[发明专利]一种基于空间约束的位置优先场景解析方法

说明书

本发明中提出的一种基于空间约束的位置优先场景解析方法，其主要内容包括：空间约束位置优先系统的生成、类概率的预测、情景类表决的传播和虚拟特征的一体化，其过程为，首先生成空间约束位置优先系统，对类间空间相关性进行编码；然后提取超像素的虚拟特征，利用有监督的学习过程，获得所有超像素的概率的近似值；其次获取超像素的最可能的类，采用表决策略获得超像素的情景类表决；最后获取线性回归模型的特定类最优参数。本发明同时考虑了相对位置和绝对位置，并在它们两者之间取得平衡，其在场景解析方面可以获得更加准确的效果，同时其能够降低算法的复杂度。

技术领域

本发明涉及场景解析领域，尤其是涉及了一种基于空间约束的位置优先场景解析方法。

背景技术

场景解析，是将图像的每个像素分类为正确的语义类别(如树、草和天空)的过程。场景解析在计算机视觉中扮演着非常重要的角色，其可以应用于自动驾驶、导航、危险物体识别。举例来说，场景分析可以获得汽车前行方向及周围环境的物理场景，分析前行道路是否有障碍物或者行人等，然后给自动驾驶汽车系统发出实时的指令，规划安全并且合理的行车路径。再比如，在刑警执行某些危险的户外任务时，可以利用场景解析技术，识别判断危险的物体，如炸弹、硫酸、有毒物品等。

先前的方法利用从每个像素提取的低级的可视化特征，然后利用有监督方式学习可视化特征和类标签的关系。随着自然场景越来越复杂，这些方法难以处理高级图像理解问题。近来使用超像素的方法在场景解析领域取得了一定的进展，但是其缺点在于不能保证超像素的标签纯度。

本发明提出了一种基于空间约束的位置优先场景解析方法，首先生成空间约束位置优先系统，对类间空间相关性进行编码；然后提取超像素的虚拟特征，利用有监督的学习过程，获得所有超像素的概率的近似值；其次获取超像素的最可能的类，采用表决策略获得超像素的情景类表决；最后获取线性回归模型的特定类最优参数。本发明同时考虑了相对位置和绝对位置，并在它们两者之间取得平衡，其在场景解析方面可以获得更加准确的效果，同时其能够降低算法的复杂度。

发明内容

针对现有方法难以处理高级图像理解、不能保证超像素的纯净度等问题，本发明的目的在于提供一种基于空间约束的位置优先场景解析方法，首先生成空间约束位置优先系统，对类间空间相关性进行编码；然后提取超像素的虚拟特征，利用有监督的学习过程，获得所有超像素的概率的近似值；其次获取超像素的最可能的类，采用表决策略获得超像素的情景类表决；最后获取线性回归模型的特定类最优参数。

为解决上述问题，本发明提供一种基于空间约束的位置优先场景解析方法，其主要内容包括：

(一)空间约束位置优先系统的生成；

(二)类概率的预测；

(三)情景类表决的传播；

(四)虚拟特征的一体化。

其中，所述的空间约束位置优先系统的生成，其主要步骤和用途在于，空间约束位置优先系统对先验类标签的分布信息的类间空间相关性进行编码；系统考虑了四种类间空间约束相关性，包括目标共现的统计特性、相对位置、绝对位置、空间方位关系；

空间约束位置优先需要进行以下的计算：

首先，假设定义在一系列像素v上面的图像为I(v)∈R³，类标签用C表示，从I过分割得到的超像素用S(v)表示；

接着，为了同时考虑目标的相对位置偏移和绝对位置偏移，把I分成一系列相同分布的块，即：{I＝U(B_k),k＝1,2,…,K}，其中K是块的数目；利用这些块的目的在于，当目标的相对位置被块与块之间的空间关系所编码、而其绝对位置由块的空间坐标所保存时，能够保持相对位置和绝对位置之间的平衡；