[发明专利]基于RGB图像伪深度信息的显著性检测方法和装置

说明书

本发明实施例公开了一种基于RGB图像伪深度信息的显著性检测方法和装置，其中，所述方法包括：对RGB图像进行深度估计获得伪深度信息；根据所述RGB图像中超像素的颜色特征进行加权平均值计算，生成颜色对比区域；通过计算所述RGB图像中超像素之间的深度对比度，生成深度对比区域；根据所述RGB图像中超像素之间的纹理对比度生成纹理对比区域；根据所述颜色对比区域、所述深度对比区域以及所述纹理对比区域，按照预设的显著性融合算法进行融合计算，输出显著性检测结果。采用本发明所述的方法，能够明显提高显著性检测的效果，同时降低了运算的复杂度和成本开销，提高了对RGB图像进行显著性检测的泛化能力和效率。

技术领域

本发明实施例涉及计算机视觉领域，具体涉及一种基于RGB图像伪深度信息的显著性检测方法和装置，另外还涉及一种电子设备和计算机可读存储介质。

背景技术

在计算机视觉领域，随着各种摄像头和激光扫描设备的增加，显著性检测技术越来越深入地应用在RGB图像分割、对象检测及识别等方向，其目的在于让计算机模拟人眼视觉的识别功能，从视觉场景中找到最引人注目的局部目标。在显著性检测技术中，好的显著性检测模型能够准确定位突出目标并保留原始RGB图像信息，尽可能降低丢失实际显著区域或者将背景标记为显著区域的可能性。

显著性检测作为一种广泛用于RGB图像前置处理的技术，需要保证较高的计算效率。现有的显著性检测方法主要分为无监督和全监督两大类。无监督显著性检测方法通过提取RGB图像的低层特征来辨别目标，并且计算高效。相较于无监督方法，全监督方法检测效果更优，但是它在训练过程中要求大量的带标签RGB图像，这使得人工标记的难度和实际时间成本不断增加。当前的显著性检测发展主要面临以下几大难题：一是数据采集的困难，当前广泛使用的Microsoft Kinect更适合采集室内场景RGB图像，而室外场景RGB图像对激光采集设备的要求更高，成本也相应增加；二是对RGB图像深度处理的难度，RGB图像深度可以提供丰富的场景布局和物体形状等信息帮助从背景中辨别前景目标，其处理难度在于包括如何统一深度和彩色RGB图像所处的坐标空间，如何处理传感器噪声，物体反射，光的阴影等因素造成的影响等。显著性检测模型可以大致分为两大类，RGB显著性检测模型和RGB-D显著性检测模型。具有内在线索的RGB模型，作为一种无监督方法，通常只考虑每个输入RGB图像的内部信息，包括像素对比度和区域对比度等等，当RGB图像背景和前景目标之前的区别较小时，很难辨别。因此，为了解决对比线索的问题，基于背景先验、扩散以及分层分割的显著性检测方式也逐渐被提出。背景先验的显著性检测方式能够正确的识别RGB图像中的非显著性区域，但是很难处理RGB图像边界。基于扩散的显著性检测方式的技术在RGB图像图谱中传播显著性信息从而生成平滑的显著性检测图，其问题同样在于对RGB图像边界的处理，并且这种基于图的方法很难保证单一目标在不同RGB图像区域的一致性和连贯性。基于分层分割的显著性检测方式采用了多尺度分割，利用来自不同尺度RGB图像的先验信息生成多尺度显著性检测图，然后将不同尺度的显著性检测图进行融合。除此之外，不同于RGB显著性监测模型，RGB-D显著性检测模型利用了RGB图像的深度线索，RGB图像深度可以提供丰富的场景布局，物体形状和其他3D线索等信息，即使在前景目标与RGB图像背景视觉上相似度很高时，它也能很好地帮助从背景中辨别前景目标。

目前，传统的针对无深度RGB图像的显著性检测方式，无法依据深度信息进行显著性检测，在低对比度、高复杂场景的RGB图像中显著性检测效果较差，运算复杂度和成本较高。因此，如何实现高效、便捷的针对RGB图像显著性检测方法成为本领域的研究重点。

发明内容

为此，本发明实施例提供一种基于RGB图像伪深度信息的显著性检测方法，以解决现有技术存在的对无深度RGB图像的显著性检测方式效果较差，运算复杂度和成本较高，无法在低对比度、高复杂场景的RGB图像中快速、准确的实现显著性检测的问题。

为了实现上述目的，本发明实施例提供如下技术方案：