[发明专利]一种基于广度学习系统的显著性检测方法及装置

权利要求书

1.一种基于广度学习系统的显著性检测方法，其特征在于，包括：

步骤S1：将图像分割为多个超像素点，提取每个超像素的颜色，位置，纹理，先验和对比度信息，并得到各超像素的特征向量，

步骤S2：基于得到的各超像素的特征向量对图像进行处理，得到初始显著图；

步骤S3：对初始显著图建立条件随机场模型，并使用基于广度学习的回归计算条件随机场中的核矩阵，将得到的最优解作为优化后的显著图，

步骤S4：使用得到的优化后的显著图用于视觉跟踪，图像分类、图像分割、目标识别，图像视频压缩，图像检索或图像重定向；

所述初始显著图的能量函数具体为：

其中：为能量函数，φ_u(·)为单元项函数，φ_p(·)为双元项函数，为第i个特征向量计算出的显著值，为第j个特征向量计算出的显著值；

所述单元项函数的数学表达式为：

其中：f为特征向量，f^R为R个特征向量构成的集合，为在以f^R为条件的条件下，第i个超像素的显著值由y_i更新到的概率，

所述双元项函数的数学表达式为：

其中：为兼容函数，若当时取1，否则取0，K为核矩阵，L为高斯函数的个数，K^(l)(·)为第l个高斯函数；

所述步骤S3具体包括：

步骤S31：对初始显著图建立条件随机场模型，

步骤S32：计算各特征向量之间的距离，

步骤S33：基于得到的距离计算惩罚项：

其中：C(i,j)为惩罚项，dist_f(f_i,f_j)为第i个和第j个特征向量之间的距离，s_i为第i个超像素，s_j为第j个超像素，S为超像素组成的集合，f_i为第i个特征向量，f_j为第j个特征向量，

步骤S34：最后就是最小化能量得到最优解，并将得到的最优解作为优化后的显著图。

2.根据权利要求1所述的一种基于广度学习系统的显著性检测方法，其特征在于，所述第i个和第j个特征向量之间的距离的数学表达式具体为：

其中：γ为常量系数，c_i为第i个超像素的颜色平均值，c_j为第j个超像素的颜色平均值，为L2范数。

3.根据权利要求1所述的一种基于广度学习系统的显著性检测方法，其特征在于，所述步骤S1中得到的超像素的个数为200。

4.根据权利要求2所述的一种基于广度学习系统的显著性检测方法，其特征在于，所述常量系数为0.8。

5.一种基于广度学习系统的显著性检测装置，其特征在于，包括存储器、处理器，以及存储于存储器中并由所述处理器执行的程序，所述处理器执行所述程序时实现如权利要求1-4中任一所述的方法。