[发明专利]前景区域标注与深度次序推理的联合学习方法

摘要

本发明公开了一种前景区域标注与深度次序推理的联合学习方法，包括，分割图像，构造分割图像的图模型，建立基于多类三元组预测的联合框架，基于结构化支持向量机进行最大幅度训练，从而得出图像中各个区域的深度次序关系以及前后景标记。针对单目图像的深度估计和前景区域标记进行回顾和总结，并基于其单一推测的局限性和缺陷作出改进和优化，提出一种联合估计的框架，并且使用了Geometric Context数据集和Cornell Depth‑Order数据集的部分图片验证算法的正确性和有效性。达到提升推测结果的有效性的目的。

主权项

1.一种前景区域标注与深度次序推理的联合学习方法，其特征在于，包括以下步骤：步骤1、分割图像，对图像进行物体级别的分割，即保留图像物体区域间的遮挡边界，并提取图像中区域和边界的特征向量；步骤2、构造分割图像的图模型，即给定分割图像X，分割图像X是由N个区域和区域间边界组成，将分割图像X抽象建立成一个无向图模型，图的顶点代表区域，边表示需要被预测的深度次序，从而确定区域标签R＝{r_i|i＝1,...,N}∈{0,1}^N和相对深度次序步骤3、建立基于多类三元组预测的联合框架，为了衡量图模型表示的图像中区域间深度次序和几何关系的判别能力，基于步骤1提取的区域和边界的特征向量和步骤2构造的图模型，定义一个线性判别函数F(X,B,R；w,v)；其中，w和v为相应特征的权系数向量，然后训练一个把区域标签R和相对深度次序B联合起来的特征映射到联合标签的单一分类器，即定义一个三元组标签集T，并将线性判别函数进行更新为F(X,T；W)；步骤4、基于结构化支持向量机进行最大幅度训练，从而估计线性判别函数F(X,T；W)中的权系数矩阵W，根据估计的权系数矩阵W得出图像中各个区域的深度次序关系以及前后景标记。