[发明专利]目标区域检测方法、装置、设备及存储介质

说明书

本发明涉及计算机视觉领域，提供一种目标区域检测方法，包括以下步骤：获取待处理图像，通过超像素分割将所述待处理图像分割为u个超像素；基于无向图模型建立u个所述超像素中所有相邻超像素的关联；对u个所述超像素进行迭代合并处理，获得k个超像素块；大大降低了目标区域检测的计算成本；提取k个所述超像素块中每个超像素块的特征信息，通过计算获得每个超像素块的显著值；通过中心约束和边界约束对每个所述超像素块的显著值进行加权计算，获得目标区域。超像素迭代合并与中心约束、边界约束相结合有效提高了目标区域检测的效果；更好兼顾了目标区域检测的准确性与时效性。

技术领域

本发明涉及计算机视觉领域，尤其涉及一种目标区域检测方法、装置、设备及存储介质。

背景技术

视觉显著性分析是一种有效的目标区域自动检测方法，采用显著性检测方法可以迅速地了解图像信息，将注意力集中在感兴趣目标上，同时忽略周围背景信息的干扰，实现目标的快速精确定位。

现有显著性检测算法可以分为自底向上和自顶向下两类方法。前者是指利用纹理、强度、颜色和边缘等低层次线索来度量显著值，大致可分为以下三种检测模型：(1)基于局部对比度的方法，如经典的Itti算法和基于图论的GBVS算法，该类方法通过提取目标的颜色、亮度和方向等低层特征，经过线性融合得到目标的显著性图，优点是特征易于提取、实现简单，但该模型获得的显著性图对场景目标的描述较模糊，容易产生块效应，很难获取目标区域的整体信息和边缘信息；(2)基于全局对比度的方法，如谱残差(SR)方法和频域可调谐的显著区域检测(FT)算法，这两种方法均是在频率域从全局结构中去除图像的冗余部分，运算简单且快速，但只考虑了图像的整体特征而忽略了局部特征信息，对目标的纹理细节不能进行很好地描述，对复杂背景和噪声稳健性差；(3)局部和全局对比度相结合的方法，如基于上下文感知(CA)算法，该方法只考虑了显著性目标周围的小部分背景区域，导致在全局范围内对非显著性区域的抑制不足，只在边缘处得到增强，对大尺度目标检测容易产生内容缺失，复杂场景中误检现象严重。

相比之下，后者是利用高层次先验知识，采用训练学习的方式进行显著性识别。例如，Borji等提取图像中每一个像素点位置低层的和自顶向下的特征，选取训练过的分类器去决定该位置是否属于显著性区域。Lu等人通过对已有的图像库标签数据进行大量学习，生成了一组显著性种子，并使用这些种子来识别显著性区域。Vig使用深度卷积网络进行首次显著性预测的尝试。然而在这类方法的计算过程中提取了数量巨大的且与目标无关的候选区域，耗费了大量的计算时间。因此，在实际工程应用中，这类算法不适合在资源有限的视觉感知平台上运行。

现有显著性检测方法存在以下问题：①为了得到更加清晰的目标边界，通常在像素级别上来进行显著性计算，计算成本过大，部分取得不错检测效果的算法往往要以增加计算复杂度为代价；②实验表明，这些常用方法应用于背景与目标区分度低、目标处于图像边缘区域或者目标区域较大等复杂场景时，检测效果不理想。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于，提供能有效兼顾检测准确性与时效性的目标区域检测方法、装置、设备及存储介质，旨在解决现有技术中显著性检测方法计算成本过大，背景与目标区分度低、目标处于图像边缘区域或者目标区域较大等复杂场景时，检测效果不理想的技术问题。

为实现上述目的，本发明提供目标区域检测方法，包括以下步骤：

获取待处理图像，通过超像素分割将所述待处理图像分割为u个超像素；

获取u个所述超像素中所有的相邻超像素对；

对u个所述超像素进行迭代合并处理，获得k个超像素块；

提取k个所述超像素块中每个超像素块的特征信息，通过计算获得每个超像素块的显著值；

通过中心约束和边界约束对每个所述超像素块的显著值进行加权计算，获得目标区域。