[发明专利]基于随机森林学习的RGB-D显著物体检测方法

摘要

本发明涉及一种基于随机森林学习的RGB-D显著物体检测方法，包括：先利用随机森林的方法将图像进行多尺度的分割；提取区域特征，包括纹理滤波器响应、颜色直方图特征和LBP算子特征；计算区域对比度描述子；计算区域对比度和区域背景度量描述子；计算区域性质描述子；设计一个从大量训练样本中学习到的一个有效的区域显著性估计器，从训练数据以及给定的显著值中学习得到一个随机森林回归器。本发明在背景与显著区域区分度较小时依然可以很好地发挥作用。

主权项

一种基于随机森林学习的RGB‑D显著物体检测方法，包括下面的步骤：1)首先利用随机森林的方法将图像进行M个尺度的分割；2)提取区域特征，包括纹理滤波器响应、颜色直方图特征和LBP算子特征；3)计算区域对比度描述子：图像的颜色和纹理信息用一个特征向量来描述每一个区域，用v来表示，对于区域R∈S_m，把和它直接邻接的几个区域当作一个整体，并且计算其颜色和纹理特征v^N，区域对比度描述子就定义成该区域特征和它的邻域特征的差值，其中，特征中包含的直方图的差值会按分布差别度来计算。4)计算区域对比度和区域背景度量描述子，如表一所示，其中d(x₁,x₂)＝(|x₁₁‑x₂₁|,...,|x_1n‑x_2n|)，n是向量x₁和x₂的维度，| |表示的是绝对值；b是向量h₁和h₂的维度，Σ表示的是求和号。表一 区域对比度和区域背景度量描述子特征组成5)计算区域性质描述子，如表二所示：表二 区域性质描述子特征组成6)设计一个从大量训练样本中学习到的一个有效的区域显著性估计器，训练样本包括一个显著性区域的集合以及相对应的显著值，它们都是通过对事先标注了显著区域的图像进行多尺度分割后，选择不同区域来获得的。如果获得的一个区域所包含的像素超过90％属于显著物体，本发明认为这是完全置信样本，将它对应的显著值设为1。如果获得的一个区域所包含的像素超过90％属于背景，将它对应的显著值设为0。两个条件都不满足的区域，排除在外不参与训练；对每一个区域用一个特征向量来表示，该特征向量包括区域对比度，区域性质以及区域背景度量描述子。从训练数据以及给定的显著值中学习得到一个随机森林回归器；7)对于一幅图像，利用随机森林回归器获得该图像的多个区域的显著图{A₁,A₂,...,A_M}，需要一个合并器将它们融合到一起形成最终的显著图。