[发明专利]基于随机森林学习的RGB-D显著物体检测方法

说明书

技术领域

本发明涉及显著性物体检测领域，更具体地，涉及一种基于随机森林学习的RGB-D显著性物体检测方法。

技术背景

科技的发展和进步带来了数据量的激增。一方面图像、视频等资源呈爆炸式增长，给人类生活带来了极大的便利。另一方面，这种增长也给信息处理带来了新问题，那就是信息冗余。对于任何信息处理设备，如果不依靠有效的方法去除视觉数据中的冗余部分，是难以达到实时处理数据的效果的。模仿人类高层次认知以及处理复杂信息的过程，如目标识别，图像分类，场景分析等，都依赖于大量数据的处理与学习。如何通过预处理提取数据的最有效部分，去除冗余部分，从而使整个任务变得更高效，是一个值得研究的问题。

人类感知系统具有独特的特性。人类观察一幅图像或一段视频时，会对最主要的信息量大的区域产生注意力，并进一步对其进行分析处理。从生物学角度上讲，注意力是通过视网膜中的两个部分共同作用产生的，那就是具有高分辨力的中央凹以及分辨力低的外围。基于这种生理结构的视觉注意力可以指导人类区分场景中的重要部分以及进一步发现细节信息。因此，研究者们希望智能系统(计算机)也能够参照人类处理视觉信息的原理，仿照这种高效的方法对海量数据进行处理，尽量消除或降低信息冗余，从而能够抓住要点，方便后续处理任务的进行。

为了探寻视觉注意力的科学本质，并进一步模拟视觉注意力结构，科学家进行了大量实验与研究。心理学家研究了与行为相关的视觉注意力。神经生理学家详细说明了神经元如何自适应调整，以更好的表达目标。计算神经科学家建立了现实的神经网络模型，试图来模拟和解释注意力行为。根据以上各领域的研究，机器人科学家与计算机视觉学者试图设计合理的模型，来模拟生物视觉系统。他们的目的是，建立具有合理计算复杂度的智能系统，使它们能够在一定程度上完成人类能够完成的视觉任务，甚至人类很难完成的任务。

在计算机视觉领域，与视觉注意力相一致的研究课题就是视觉显著度的计算。为了能让计算机模仿人的视觉注意机制对图像进行处理，需要建立一个有效的能在计算机上实现的数学模型。然而，视觉的显著度是视觉输入信号的一个难以准确定义的特征属性。信号的颜色、纹理、位置等属性，都是特征意义明显的，对区域的显著度有独立或者耦合的贡献。从直观角度上看，显著度高的区域是指场景中一些与其邻域和全局对比度高的区域。这种强烈的对比度使得视觉系统能够直接对突出的物体区域产生视觉注意力。排除心理层面和主体自身的记忆、期望等因素，通常情况下，人类对对比度高的，或者具有语义含义的物体或区域更容易产生视觉注意力。通用的显著度计算模型都是基于特征对比度的计算和先验知识的利用，主要分为适用于场景驱动的自底向上的模型以及基于任务驱动的自顶向下的模型。

发明内容

本发明的目的是建立一种可以实现从图像区域特征向显著值的有效映射并将多尺度分割中得到的多幅显著图有效融合成一幅显著图的方法。本发明的技术方案如下：

一种基于随机森林学习的RGB-D显著物体检测方法，包括下面的步骤：

1)首先利用随机森林的方法将图像进行M个尺度的分割；

2)提取区域特征，包括纹理滤波器响应、颜色直方图特征和LBP算子特征；

3)计算区域对比度描述子：图像的颜色和纹理信息用一个特征向量来描述每一个区域，用v来表示，对于区域R∈S_m，把和它直接邻接的几个区域当作一个整体，并且计算其颜色和纹理特征v^N，区域对比度描述子就定义成该区域特征和它的邻域特征的差值，其中，特征中包含的直方图的差值会按分布差别度来计算。

4)计算区域对比度和区域背景度量描述子，如表一所示，其中d(x₁,x₂)＝(|x₁₁-x₂₁|,...,|x_1n-x_2n|)，n是向量x₁和x₂的维度，||表示的是绝对值；b是向量h₁和h₂的维度，Σ表示的是求和号。

表一区域对比度和区域背景度量描述子特征组成

5)计算区域性质描述子，如表二所示：

表二区域性质描述子特征组成