[发明专利]一种基于图像带通滤波的显著目标检测方法

说明书

本发明涉及一种基于图像带通滤波的显著目标检测方法，对原始图像进行预处理；将图像变倍到设定尺寸，并进行浮点转换，得到浮点图像；对浮点图像使用IIR滤波器进行多次带通滤波，使用数字IIR滤波器进行带通滤波，带通滤波器由两个低通滤波器差分得到，对浮点图像进行一次带通滤波后再对滤波结果进行进一步带通滤波，得到带通滤波结果；对带通滤波结果进行分割，对分割结果进行形态学处理，剔除噪声影响；对形态学处理后的结果进行聚类，对聚类结果依据目标先验知识进行筛选，在筛选处理中，依据已知的特性进行筛选，并得到最终的检测结果。本发明实现简单，运算效率高，能有效检出目标。

技术领域

本发明涉及一种基于图像带通滤波的显著目标检测方法，适用于高清图像复杂场景下显著目标检测领域。

背景技术

人类在进行高级视觉处理分析视觉场景前，能够快速选择图像的一部分进行深度的分析，以减少整体计算的复杂程度，这种选择部分关键区域进行处理的机制即为视觉显著性。通过该方法能够大幅度减少处理的数据量，对于后续的分析有着重要的意义。

视觉显著性包含自顶向下和自下而上两种机制。自下而上是由图像数据驱动的显著性，即图像本身对人眼注意力的吸引；自顶向下方式则是受目的驱动的对图像部分区域的关注。通常在数字图像处理中，更为关注自下而上的方式，即考虑图像本身对关注程度的影响。

目标检测技术是数字图像处理与人工智能领域一项重要技术，其致力于从复杂的背景中分割出候选目标，以便进行进一步的跟踪、识别等处理。目标检测就是要在背景中定位出感兴趣目标的位置及尺寸。针对目标运动情况，可分为动目标检测与静目标检测两大类。

动目标检测的常用方法有：帧间差分、背景差分及运动分割等。帧间差分利用帧间的变化实现检测，常用方法有两帧或三帧差分方法。背景差分法使用背景图或通过模型重构背景，与当前帧差分得到运动目标区域，常用方法为混合高斯模型背景建模方法。运动分割方法主要使用光流提取运动矢量，并进行分割。

静止图像中目标检测技术主要可分为两类：使用特征及分类网络在图像中搜索特定目标，及使用视觉显著方法寻找图像中可能的感兴趣目标。

常用使用特征及分类网络在图像中搜索特定目标方法可分为两类：传统分类器方法及深度学习框架方法。传统方法中常用的包括：基于HOG特征及SVM分类器的目标识别，基于Haar特征及Adaboost分类器的目标识别。使用深度学习框架方法的目标识别，包括R.Girshick提出的Faster RCNN算法，W.Liu等提出的SSD算法等。

近年来，众多视觉显著方法被提出，用于检出图像中对人眼显著的目标，如早期的ITTI模型，侯晓迪提出的谱残差方法等。显著性方法不区分目标类型，仅考虑目标在视觉上的显著程度，其检出率高，但其相应的会有较多的误检。

但上述已有方法存在的缺点主要体现在：

(1)对于静态目标检测方法，由于分类器的特点，其仅能够识别特定类别的目标，当目标不在识别范围内时，无法分割出目标。且由于特征质量及分类器泛化能力的限制，其检出能力较差，当目标形状与训练样本间存在差别时，可能无法检出，漏检率及虚警率均较高。静态目标检测中的深度学习框架方法，其拥有较高检出率，但检测速度较慢，难以在实际的实时应用中使用。

(2)常用的视觉显著性算法得到的显著图效果不佳，而复杂显著性方法的时间消耗巨大，无法进行实时应用。

发明内容

本发明解决的技术问题是：克服现有技术的什么不足，针对复杂场景中图像目标的检测，提供一种基于显著性检测的方法，提升了目标检测的速度，实现简单，运算效率高，能有效检出目标且易于在硬件平台上实现。

本发明的技术解决方案为：一种基于图像带通滤波的显著目标检测方法，步骤如下：

(1)对原始图像进行预处理，将所述原始图像变倍到设定尺寸，并进行浮点转换，得到浮点图像；