[发明专利]一种基于广度学习系统的显著性检测方法及装置

说明书

本发明涉及一种基于广度学习系统的显著性检测方法及装置，其中方法包括：步骤S1：将图像分割为多个超像素点，提取每个超像素的颜色，位置，纹理，先验和对比度信息，并得到各超像素的特征向量；步骤S2：基于得到的各超像素的特征向量对图像进行处理，得到初始显著图；步骤S3：对初始显著图建立条件随机场模型，并使用基于广度学习的回归计算条件随机场中的核矩阵，将得到的最优解作为优化后的显著图；步骤S4：使用得到的优化后的显著图用于视觉跟踪，图像分类、图像分割、目标识别，图像视频压缩，图像检索或图像重定向。与现有技术相比，本发明在特征提取阶段，结合了颜色特征，空间特征，纹理特征，先验特征和对比特征，提高检测效果。

技术领域

本发明涉及一种显著性检测技术，尤其是涉及一种基于广度学习系统的显著性检测方法及装置。

背景技术

近年来，显著性检测已经成为计算机视觉领域的热门话题之一，吸引了大量学者的兴趣。该领域已经出现了很多优秀的算法，但想要开发出一种简洁实用的显著性模型仍存在较大的难度。目前，显著性检测已经被广泛应用于视觉跟踪，图像分类和图像分割、目标识别，图像视频压缩，图像检索，图像重定向等相关领域。

根据检测模型和功能的不同，显著性检测算法可以分为视觉注意力检测和显著性目标检测。其中视觉注意力检测是估计人眼观察一副图像时注视点的变化轨迹，在神经系统学中被广泛研究，而显著性目标检测则是提取整个显著目标区域，同时抑制背景噪声。

根据数据处理方式不同，显著性检测还可以被分为自底向上模型，和自顶向下模型。自顶向下模型是针对训练样本中有代表性的特征，因此能检测某些固定大小以及类别的目标。相反,自底向上模型由数据驱动，无需先验知识，受到底层视觉信息的直接刺激而产生。显然，自底向上模型的计算复杂度通常要低于自顶向下模型。

然后现有的显著性算法在进行显著性检测时，由于考虑的特征较少，往往导致最后的效果较差。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于广度学习系统的显著性检测方法及装置。

本发明的目的可以通过以下技术方案来实现：

一种基于广度学习系统的显著性检测方法，包括：

步骤S1：将图像分割为多个超像素点，提取每个超像素的颜色，位置，纹理，先验和对比度信息，并得到各超像素的特征向量；

步骤S2：基于得到的各超像素的特征向量对图像进行处理，得到初始显著图；

步骤S3：对初始显著图建立条件随机场模型，并使用基于广度学习的回归计算条件随机场中的核矩阵，将得到的最优解作为优化后的显著图；

步骤S4：使用得到的优化后的显著图用于视觉跟踪，图像分类、图像分割、目标识别，图像视频压缩，图像检索或图像重定向。

所述初始显著图的能量函数具体为：

其中：为能量函数，φ_u(·)为单元项函数，φ_p(·)为双元项函数，为第i个特征向量计算出的显著值，为第j个特征向量计算出的显著值。

所述单元项函数的数学表达式为：

其中：f为特征向量，f^R为R个特征向量构成的集合，为在以f^R为条件的条件下，第i个超像素的显著值由y_i更新到的概率；

所述双元项函数的数学表达式为：

其中：为兼容函数，若当时取1，否则取0，K为核矩阵，L为高斯函数的个数，K^(l)(·)为第l个高斯函数。