[发明专利]一种基于机器学习的显著性物体检测方法

权利要求书

1.一种基于机器学习的显著性物体检测方法，其特征在于，包括以下步骤：

1)获取RGB图像与深度图，将RGB图像与深度图通过超像素采样网络进行超像素分割，并提取分割后每个区域的特征构成特征向量；

2)使用N个不同带宽的聚类算法对特征向量聚类得到聚类图，并对N个聚类图进行显著性计算，得到N个显著性图像；

3)将N个显著性图像合并成一个显著性图，并把该显著性图作为一个新特征加到所述特征向量中；

4)返回步骤2)，直到循环次数达到阈值，输出最终的显著性图。

2.根据权利要求1所述的一种基于机器学习的显著性物体检测方法，其特征在于，所述将RGB图像与深度图通过超像素采样网络进行超像素分割，具体为：将RGB图像与深度图作为超像素采样网络的输入，通过超像素采样网络对RGB图像与深度图进行超像素分割。

3.根据权利要求1所述的一种基于机器学习的显著性物体检测方法，其特征在于：所述特征包括CIELab三个颜色通道、图片深度信息、深度图像的两个区域特征图以及RGB图像的两个区域特征图中的至少一种。

4.根据权利要求3所述的一种基于机器学习的显著性物体检测方法，其特征在于：所述深度图像的两个区域特征图为深度图像的物体区域特征图与背景区域特征图。

5.根据权利要求3所述的一种基于机器学习的显著性物体检测方法，其特征在于：所述RGB图像的两个区域特征图为RGB图像的物体区域特征与背景区域特征。

6.根据权利要求1所述的一种基于机器学习的显著性物体检测方法，其特征在于：所述聚类算法为MeanShift算法。

7.根据权利要求1所述的一种基于机器学习的显著性物体检测方法，其特征在于：所述步骤2)具体如下：

将分割后每个超像素区域的特征和超像素区域的位置{x，y}作为输入，通过控制MeanShift算法的核函数尺度参数，进行不同尺度下的特征聚类，得到N个聚类图，随后通过BC算法得到每个聚类的显著图，即N个显著性图像。

8.根据权利要求1所述的一种基于机器学习的显著性物体检测方法，其特征在于：所述将N个显著性图像合并成一个显著性图，采用CatBoost算法。