[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

说明书

技术领域

本发明属于计算机视觉与媒体计算领域，具体讲，涉及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。

技术背景

随着图像处理技术的发展，在视觉计算领域人们对计算机智能化的图像内容识别提出了愈来愈高的要求。图像目标的检测与识别，不仅需要快速确定图像中是否有特定的目标存在，还要进一步确定目标的位置、尺度等信息。传统的基于像素级别的滑动窗目标识别方法，通过矩形框扫描，确定图像区域包含某类目标的概率来判定目标。该方法计算量大且只能得到一个表示目标大概位置的矩形框，且由于像素提供的图像信息较弱，判别结果的准确性和连续性往往较差。

现阶段，为了追求更为高效和准确的图像分析效果，很多计算机视觉的算法都基于超像素来展开。超像素可以将图像中连续的同质区域结合在一起，同时保留目标的边界信息，从未得到较为清晰的目标分割效果。然而，之前的大部分工作对于超像素的块大小、形状以及不规则分布问题都没有给予过多关注，这些问题都将制约其在分割、过分割以及目标检测与识别等领域发挥的作用。

目前，一些规则或者近似规则的超像素生成方法已经提出，例如SuperLattice，LatticeCut，TurboPixel等。但是由于自然图像纹理的复杂性，以及超像素方法对于图像不规则的分割方式（包括块大小，形状，超像素的不规则分布等），还没有哪一种算法能够对所有类型的图片都有较为理想的分割与目标检测结果。

因此，亟待提出一种更为普适的规整化超像素的方法，可以充分利用现有的图像分割及超像素产生方法，在规整化的超像素结构模型之下，更为方便与快速地进行图像目标的检测与识别。

发明内容

为克服现有技术的不足，本发明旨在提供目标检测与分割的精度和耗时方面均大大优于现阶段的最佳方法，提高目前图像内容级目标检测的便捷性与可用性，为达到上述目的，本发明采用的技术方案是，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，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。

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：