[发明专利]基于空间-语义通道的协同显著目标检测方法

说明书

本发明公开了一种基于空间‑语义通道的协同显著目标检测方法。本发明通过模拟人类视觉，根据图像间的协同辅助规则，对待检测的群组图像中彩色图和图像深度图，进行空间协同和语义协同双通道并行处理，利用协同显著性先验获得两种初步协同显著图，融合两个初步协同显著图，得到最终的协同显著图，实现复杂场景群组图像中共同的显著目标的检测，有效地突出了群组图像的共同显著目标并且抑制了复杂的背景噪声，使得本发明具有较好的检测结果，提高了检测的准确率和召回率。

技术领域

本发明属于计算机领域，更进一步涉及计算机视觉技术领域中的一种基于空间-语义通道的协同显著目标检测方法。本发明可以通过计算机模拟人类视觉，根据待检测的目标图像间的协同辅助规则，从复杂场景的待检测图像组中，检测出所有待检测图像中计算机模拟的人类视觉所关注的共同显著的目标区域。

背景技术

近年来，协同显著目标检测成为计算机视觉领域的新兴研究热点，其研究主要致力于通过计算机模拟人类视觉在多幅图像中获得最吸引视觉注意的共同显著的目标区域。经过协同显著目标检测，得到共同的显著目标区域，这样就能够将有限的计算资源分配至图像中的共同的显著目标区域进行重点分析和处理，从而节省了计算和存储资源，提高计算机的处理效率。协同显著目标检测通常应用于目标协同分割、目标协同定位和视频显著目标检测等领域。

苏州大学在其申请的专利文献“基于超像素聚类的协同显著性检测方法”(专利申请号：CN201710283829.0，公开号：CN107103326A)中公开一种基于超像素聚类的协同显著性检测方法。该方法的具体步骤是：1.对每幅图像中前景目标较为单一的图像组数据，构建三层的高斯金字塔，其中，第一层图像由原始图像进行高斯平滑得到，第二层图像由第一层图像降采样后进行高斯平滑得到，第三层图像由第二层图像降采样后进行高斯平滑得到；2.利用基于内容感知的超像素分割方法对每层图像进行超像素分割；3.对超像素块提取颜色、纹理和坐标特征，获得不同尺度上的特征信息；4.使用聚类的方法进一步将超像素块分类，通过计算对比度测度、重复率测度以及位置测度来描述协同显著性，根据3个测度的乘积得到每个尺度上的弱协同显著图；5.对不同尺度超像素处理的结果融合得到最终的协同显著图。该方法时间复杂度以及计算复杂度较低，在前景较为简单的数据集上效果良好。但是，该方法仍然存在的不足之处是，只在超像素层面处理导致检测出的目标区域存在不完整的问题，并且该方法提取的颜色、纹理和坐标这些基本特征不能有效处理目标和背景的颜色和纹理相似的情况，不能排除复杂背景的干扰而突出该组图像的协同显著目标。

Huazhu Fu等人在其发表的论文“Object-based RGBD image co-segmentationwith mutex constraint”(Computer Vision and Pattern Recognition,CVPR 2015 IEEEConference on)中公开了一种基于低秩约束的自适应加权融合的RGBD协同显著目标检测方法。该方法的具体步骤是：1.对每组图像的N张图像利用M种现有的显著目标检测方法进行检测；2.将M种方法得到的初步显著图作为矩阵元素拼成一个M×N的具有低秩性的大矩阵；3.通过对该矩阵进行低秩分解，得到每种方法得到的初步显著图的权重；4.对M种结果进行自适应加权融合即得到最终的协同显著图。该方法通过低秩约束框架合理利用现有算法结果，进行自适应融合，可以得到较好的协同显著图。但是，该方法仍然存在的不足之处是，该方法的精度完全依赖于初始显著图，而初始显著图的获取需要用多种现有技术中的传统方法，耗费时间过大，如果初始显著图效果不好，还会影响该方法对群组图像中协同显著目标的检测精度。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了一种基于空间-语义通道的协同显著目标检测方法，从复杂场景的待检测图像组中检测共同显著的目标区域。