[发明专利]一种基于多尺度特征注意机制的快速显著性检测方法

说明书

本发明提供一种基于多尺度特征注意机制的快速显著性检测方法。本发明方法首先通过深度卷积网络对图像进行处理，获得基于不同卷积层的特征，包括较浅层特征和高级语义特征，然后分别对获得基于不同卷积层的特征进行处理，最后将处理后的较浅层特征和高级语义特征输入至解码器中，生成显著性检测图。本发明消除了大部分背景特征的干扰，增加了计算效率并有效地抑制背景信息，对高级语义特征使用金字塔扩张卷积更好的利用语义信息，并采用双解码器结能对特征进行进一步细化，最终生成的显著性图能够以明晰的边界完整的凸显图像中的显著性区域，并有效地抑制背景区域。

技术领域

本发明涉及图像、视频处理技术领域，具体地说涉及一种基于多尺度特征注意机制的快速显著性检测方法。

技术背景

随着具有拍照录像功能的可穿戴设备、智能手机与平板电脑的普及，图像、视频信息的获取和存储变得越来越容易，人们可以随意拍摄出高分辨率图像，以及不同时长的视频信息，如此图像、视频数量急剧增多，这也对图像视频处理等研究领域带来了新的挑战。近年来，研究表明人类的视觉系统能够快速的从复杂场景中定位出最吸引眼球的物体，而如何使用计算机技术模拟人眼视觉机制并用于提取图像、视频中的人眼感兴趣区域亦成为当前研究热点，即显著性检测。随着计算机视觉的发展，显著性检测引起越来越多研究者的关注.显著性检测的研究目的即是希望计算机可以模仿人眼的视觉特征，高效快速地发现场景中最具吸引力的区域.因此，显著性检测结果应该符合人眼的视觉特征，检测结果需要与人眼观察到的结果一致，显著性检测在计算机视觉中有广泛的应用，例如：对象检测、对象识别、目标跟踪、图像分割和视频缩放等。

图像显著性对象检测不受限于对象的类别、尺寸大小、位置、个数等,这些不确定因素使得它成为目前计算机视觉和人工智能领域中的一个难题。在传统做法中,研究人员根据观察到的各种先验知识对显著性对象检测算法进行建模,生成显著性图。这些先验知识包括:对比度、中心先验、边缘先验、语义先验等,但在复杂的场景中,传统方法往往不够准确。这是因为这些观察往往限于低级别的特征(例如,颜色和对比度等),而不能准确反映出显著性对象本质的共同点。

显著性检测学习视觉特征表示是其中重要的一环，而学习视觉特征表示也是计算机视觉中的一个基本问题。在过去几年中，在设计用于图像分类和物体检测的深度卷积网络(ConvNets)的模型体系结构方面取得了很大进展。与预测图像的类概率的图像分类不同，对象检测对于在多种尺度和位置上检测和定位多个对象具有其自身的挑战。为了解决这个问题，许多物体检测方法通常使用表示具有多尺度特征层的图像金字塔特征表示，然而当前方法中的图像金字塔的特征表示往往不加区别地集成多尺度卷积特征，然而并非所有的卷积特征都对显著性的检测有用，在自然图像中包含着复杂的前景和背景细节，因此在低级特征中往往还包含这很多信息，这些特征细节的冗余不仅影响了计算速度，而且同时影响生成的显著性图的效果，因此如何提取有效特征并合理的利用是显着性检测的一个关键点。同时在对这些特征信息进行编解码操作时，往往时将这些特征都输入到解码其中生成最终的显著性图，而一些低级特征往往因为其较大的分辨率大大增加了计算负担，因此可以通过设计一个级联的双解码器，用来细化生成的显著性图的效果。

发明内容

针对现有技术中存在的问题，本发明提供一种基于多尺度特征注意机制的快速显著性检测方法，通过对物体检测方法中多尺度特征层的图像金字塔特征表示的方法做出改进并结合设计的级联双解码器，从而使生成的显著性图能够以明晰的边界完整的凸显图像中的显著性区域，并有效地抑制背景区域。

一种基于多尺度特征注意机制的快速显著性检测方法，步骤如下：

步骤(1).通过深度卷积网络对图像进行处理，获得基于不同卷积层的特征。

步骤(1.1)选取一张用于显著性检测的图片，将图片记为图片I。