[发明专利]一种基于两种线索交互的显著性目标检测方法

说明书

本发明提供的一种基于两种线索交互的显著性目标检测方法，所述检测方法包括：获取待检测图像，并将所述待检测图像翻转，获得增强图像信息；根据所述增强图像信息构建动态分组胶囊子网络提取所述待测图像的部分‑对象关系线索；根据所述增强图像信息采用密集高分辨率网络提取细节的对比度线索；采用注意力机制整合所述部分‑整体关系线索和所述对比度线索获得级联特征；根据所述级联特征预测最终显著性图，获得显著性预测图；对所述显著性预测图采用监督学习模型得到网络模型参数。获得了完整且精细的显著性预测图。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于两种线索交互的显著性目标检测方法。

背景技术

显著性目标检测旨在突出并分割出自然图像中最具视觉吸引力的物体或区域。作为一种重要的图像预处理的方式，近年来被应用于许多计算机视觉领域，如弱监督图像语义分割、视觉跟踪、目标识别、图像检索、视频压缩等。

早期的大多数方法通过提取图像的手工特征，例如颜色、纹理，来检测显著目标。然而，由于有限的特征表达能力，传统的方法遇到了性能瓶颈。鉴于深度卷积神经网络强大的表征能力，其已成功应用于显著性目标检测并实现了实质性的性能改进。

尽管卷积神经网络已经取得了不错的检测结果，但这些方法仍然面临着一些挑战。现有的基于神经网络的显著性目标检测方法，依靠学习到的每个图像区域的对比度信息来预测整个图像的显著性目标区域。未考虑图像不同部分之间的相关性，会导致显著对象分割不完整，难以提取复杂场景下图像的显著性图。

为了缓解上述问题，一些基于图像部分-整体关系的显著性检测方法被提出，利用胶囊网络研究了部分-整体关系在显著目标检测中的作用。该方法通过分析场景中的部分-整体关系，建立双流部分-对象分配网络，每个流的低级胶囊通过路由算法分配给它们熟悉的高级胶囊，发现熟悉的物体部分，从而将场景中的显著物体从复杂的背景中分割出来。

然而，该方法直接将胶囊划分为两组进行路由，导致网络探索的部分-整体关系不够准确，不足以在复杂的场景中分割完整的显著性区域，甚至错误标记周围环境。而且仅考虑了图像部分-整体关系线索，而忽略了图像的对比度线索，得到的显著图中的显著目标没有良好的细节，例如显著图模糊，边缘虚化等。

发明内容

鉴于上述问题，提出了本发明一种基于两种线索交互的显著性目标检测方法。

根据本发明的一个方面，提供了一种基于两种线索交互的显著性目标检测方法，所述检测方法包括：

获取待检测图像，并将所述待检测图像翻转，获得增强图像信息；

根据所述增强图像信息构建动态分组胶囊子网络提取所述待测图像的部分-对象关系线索；

根据所述增强图像信息采用密集高分辨率网络提取细节的对比度线索；

采用注意力机制整合所述部分-整体关系线索和所述对比度线索获得级联特征；

根据所述级联特征预测最终显著性图，获得显著性预测图；

对所述显著性预测图采用监督学习模型得到网络模型参数。

可选的，所述获取待检测图像，并将所述待检测图像翻转，获得增强图像信息具体包括：将所述待检测图像的左右部分以图像垂直中轴线为中心进行镜像对换，获得增强图像信息。

可选的，所述根据所述增强图像信息构建动态分组胶囊子网络提取所述待测图像的部分-对象关系线索具体包括：

将所述增强图像信息裁剪,获得裁剪图片；

将所述裁剪图片采用U型残差网络,提取深度语义特征F_r,产生第一浅层特征F_L1和第二浅层特征F_L2；所述深度语义特征F_r用于构建初始的矩阵胶囊；