[发明专利]改进背景先验和前景先验的二维码区域检测方法

说明书

本发明提供改进背景先验和前景先验的二维码区域检测方法，通过将输入的原始图像G进行凸包检测，并进行超像素分割，对每种超像素尺度下的图像分别进行多特征提取，计算原始图像G的背景显著图，计算原始图像G的前景显著图，融合所得最终的背景显著图和最终的前景显著图得到弱显著图，根据由弱显著图生成的训练样本，采用多核学习增强的方法训练得到强显著性模型，将此模型应用到所有测试样本中得到强显著性图；最后加权融合强显著图和弱显著图，得到最终显著图，最终显著图中最为高亮的部分即为图像中二维码区域；该方法能够准确、一致高亮的突出显著目标，能够精确的检测图像中的二维码区域。本发明方法，在显著目标检测的准确性方面更具优势。

技术领域

本发明涉及改进背景先验和前景先验的二维码区域检测方法。

背景技术

作为计算机视觉问题中降低计算复杂度的重要预处理步骤，视觉显著性是一种有效的突出视觉重点机制，可以准确快速的获取图像中最重要的区域，从而减少图像处理时间。显著性检测近年来备受关注，虽然相关研究取得了重大进展，但为显著物体检测开发高效的算法仍然是一项具有挑战性的任务。

视觉显著性检测算法通常可以分为两类：其一基于底层特征，利用数据驱动的自下而上的方法将显著的目标区域与其周围的背景区域进行区分；其二结合高层信息，通过任务驱动的自上而下的方法快速定位显著性区域并反映显著性区域的显著程度。

例如，Zhang等提出了一种“Saliency Detection via Absorbing Markov ChainWith Learnt Transition Probability”算法，通过AMC(吸收马尔可夫链)计算图像的显著性，算法通过构造稀疏连通图来获取每个节点的局部上下文信息，以图像的边界节点和其他节点结合吸收马尔科夫链法则计算出该点的显著性值，为了更好的突出显著目标，引入角度嵌入技术重新确定显著性结果，算法通过全卷积网络学习得到一个转移概率矩阵，虽然在一定程度上提高了算法检测精度以及适应性，但是网络模型学习不够全面，对于部分图像的检测效果不理想。Ye等提出了一种“Salient Object Segmentation via EffectiveIntegration of Saliency and Objectness”算法，将图像的显著性问题与图像客观条件相结合，通过无图引导使用规则，以超像素顶点作为计算依据，通过每个顶点之间的最短路径衡量每个超像素目标的概率，将得到的目标概率图分别与显著性图和目标性图进行比值运算，此算法虽然在突出目标抑制背景占据一定优势，但是对于多目标情况下检测效果并不理想。Huang等提出了一种“Robust Salient Object Detection via FusingForeground and Background Priors”算法，融合前景和背景先验的鲁棒显著目标检测方法，该算法基于包围度线索从图像中提取一系列前景和背景种子。通过排序算法分别生成前景和背景对应的显著图。最后，融合两幅显著图，通过测地线增强，得到最终显著图。Tong等提出了一种利用弱模型和强模型进行显著目标检测的引导学习算法“Salient objectdetection via bootstrap learning”。该算法首先基于图像先验知识构造弱显著图，其次，训练一种直接从弱显著图中提取样本的强分类器来检测显著超像素。线性加权融合强弱显著图得到最终结果。Wang等提出一种“Salient Object Detection:A DiscriminativeRegional Feature Integration Approach”算法，具有判别性的区域特征集成，将区域对比，区域属性以及区域的背景性描述符进行集成，形成相应的主显著图，然后在多个级别上融合显著性得分，进而得到最终的显著图。算法虽然通过判别区域特征集成方法解决显著目标检测问题，但是在特征选择方面存在不足，导致一些复杂图像中的显著区域检测不完整。Jian等提出了“Saliency detection based on background seeds by objectproposals and extended random walk”算法，算法基于对象建议和扩展随机游走的背景种子显著性检测，通过目标建议收集图像背景种子，通过ERW(扩展随机游走)算法将背景先验传播到其余区域，再通过纹理信息和机构信息进行细化得到显著性结果。算法中采用目标建议方法，在检测多目标图像时检测效果不理想。Xia等提出一种“What is and What isNot a Salient Object？Learning Salient Object Detector by Ensembling LinearExemplar Regressors”算法，算法基于样本回归的显著性检测算法，以图像边界为先验得到前景和背景种子，然后以局部线性嵌入进行流行排序，得到粗略显著图，以粗略显著图训练线性样本回归器，检测结果为最终显著图。该算法本身需要以边界为先验，对于一些前景目标靠近边缘以及多目标检测效果不理想。Yang等引入MR(流形排序)算法，提出“SaliencyDetection via Graph-Based Manifold Ranking”，通过排序函数求解显著性问题，以不同的方式考虑前景和背景线索，对图像元素(像素或区域)与前景或背景的相似性进行排序。图像元素的显著性根据它们与给定种子或查询的相关性来定义。该算法将图像表示为一个以超像素为节点的闭环图。图中每个节点的显著程度通过其相对于种子节点的排序得分来度量，显著性检测分为两阶段过程，以此更有效地提取背景区域和前景显著目标，得到最终显著图。由于该算法第一阶段背景假设过于理想化，当显著性目标面积较大或者显著性目标接触到图像边界时，算法无法完整地检测出目标。