[发明专利]基于全局卷积和边界细化的显著目标检测方法

说明书

本发明公开了一种基于全局卷积和边界细化的显著目标检测方法，包括如下步骤：S1、在深度网络中集成五个全局卷积模块，基于卷积操作将输入图像生成特征图F^G；S2、通过步骤S1得到的特征图收集全局上下文信息获取全局特征图；S3、在深度网络中集成五个边界细化模块，基于局部上下文信息将输入图像集成局部特征图F^L；S4、通过softmax函数融合步骤S2得到的全局特征图F^G以及步骤S3得到的局部特征图F^L计算夜间图像显著性。本发明主要利用深度网络学习图像的全局和局部信息来对像素点的显著性做出决策，使其能够产生更均匀的显著图；同时，为夜间安全监控、复杂环境目标定位等热点问题提供理论和技术基础。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于全局卷积和边界细化的显著目标检测方法。

背景技术

随着计算机视觉领域的飞速发展，近年来显著性目标检测作为视觉感知的注意力模拟方向得到广泛关注。人眼视觉感知系统可以快速精准地定位到视觉场景中具有高区分度、吸引人关注的物体或场景区域。这种高效的视觉注意力机制引发了计算机视觉领域对人眼视觉感知能力的模拟、研究与探索。人眼视觉注意力机制通过对视觉空间内的局部信息进行分析整合，建立对整个视觉场景的理解。显著性目标检测旨在高效过滤视觉场景中的非重要信息，辅助抽取人眼视觉感知中的高阶语义信息，以模拟人类视觉感知系统的机制。

人类对视觉系统感知机制认知不断加深，计算机视觉领域的研究人员提出了大量的视觉注意力模型，并将其成功应用于视觉计算的各个研究领域，显著目标检测已经成为了智能图像信号处理等的研究热点。现有的这些视觉显著目标检测模型大多数仅适用于白天可见光环境，然而对于光照条件很差的夜间环境，监控设备所采集的图像普遍具有的特征是整体亮度低、灰度值范围集中在比较小的区间、相邻位置的像素值变化不大且有着较高的空间相关性。夜间图像中的显著目标、背景和噪声等信息就会聚集在一个非常狭小的动态范围内，在经过图像传送和转换等处理后，夜间图像的质量也将进一步地降低并夹杂了更多噪声，这就使得传统显著性模型检测结果的准确性和可靠性大幅度下降。

发明内容

本发明为了克服以上技术的不足，提供了一种基于全局卷积和边界细化的显著目标检测方法。

本发明从决策级层面出发，发明了一种基于全局卷积和边界细化引导的深度完全卷积网络框架用于夜间图像的显著性检测。主要利用深度网络去学习图像的局部和全局信息来对像素点的显著性做出决策，使其能够产生更均匀的显著图。为了优化深度网络模型对显著目标的定位和分类性能，在网络结构中集成了五个全局卷积模块，用以保留特征图更多的空间知识，同时也保证了特征图与分类器之间的密集连接。此外，为了使显著性信息在网络上传播的过程中保留更加丰富的边界内容，在每个卷积块后面嵌入了一个边界细化模块。本发明提出的基于全局卷积和边界细化的显著目标检测方法可以通过学习夜间图像中的显著特征来估计图像的显著性。

本发明克服其技术问题所采用的技术方案是：

一种基于全局卷积和边界细化的显著目标检测方法，包括如下步骤：

S1、在深度网络中集成五个全局卷积模块，基于卷积操作将输入图像生成特征图；

S2、通过步骤S1得到的特征图收集全局上下文信息获取全局特征图F^G；

S3、在深度网络中集成五个边界细化模块，基于局部上下文信息将输入图像集成局部特征图F^L；

S4、通过softmax函数融合步骤S2得到的全局特征图F^G以及步骤S3得到的局部特征图F^L计算夜间图像显著性。

进一步地，步骤S1具体包括如下：

将一幅给定图像I的尺寸调整为416×416，并将其作为深度网络的输入单元；