[发明专利]一种多层次结合的协同显著性检测方法

说明书

本发明属于显著性检测技术领域，提供了一种多层次结合的协同显著性检测方法。步骤如下：1)提取目标框及目标框初始筛选；2)目标框粗略筛选及分割目标区域；3)基于噪声检测的目标区域精确筛选；4)超像素分割及特征提取；5)超像素分类；6)多尺度融合及扩散。本发明的效果和益处是从两个不同层次着手进行协同显著性检测，层层递进，用目标层提供的目标模板信息指导了超像素层的精细分类，综合利用了不同层次的优势，互相弥补了不足，更准确地检测出了一组图像中共有的目标。

技术领域

本发明属于显著性检测技术领域，涉及到一种多层次结合的协同显著性检测方法，特别涉及到目标区域筛选、超像素分类方法。

背景技术

随着科技的发展，计算机视觉的关注度不断提高。图像显著性检测是计算机视觉中的热点课题，旨在找出图像中最引人注意、最具信息量的区域。而随着实际生活中多媒体技术和社交媒体的发展，很多情况下会有成组的图片出现，这些图片往往只是目标的姿势、拍摄角度等方面有所不同，但目标的整体特征相似，协同显著性检测正适用于这种情况。协同显著性检测，目的是检测出一组图像中共有的显著目标，是传统显著性检测的分支领域，可应用于视频目标跟踪，目标检测，图像协同定位等计算机视觉应用中，目前也受到了广泛的关注。

现有的协同显著性检测方法基本都依赖于单一层次，如目标层，超像素层，像素层等。然而这种单一层次上进行的显著性检测虽有各自的优势，却也存在着一定的局限性。2014年Liu等提出的算法是在目标层上进行的，通过计算不同目标分割区域的对比度，来描述图像内的显著性，再通过计算整组图像间目标区域的相似度来计算图像间的显著性。该算法是在较大尺度的目标层上进行计算，因此可以把握目标整体结构信息，定位目标位置，但在目标的细节信息上却不够细致准确。2015年Zhang等提出的算法是基于超像素的，将超像素作为事例，应用多事例学习模型来解决协同显著性检测，并将其整合到自步进学习机制中。该算法可通过超像素对目标边缘等细节信息检测更准确，却无法较好把握目标整体结构信息。因此，若能在不同层次上来进行协同显著性检测，整合各个层次的优势，互相弥补不足，则会得到更好的结果。

发明内容

本发明要解决的技术问题是如何对一组图像中共有的显著目标进行检测。提供了一种多层次结合的协同显著性检测方法。

本发明的技术方案：

一种多层次结合的协同显著性检测方法，步骤如下：

1)提取目标框及目标框初始筛选

本方法需要在图像分组放置的图像库上进行检测，图像库中每组图像内的多个图像都包含相同或相似的目标；

对每幅图像提取1000至2000个目标框，计算每个目标框占所属图像的面积比例，将比例超过70％以及不足30％的目标框删除；

2)目标框粗略筛选及分割目标区域

将每幅图像在上一步中保留下来的目标框叠加，形成初始灰度图，将小于0.3的灰度值称为背景灰度值；对应初始灰度图，统计每个目标框内包含像素对应的背景灰度值之和，并除以对应目标框面积，作为背景值得分；对每幅图像，取背景值得分最小的前30个目标框保留；并用基于高阶能量项的分割方法对每个目标框进行分割，得到30个具有轮廓信息的不规则目标区域；再通过edgebox算法得到每幅图像的目标边缘图；通过计算每个目标区域的边缘与对应的目标边缘图中目标边缘的重合度，目标区域与目标边缘图中重心距离等线索，每个目标区域得到一个得分，按照得分从大到小的顺序排列，取前10个目标区域保留；

3)基于噪声检测的目标区域精确筛选

首先分别提取整组图像每个目标区域的R-CNN(Regions with convolutionalneural networks)特征，每个目标区域共8192维，将一组图像中所有目标区域一起进行检测，噪声检测的目标函数如下：