[发明专利]一种图像对象共定位及无关样本判定方法

说明书

技术领域

本发明属于图像处理、计算机视觉技术领域，是一种图像对象共定位及无关样本判定方法。

背景技术

给定可能包含相同类别物体的输入图片集，图像对象共定位(Co-localization)主要研究在缺乏标注的情景下如何能够从中定位出相似物体的具体位置，以便更好的，更快速地自动识别单一类别的物体。对此首先需要进行无标注图像的对象性(Objectness)分析研究，在2010年，Alexe等人提出了图像对象性的概念，利用显著前景分析等方法在没有任何标注的图像上提取可能包含对象的区域，该方法综合考虑了颜色对比度(ColorContrast)，边缘密度(EdgeDensity)以及超像素跨度(SuperpixelsStraddling)，可以对无标注的图像生成多个检测区域并给出对象性检测得分(Objectnessscore)。

另外需要考虑的是图像显著性检测，2013年Jiang等人提出了一种区域特征整合的显著性检测方法，该方法将显著性检测问题看做一个回归模型，利用多层图像分割结果十分有效地获取图像显著图。

而在特征优化理论方面，最大流最小割定理是图像处理及计算机视觉领域的常用分析算法。最大流最小割定理指：假设N＝(v,e)是一个有向图，其中结点s和t分别是N的起点和终点。在一个网络流中，能够从起点到达终点的最大流量，等于如果从网络中移除就能够导致网络流中断的边的集合的最小容量和。网络流定义f定义为|f|＝sum{f(s,v)}，代表从源点流入汇点的流量。最大流问题即是求得|f|的最大值。在比率函数的应用与优化方面，2014年Bai等人提出了一种结合用户输入与使用比率能量函数优化graphcut图像分割结果的方法。该方法中对于比率函数：

R(x)＝P(x)/Q(x)

令则可将比率能量函数改写为如下线性形式：

E_λ(x)＝E_gc(x)-λU(x)

改写之后的线性形式，可以使用牛顿迭代法对比率能量函数进行迭代优化，而且有较高的迭代效率，且可以获得稳定的等价最优解。

在相关技术方面，2010年，Alexe等人提出了图像对象性的概念，利用显著前景分析等方法在没有任何标注的图像上提取可能包含对象的区域，该方法综合考虑了颜色对比度(ColorContrast)。2010年ShaiBagon等人提出了一种物体协同检测与素描生成方法。输入少量包含同一物体的图片，可以检测出其中包含的物体并且给出一个二值的草图。该算法由两部分组成：(1)通过所有输入图片检测出一个相互一致的总体性的“自相似描述子”(self-similar)。(2)找到这样一个全体性描述子之后，经过转化精炼得到一个最能表现该对象的草图。这些草图适用于检测，检索，协同分割，以及绘图等。在图结构应用方面，2012年ThomasDeselaers等在IJCV上的论文中提出了一种基于属性知识的弱监督学习和定位方法。该方法首先提供一些经过弱标注(WeaklySupervisedLocalization)的图片，物体定位信息并没有给出，弱监督学习需要学习一个物体类别模型，可以被用来决定一张测试图片是否包含一个类别甚至将其定位出来。方法中的定位模型是一个稠密的CRF模型。其中每个训练图片都是一个节点，节点空间大小足以包含图片内的窗口集。其中的单点势能(Unarypotential)测量的是一个窗口包含一个种类物体的可能性，而对于成对点势能(Pairwisepotential)则是表示两个窗口是否包含同一未知类别的物体。