[发明专利]图像中物体的检测方法、装置及系统

说明书

本发明提供一种图像中物体的检测方法、装置及系统，该方法，包括：获取场景的焦点堆栈，所述焦点堆栈包括同一场景聚焦在不同深度平面上的聚焦切片，通过深度卷积神经网络对所述焦点堆栈进行多层次特征提取，得到所述焦点堆栈的L层特征；其中，L为大于1的自然数；通过卷积长短期机器模型对每一层特征进行融合处理，得到所述焦点堆栈的L层聚焦融合特征；对所述L层聚焦融合特征进行多层次特征融合处理，得到目标聚焦融合特征，对所述目标聚焦融合特征进行卷积处理，并通过激活函数对卷积处理后的特征进行激活，得到显著图像。以提高在复杂环境场景图像中检测物体的准确性和鲁棒性。

技术领域

本发明涉及计算机视觉图像技术领域，尤其涉及一种图像中物体的检测方法、装置及系统。

背景技术

随着科技的发展，图像处理正逐步渗透在日常生活的各个领域。光场相机不断的完善，可以通过图像传感器前的微透镜阵列获取光场数据，给图像显著性分析提供新方法。

目前显著性物体检测大都基于2D或3D数据，在图像中目标与背景复杂时，出现检测目标不完整等问题。

另外光场显著性检测模型都采用手工特征，基于焦点堆栈提取聚焦度，背景概率等线索，这些基于光场的显著度线索作为附加特征与全聚焦图像的RGB特征、深度图的深度特征融合，或者作为加权系数参与到传统特征的融合过程，仅简单将光场特征与传统特征融合造成手工特征鲁棒性不高，使得检测效果不佳。

发明内容

本发明提供一种图像中物体的检测方法、装置及系统，以提高在复杂环境场景图像中检测物体的准确性和鲁棒性。

第一方面，本发明实施例提供的一种图像中物体的检测方法，包括：

获取场景的焦点堆栈；所述焦点堆栈包括同一场景聚焦在不同深度平面上的聚焦切片，

通过深度卷积神经网络对所述焦点堆栈进行多层次特征提取，得到所述焦点堆栈的L层特征；其中，L为大于1的自然数；

通过卷积长短期机器模型对每一层特征进行融合处理，得到所述焦点堆栈的L层聚焦融合特征；

对所述L层聚焦融合特征进行多层次特征融合处理，得到目标聚焦融合特征；

对所述目标聚焦融合特征进行卷积处理，并通过激活函数对卷积处理后的特征进行激活，得到显著图像。

在一种可能的设计中，通过深度卷积神经网络对所述焦点堆栈进行多层次特征提取，得到所述焦点堆栈的L层特征，包括：

假设所述焦点堆栈中包括N张聚焦切片，分别记为I₁,I₂,...,I_N；I₁表示第1张聚焦切片，I₂表示第2张聚焦切片，I_N表示第N张聚焦切片；

通过深度卷积神经网络对每一张所述焦点切片进行多层次特征提取，得到所述焦点堆栈的L层特征，分别记为：

其中，F¹为第1层特征，F₁¹为第1层中第1张聚焦切片的特征，为第1层中第2张聚焦切片的特征，为第1层中第N张聚焦切片的特征；F²为第2层特征，F₁²为第2层中第1张聚焦切片的特征，为第2层中第N张聚焦切片的特征；F^L为第L层特征，F₁^L为第L层中第1张聚焦切片的特征，为第L层中第2张聚焦切片的特征，为第L层中第N张聚焦切片的特征。

在一种可能的设计中，通过卷积长短期机器模型对每一层特征进行融合处理，得到所述焦点堆栈的L层聚焦融合特征，包括：

将所述卷积长短期机器模型的迭代次数设置为N；