[发明专利]基于阶梯状递进神经网络的显著性物体检测方法

说明书

本发明公开了一种基于阶梯状递进神经网络的显著性物体检测方法。本发明包括训练阶段过程和测试阶段过程；训练阶段过程，构建卷积神经网络；将原始的带有显著性物体的各类场景图像输入到卷积神经网络中进行训练，得到对应的显著性物体预测图像；再通过计算所有显著性物体预测图像组成的图像集与对应的显著性物体真实检测图像组成的图像集之间的损失函数值，获得卷积神经网络的最优权值矢量和偏置项；测试阶段过程，将待检测的带有显著性物体的各类场景图像输入到训练好的卷积神经网络中，得到显著性物体预测图像。本发明提高了各类场景的显著性物体检测的速率和精确率。

技术领域

本发明涉及图像处理技术领域，尤其是涉及一种基于阶梯状递进神经网络的显著性物体检测方法。

背景技术

显著性检测的目的是检测出一个场景中最吸引人类注意力的物体，在视觉追踪、图像分割等很多视觉任务上有广泛的应用；目前大多方法重点考虑从RGB图像或者RGB-D图像中预测显著物体，这严重依赖于光照条件、天气情况以及深度图的质量，而红外图像可以很好地弥补光照不足等问题，捕捉到更多可见光图像所缺失的信息；红外光谱图提供了场景三维的空间关系，可以有效地辅助显著性物体检测算法避免由前景和背景颜色带来歧义；因此越来越多工作开始研究如何更好地借助光谱图来进行显著性物体检测任务，即RGB-T显著性物体检测。

之前的RGB-D显著性物体的方法，常常使用深度对比度作为重要的先验；这些方法实际上是利用深度信息将注意力关注于前景区域；但是，深度图的质量也因此变得十分重要，往往会影响网络最后的预测结果。前景和背景的分布存在巨大差异，无差别地从其中学习显著性的线索较为困难；传统方法中有一些方法提出分别从前景和背景推理显著性区域的策略，但是在基于深度学习的方法中，这个朴素而有效的思想并未被重视，借助光谱图来进行显著性物体检测任务可以有效的解决深度图质量差所带来的问题。

发明内容

本发明所要解决的技术问题是提供一种基于阶梯状递进神经网络的显著性物体检测方法，其检测速度快，准确率高。

本发明解决上述技术问题所采用的技术方案为：一种基于阶梯状递进神经网络的显著性物体检测方法，其特征在于包括训练阶段和测试阶段两个过程；

所述的训练阶段过程的具体步骤为：

步骤1_1：选取Q幅原始的带有显著性物体的各类场景图像及每幅原始的带有显著性物体的各类场景图像对应的显著性物体真实检测图像，由Q幅原始的带有显著性物体的各类场景图像及对应的显著性物体真实检测图像构成训练集；

步骤1_2：构建卷积神经网络，卷积神经网络主要由10个基础模块、5个交融模块、多尺度锐化特征模块、金字塔锐化特征模块和4个引导模块组成；

步骤1_3：将训练集中原始的带有显著性物体的各类场景图像作为原始输入图像输入到卷积神经网络中进行训练，得到对应的显著性物体预测图像；

步骤1_4：计算所有显著性物体预测图像组成的图像集与对应的显著性物体真实检测图像组成的图像集之间的损失函数值，当训练次数达到预设次数时，卷积神经网络训练结束，获得训练后的卷积神经网络；

所述的测试阶段过程的具体步骤为：

步骤2_1：选取测试集中的第p组待检测的带有显著性物体的各类场景；

步骤2_2：将第p组待检测的带有显著性物体的各类场景输入到训练后的卷积神经网络中，训练后的卷积神经网络输出对应的显著性物体预测图像。

所述卷积神经网络主要由十个基础模块、五个交融模块、多尺度锐化特征模块、金字塔锐化特征模块和四个引导模块组成，具体为：