[发明专利]一种基于语义信息与边缘约束的前景目标检测方法

摘要

本发明提供一种基于语义信息与边缘约束的前景目标检测方法，分割能量函数模型借助语义标签信息，完成对图像前景与背景的自动分割，从而实现前景目标的检测。该方法流程图见摘要附图，主要包括五大步骤，步骤一：基于语义边缘约束的图像分层分割；步骤二：位置模型的建立；步骤三：外观模型的建立；步骤四：平滑约束的构建；步骤五：分割模型迭代优化。本发明实验验证，具有可行性、准确性和通用性，可用于诸多高层次的图像分析与图像理解中。

主权项

1.一种基于语义信息与边缘约束的前景目标检测方法，其特征在于包括以下步骤：(1)基于语义边缘约束的图像分层分割：将输入图像在Lab颜色空间中得到的归一化边缘信息，与在语义标签上得到的语义边缘约束信息进行线性组合得到图像的边缘信息，利用contours2ucm算法将所述图像的边缘信息进行计算，得到衡量输入图像边缘权重的超度量轮廓图UCM，通过设置不同的阈值，对超度量轮廓图UCM进行分层分割，从而得到基于语义边缘约束的图像分层分割区域；(2)位置模型的建立：对所述输入图像进行多尺度的显著性检测，得到包围所述输入图像的前景目标的显著性窗口，利用所述显著性窗口的重叠性，得到多个显著性窗口包围下的输入图像像素的位置概率，然后利用步骤(1)得到的图像分层分割区域对输入图像像素的位置概率进行更新，从而建立输入图像的位置模型；(3)外观模型的建立：利用步骤(1)得到的语义边缘约束信息，计算显著性窗口的内、外语义标签的分布特征向量，并计算内、外语义标签的分布特征向量的差值，选择3/4区域为前景像素点的显著性窗口，计算显著性窗口内、外的像素位置概率，并利用该位置概率得到输入图像的前景与背景的分割阈值；通过分割阈值得到输入图像的前景与背景区域，然后在所述前景区域与背景区域上建立基于Lab颜色空间的高斯混合模型GMM，从而得到外观模型，外观模型由两个高斯混合模型组成，在前景区域中的高斯混合模型定义为A1，在背景区域中的高斯混合模型定义为A0；(4)平滑约束的构建：融合输入图像对比度信息与输入图像超度量轮廓图的边缘权重信息，对输入图像中相邻像素之间的边缘进行平滑约束，实现分割能量模型中平滑项的建立；(5)结合输入图像的位置模型与外观模型，得到衡量像素前景背景标签标记代价的数据项，通过所述数据项与平滑项，建立分割能量模型，利用迭代式算法优化求解分割能量函数，最终得到图像像素的最优分割标签，实现前景目标的检测。