[发明专利]一种复杂背景下结合显著性信息的物体性检测方法

说明书

技术领域

本发明主要涉及到图像处理技术领域，特指一种适用于复杂背景下的结合显著性信息的物体性检测方法。

背景技术

自动快速的检测出图像中的物体是计算机视觉的一项重要任务，这项研究广泛应用于图片的自动处理、Google眼镜的视频数据分析、自动机器人的障碍检测与定位等。

虽然，目前在物体识别领域已经取得了巨大成功，但物体性检测依然面临很多严峻挑战，特别在2维图像中的物体性检测。由于这些数据没有深度信息，给检测带来了很高的难度。以最常用于算法评价的数据库之一：VOC2007数据库为例，该数据库包含9963张图片，类别为20类，均为日常生活中常见的物体如人、自行车、飞机等。每一类图像包含96-2008张图像，均为一股尺寸的自然图像，图像中背景复杂，每张图像可能包含多个不同类别物体并存在互相遮挡重叠等情况，且物体尺度变化很大，因而检测难度很大，并且实际图像还存在光照、噪声等众多因素的干扰。

有从业者提出利用显著性检测可以得到的图像的前景信息，这就可以弥补2维图像所缺少的深度信息，而且显著性检测算法计算简单，鲁棒性好，对噪声不敏感，因此可以将显著性检测与物体性检测进行结合，达到信息的互补与资源的整合，使有限的信息发挥最大的效能。

但是现有技术中，将两者的相互结合方式是直接把显著区域的分割块作为候选物体窗口，这类方式的最大问题就是对显著性检测算法和分割算法依赖度大，而现存的算法很难达到要求。因此，亟需一种物体性检测与显著性检测结合的新方法。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、可操作性好、检测效率高的复杂背景下结合显著性信息的物体性检测方法。

为解决上述技术问题，本发明采用以下技术方案：

一种复杂背景下结合显著性信息的物体性检测方法，其步骤为：

(1)、利用SSS显著性检测算法分别获得各个通道在设定的8个高斯核下的显著性图；

(2)、分别计算8个显著性图的Renyi熵值，并标记出显著性图的Renyi熵值变化最大处；

(3)、根据步骤(2)得到的标记处将8幅显著性图分成两部分，并分别在两部分中选出Renyi熵值最小的显著性图；

(4)、将步骤(3)中选取的两张显著性图归一化后叠加作为该通道的最终显著性图；

(5)、重复上述步骤，计算出3个通道各自的最终显著性图；

(6)、将获得的3个通道的最终显著性图与各自对应通道图相乘，并重新组合；

(7)、组合后的图像作为最终的测试图像并利用Bing算法进行物体性检测。

作为本发明的进一步改进：所述步骤(1)中SSS显著性检测算法的具体步骤为：

(1.1)利用傅里叶变换分别将输入图像的三个通道变换到频域，并求取其对应的幅值谱和相角谱；

(1.2)将幅值谱与8个设定的高斯核因子；进行卷积得到8个新的幅值谱；

(1.3)将新的幅值谱与原来的相角谱傅里叶反变换到时域即为显著性图。

作为本发明的进一步改进：所述步骤(2)和步骤(3)中计算8个显著性图的Renyi熵值是通过公式：来进行的，并以8个图之间的Renyi熵值斜率变化最大处为界将这8个图划分成两类。

作为本发明的进一步改进：在所述步骤(4)中，在两类图分别选出Renyi熵值最小的显著性图SalMap_l和SalMap_s，将选取的两张显著性图归一化后叠加作为该通道的最终显著性图SalMap_final；具体的叠加方式为：SalMap_final＝N(SalMap_l+λ*SalMap_s)；其中，N为归一化函数，λ为两类最优显著图的最大值之比：