[发明专利]一种深度图像中的显著区域检测方法

说明书

本发明公开了一种深度图像中的显著区域检测方法。首先通过计算深度图中各像素点与邻近点的差异，获得各像素点的梯度特征；再采用全局对比度的方法，由梯度特征计算获得初始的显著性图；然后依据深度图的直方图统计特征进行峰谷检测与零视差区域估计，实施背景区域和前景区域的划分，进而抑制背景部分的显著性，保留前景部分的显著性；最后扩展超像素划分方法进一步优化得到最终的显著区域检测图。本发明先后通过背景区域划分与超像素划分有效的抑制背景部分的显著性、优化前景部分的显著性，为目标检测、目标识别、场景理解等提供可靠的显著区域，提高对图像感兴趣区域的获取能力。

技术领域

本发明涉及区域检测方法技术，特别是一种深度图像中的显著区域检测方法。

背景技术

深度信息是人类视觉注意机制的重要信息通道之一，能够帮助人们在复杂的场景中快速的找到感兴趣的区域。

随着传感器技术的进步，深度图像的获取越来越容易，如何理解以深度图像表示的三维场景是智能机器人导航、环境建模、体感游戏等领域要解决的重要问题。显著区域可以用于引导机器人发现场景中的潜在对象，并减少环境理解的计算量。

目前常用的计算深度图的显著区域的方法是基于深度值的全局对比度，直接使用深度值进行计算，容易受到深度图中噪声数据的干扰，造成检测结果不准确。此外，不同深度图的深度值范围的变化会使得检测结果不稳定。

发明内容

本发明的目的在于提供一种深度图像的显著区域检测方法，能够准确并稳定的估计显著区域。

实现本发明目的的技术解决方案为：一种深度图像的显著区域检测方法，包括以下步骤：

步骤1、对深度图像I中的每个像素I_k，分别提取梯度特征

步骤2、根据步骤1中提取的梯度特征，采用全局对比度的计算方式，计算每个像素的初始显著性值S(I_k)，获得相同分辨率的初始显著性图；

步骤3、利用深度图的直方图统计特征，进行波峰波谷检测；

步骤4、估计深度图像的零视差区域ZPA；

步骤5、根据波峰波谷检测结果以及零视差区域ZPA划分出深度图像中的背景区域与前景区域，并据此对步骤2中获得的显著性图进行调整，抑制背景区域的显著性值，得到改善的显著性图；

步骤6、采用超像素分割算法对原图进行超像素分割，然后对步骤5中的得到的显著性图进行优化，得到最终的显著区域。

本发明与现有技术相比，其显著优点为：(1)本发明采用深度值的梯度特征作为全局对比度的计算依据，受噪声的干扰较小，且不受深度值范围变化的影响，使结果更加准确；(2)本发明利用背景区域划分的方法，有效抑制背景、突出目标区域的显著性，提高了检测结果的稳定性。

下面结合附图对本发明做进一步说明。

附图说明

图1为本发明的深度图的显著区域检测方法的流程图。

图2为本发明实施例的显著区域检测示意图，其中，图(a)为原始图像，图(b)为深度图像，图(c)为检测结果图。

具体实施方式

一种深度图像中的显著区域检测方法，包括以下步骤：

步骤1、对深度图像I中的每个像素I_k，分别提取梯度特征

进一步的实施例中，提取深度图的梯度特征具体包括以下步骤：

步骤1-1、遍历深度图像I的所有像素点，得到每个像素点的梯度向量，对像素点I^k,k＝1,2,...,N，N为像素点总个数，其梯度向量(dr^k,dc^k)计算公式为：