得差分圖，并計算所述差分圖與所述差分向量之間的交叉熵損失函數值；以及

使用均方誤差損失函數值與交叉熵損失函數值的加權和來訓練第二卷積神經網絡；以及

預測階段，包括：

獲取待處理的動態圖像或短視頻；

從所述待處理的動態圖像或短視頻中獲取多個初始圖像幀；

將所述多個初始圖像幀分別通過經訓練階段訓練而成的作為生成器的所述第二卷積神經網絡以獲得多個處理后圖像幀；以及

將所述多個處理后圖像幀進行圖像合成，以獲得合成靜態圖像。

2.根據權利要求1所述的靜態圖像獲取方法，其中，將所述多個圖像幀分別通過作為紋理提取器的第一卷積神經網絡以獲得對應于每個所述圖像幀的紋理特征圖，包括：

將所述多個圖像幀分別輸入作為紋理提取器的所述第一卷積神經網絡；

從所述第一卷積神經網絡的第N層提取出對應于每個所述圖像幀的紋理特征圖，其中，N為4到6中任一的正整數。

3.根據權利要求1所述的靜態圖像獲取方法，其中，基于各個所述圖像幀中的對象位置，分別將對應的所述紋理特征圖分割為對象紋理特征圖和背景紋理特征圖，包括：

以目標候選框標識出各個所述圖像幀中的對象位置；

基于所述目標候選框在各個所述圖像幀中的位置，從對應的所述紋理特征圖中分割出所述對象紋理特征圖；以及

將被分割出所述對象紋理特征圖的所述紋理特征圖作為所述背景紋理特征圖。

4.根據權利要求1所述的靜態圖像獲取方法，其中，對每個所述圖像幀對應的對象紋理特征圖和背景紋理特征圖進行按通道維度的全局池化處理以獲得每個所述圖像幀的對象紋理隱向量和背景紋理隱向量，包括：

對每個所述圖像幀對應的對象紋理特征圖和背景紋理特征圖進行按通道維度的全局平均值池化處理或者全局最大值池化處理，以獲得每個所述圖像幀的對象紋理隱向量和背景紋理隱向量。

5.根據權利要求1所述的靜態圖像獲取方法，其中，計算每個所述圖像幀和與其對應的所述特征圖之間的差分以獲得差分圖，包括：

計算每個所述圖像幀和與其對應的所述特征圖之間的按像素位置的特征值之間的差值以獲得所述差分圖。

6.根據權利要求1所述的靜態圖像獲取方法，其中，所述第一卷積神經網絡和/或所述第二卷積神經網絡為深度殘差網絡。

7.根據權利要求6所述的靜態圖像獲取方法，其中，所述第二卷積神經網絡的通道數為1，以使得所述特征圖與所述圖像幀具有相同的尺寸。