[发明专利]基于贝叶斯融合的视频显著性检测方法

权利要求书

1.一种基于贝叶斯融合的视频显著性检测方法，包括：

(1)输入待检测的视频帧，提取每一帧图像的静态显著图；

(1a)对输入的图像进行超像素分割，得到视频序列对应的超像素块集合，然后利用多尺度形态学估计法，得到每一帧图像的静态边界概率图，将静态边界概率图映射到超像素块中得到静态边界概率显著图；

(1b)利用过分割的方法将视频序列分割为若干区域，根据区域之间颜色差异性和区域内像素数量来计算每个区域的显著值，最后将每个区域的显著值映射在视频图像上得到局部颜色对比显著图；

(1c)计算视频序列中每一个超像素块的颜色均值，对其进行归一化后得到视频序列的颜色均值显著图；

(1d)通过线性加权的方法对(1a)-(1c)中得到的显著图进行融合，求和得到该视频中每一帧图像的静态显著图；

(2)输入待检测的视频帧，提取每一帧图像的动态显著图；

(2a)对输入的视频序列进行动态特征提取，得到每一帧图像的光流图；

(2b)输入每一帧图像的光流图并对其进行超像素分割，利用多尺度形态学的方法得到动态边界概率图，然后计算每一个超像素块基于光流图的边界概率值，映射得到视频序列动态边界概率显著图；

(2c)输入每一帧图像的光流图，利用光流图中超像素块间的主成分差异得到视频序列每一帧图像的PCA先验显著图；

(2d)计算光流图中超像素块之间的颜色差异图和空间距离图，映射到超像素块对应的位置，得到视频序列背景先验显著图；

(2e)对(2a)-(2c)得到的显著图进行加权融合，得到视频序列每一帧图像的动态显著图；

(3)对(1d)和(2e)得到的视频序列静态显著图和动态显著图进行基于贝叶斯模型的融合，得到视频序列最终的显著图。

2.根据权利要求1中所述的方法，其中步骤(1a)中求取视频序列静态边界概率图，是利用数学形态学图像处理中的基本思想，即构建具有形态的结构元素去匹配和提取图像中对应形状的位置；再利用膨胀、腐蚀、开启和闭合的形态学运算方法处理该位置特征，进而得到目标边界。

3.根据权利要求1中所述的方法，其中步骤(1b)中求取视频序列区域对比显著图，是先将待求视频图像进行过分割，每个区域的显著值由该区域和其他区域的颜色空间距离和区域内像素数量加权的颜色差异性确定。

4.根据权利要求1中所述的方法，其中步骤(1c)中求取视频序列颜色均值显著图，是先计算超像素分割后每个超像素块的颜色均值，再对序列中各个超像素块的颜色均值进行归一化，得到基于颜色均值的显著图。

5.根据权利要求1中所述的方法，其中步骤(2c)中求取视频序列PCA先验显著图，按照如下步骤进行：

(2c1)根据主成分分析方法将超像素块中的光流特征降至1维并计算平均光流特征：

(2c2)计算与平均超像素块之间的距离：

(2c3)定义为LAB颜色空间上与其他超像素块距离之和：

(2c4)利用超像素块的颜色区分度对(2b)中求得的距离加权，得到当前超像素块的显著值

(2c5)将超像素块的显著值映射到序列中，得到视频序列的动态光流显著图S(M^k)，并对该S(M^k)进行归一化操作，使其取值在[0,1]之间；

(2c6)使用0和1之间的10个空间规则阈值对不同的图像块进行迭代，检测不同像素的簇，计算不同阈值迭代结果所得集合的质心，并以它为中心添加高斯特征，再将这些高斯特征与空间规则阈值相对应，得到一个权重相关的结果图G(M^k)；

(2c7)将归一化之后的动态光流显著图S(M^k)与高斯权重图G(M^k)进行融合，得到最终的PCA先验显著图

6.根据权利要求1所述的方法，其中步骤(2d)中求取视频序列背景先验显著图，按照如下步骤进行：

(2d1)提取每帧光流图中超像素块的LAB颜色特征，根据该特征值将光流图边缘的超像素块聚为T类，基于T个不同的类别，构建T个不同的全局颜色差异图GCD，在第t个GCD图中，计算超像素块的显著值为：

其中q^t是属于第t类的超像素点的个数，t＝1,2…T，表示超像素点和在颜色空间上的欧氏距离，δ与β为不同的权重常量；

(2d2)构建全局空间距离GSD矩阵W＝[w_t,i]_T×n，其中w_t,i代表超像素点和所有第t类图像边缘超像点之间的空间距离，r_i和r_j是超像素区域和的坐标属性；

(2d3)计算超像素块的背景先验显著值

(2d4)将显著值映射到光流图M^k中，得到视频序列的背景先验显著图