[发明专利]一种动态场景下显著性目标检测方法

说明书

本发明提供一种动态场景下显著性目标检测方法，动态场景下显著性目标检测是通过对运动视频中的目标进行运动变化状态分析进行的显著性检测过程。方法主要包括三个步骤：首先，在动态场景中进行运动目标检测，得到场景中所有的运动目标区域。然后，在动态场景中提取图像特征并进行特征级融合，得到图像融合特征向量，基于贝叶斯推理进行视觉注视点检测。最后，结合注视点检测，对检测到的运动目标的显著程度进行估计，生成基于运动目标的动态显著图。本发明很好的解决了摄像机在运动情况下的显著性目标检测问题，能够满足机器视觉系统在动态场景中检测显著性目标的需求，且该方法对环境变化具有较强的适应性。

技术领域

本发明属于数字图像处理领域，具体涉及一种动态场景下显著性目标检测方法。

背景技术

在生命科学领域，对人类视觉系统的研究发现，人类具有从复杂场景中选择性的关注重点信息的能力，能够帮助人类快速、准确的处理信息并做出判断。这种人类视觉系统的选择性机制被定义为视觉注意机制，而能够支撑视觉注意机制对场景中信息进行选择的依据被定义为视觉显著性；机器视觉领域的研究者们认为，视觉显著性检测能够有利于提高对海量复杂信息的快速处理能力。据此，基于数字图像的显著性检测研究得以萌芽和发展。

目前显著性检测研究已经成为机器视觉领域一个重要的研究方向，从应用的层面来说，显著性检测可以分为两大方向。第一，图像中视觉注视点的检测；第二，图像中显著性目标区域的检测。视觉注视点的检测是预测图像中能够引起人类视觉关注的点，主要应用于主动视觉、目标跟踪、人机交互、图像设计等领域。显著性目标区域的检测是对图像中区域的显著性估计，能够实现对目标的像素级检测，可以直接应用于目标检测、图像分割，物体识别、图像压缩、目标检索等高级机器视觉任务中；基于图像的显著目标检测在过去的十年中得到了广泛的研究，但是基于视频的显著目标检测的探索较少。尤其是动态场景中，显著性目标检测的性能受到对象或摄像机运动和视频中的外观对比的显著变化的影响。连续帧之间的显著目标的视觉连续性和时间相关性急剧恶化，给显著性目标的完整检测带来了极大挑战；目前主流的动态场景下显著性目标检测方法可以分为三大类：基于统计模型的方法，基于图模型的方法和基于深度神经网络模型的方法。基于统计模型的是比较经典的方法，如背景差分、光流法等。基于图模型的方法一般采用生成框架，首先从帧内外观对比信息或帧间梯度信息中推断出初始显著图，然后进一步结合一些启发式时空模型的能量函数，最终形成显著性图的跨帧一致性约束。近年来，随着深度神经网络模型在静态图像显著目标检测中的应用日益广泛，基于深度神经网络的模型扩展到了视频显著目标检测应用中。其主要思想是通过级联连续帧图像和馈送卷积神经网络的时间连贯性建模。

然而，前两类方法，受限于低级设计特征的使用和能量约束函数的设计，深度神经网络不具有记忆功能，不能很好地表征视频帧在时域中的连续动态演化。现有的动态场景下显著性目标检测方法，对目标的运动和相对运动缺乏明确的补偿，使得难以在保持时间一致性的情况下检测完整的显著性目标。

发明内容

本发明的目的是提供一种动态场景下显著性目标检测方法，本发明很好的解决了摄像机在运动情况下的显著性目标检测问题，能够满足机器视觉系统在动态场景中检测显著性目标的需求，且该方法对环境变化具有较强的适应性。

为了达到上述目的，本发明所采用的技术方案是：一种动态场景下显著性目标检测方法，包括以下步骤：

S1：在动态场景中进行运动目标检测，得到动态场景中所有的运动目标区域的前景图像集合；

S2：在动态场景中提取图像特征并进行特征级融合，得到图像融合特征向量，基于贝叶斯推理进行视觉注视点检测；

S3：结合前景图像集合和融合后得到的视觉注视点对检测到的运动目标区域的显著程度进行度量并生成基于运动目标的动态显著图。

进一步的，所述的步骤S1包括以下步骤：