[发明专利]最大粘聚性的超像素网格的快速图像目标检测与分割方法

权利要求书

1.一种最大粘聚性的超像素网格的快速图像目标检测与分割方法，其特征是，包括如下步骤：

第一步：超像素分割；

第二步：超像素网格的初始化：分为以下三个步骤：

1）依据超像素质心位置的横坐标在一维空间上对所有超像素进行排序，得到新的有序超像素集合

2）定义超像素的分列规则，并进行分列；在每一列中，所有超像素的位置将根据其质心点的纵坐标大小进行重新排列：

3）利用动态规划算法求解最优分列方案，最后，使用伪节点将每一列的末尾补齐；

第三步：超像素网格的优化，按照顺序对初始化的超像素网格进行逐列优化：

在对进行优化的过程中，表示在其他列的排列方式不变的情况下对当前列进行优化后的网格，通过不断地对进行逐列优化以求得整个超像素网格的全局的最大粘聚性，这个过程为层叠式的动态规划，在当前配置下，对中特定的某列进行优化时，依据下式进行求解网格的最大粘聚性：

S(k，n)=max_k≤p≤n+1[S(k-1，p-1)+coh(p，k，n)]，

B_S(k，n)=argmax_k≤p≤n+1[S(k-1，p-1)+coh(p，k，n)]，

其中，S(k，n)表示在第ρ列中，将k个伪节点置于前n个真实节点之前超像素网格的全局的粘聚性；coh(p，k，n)表示在第ρ列中，将第k个伪节点置于第p个真实节点之前，特别地，如果p=n+1，则将该伪节点置于第n个伪节点之后；B_S(k，n)表示回溯表，该表记录了在第ρ列中，将k个伪节点置于前n个真实节点之前时第k个伪节点的最优位置；

第四步：基于最大粘聚超像素网格，使用RC算法在其之上进行图像目标的识别与检测，使用积分图搜索策略和区域协方差特征计算它与查找目标的相似性。

2.如权利要求1所述的最大粘聚性的超像素网格的快速图像目标检测与分割方法，其特征是，超像素网格的全局的粘聚性是由S(k-1，p-1)和coh(p，k，n)共同构成，求解下前n+k行的最大粘聚性即求解S(k-1，p-1)+coh(p，k，n)的最大值，与此同时，根据粘聚性超像素网格的定义，在计算coh(p，k，n)的过程中，需要在网格中横向寻找当前p位置的节点的邻居并计算他们的粘聚性，coh(p，k，n)的计算方法如下：

coh(p,k,n)=Σi=pnCoh(i,ir)+Coh(i,il)+Coh(kl,kr),]]>

其中，i_l和i_r分别表示第ρ列中，将第i个真实节点的左边第一个真实节点和右边第一个真实节点；k_l和k_r分别表示第ρ列中，将第k个伪节点的左边第一个真是节点和右边第一个真是节点。

3.如权利要求1所述的最大粘聚性的超像素网格的快速图像目标检测与分割方法，其特征是，对得到超像素网格结构使用积分图搜索策略(Integral-Image)和区域协方差特征(Region Covariance Feature)计算它与查找目标的相似性具体为：

定义输入图像为I，是相关特征图像：

F(x，y)=φ(I，x，y)

其中φ可以是任意强度形式的映射：空间位置信息，亮度，颜色，梯度，或者是该像素对各种滤波器的响应值，根据超像素网格定义该超像素网格对应的超像素级别的特征图像F(u，v)，其中表示网格中的节点集合，为真实的超像素节点集合，为伪节点集合，在网格中坐标位置为(u，v)的区域的超像素级别特征为F(u，v)，它表示(u，v)相关区域的特征之和：

其中如果为真实节点，则其表示超像素网格中第(u，v)个超像素的相关区域；超像素级别的特征图其中，指实数空间，d指的特征图像F的通道数目，W和H分别表示超像素网格的宽度和高度。