本發(fā)明一種目標(biāo)顯著性檢測(cè)的方法主要涉及視頻目標(biāo)定位識(shí)別、blob分析、圖像修剪和分割領(lǐng)域，是一種通過有效聚核進(jìn)行目標(biāo)顯著性檢測(cè)的方法。
背景技術(shù)：
：圖像顯著性，是人類視覺系統(tǒng)選擇和當(dāng)前任務(wù)有關(guān)聯(lián)的特定感興趣區(qū)域作為處理對(duì)象，而忽略其它無關(guān)信息比如背景邊界等信息。也就是自動(dòng)判別有效目標(biāo)的所在范圍，從而縮小后續(xù)圖像處理的數(shù)據(jù)量，并盡可能的減低后續(xù)圖像處理由于背景噪音帶來的欺騙性干擾。無論從精度和速度上都會(huì)起到至關(guān)重要的作用。由于顯著性檢測(cè)在目標(biāo)識(shí)別定位、圖像修剪和分割中占有重要的地位，本領(lǐng)域在顯著性目標(biāo)檢測(cè)方面取得了一些發(fā)展，目前研究主要集中在目標(biāo)物體和其所在區(qū)域的對(duì)比度上，處理方法主要包括以下兩類：1、利用圖像顏色、位置、梯度和邊緣等特征差異信息來計(jì)算對(duì)比度，但這類方法由于缺乏高級(jí)階段的信息，主要依賴于對(duì)目標(biāo)和背景特征的先驗(yàn)信息，即使同一應(yīng)用領(lǐng)域下的目標(biāo)檢測(cè)都是不確定的；2、側(cè)重于背景以及邊界優(yōu)先的特點(diǎn)，這類方法主要存在兩個(gè)問題，一是簡(jiǎn)單地把圖像邊緣當(dāng)做背景信息，當(dāng)目標(biāo)物體局部接觸邊界時(shí)，這類方法是不確定，可能完全失效不能檢測(cè)出顯著性；其二是背景邊界優(yōu)先的檢測(cè)方法是盲目引導(dǎo)式的，沒有統(tǒng)一的方法集成顯著性檢測(cè)線索。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是針對(duì)上述不足之處提供一種目標(biāo)顯著性檢測(cè)的方法，依據(jù)基本的圖像構(gòu)圖原理，將圖像劃分為背景、目標(biāo)和邊界區(qū)域；首先通過shi-tomasi角點(diǎn)檢測(cè)算法將圖像劃分為包含目標(biāo)在內(nèi)的凸多邊形內(nèi)部區(qū)域和外部區(qū)域，然后在外部區(qū)域中以一定值在圖像四個(gè)外圍區(qū)域劃分為邊界區(qū)域。以人的生理視覺機(jī)制，背景區(qū)域特性與邊界區(qū)域同質(zhì)的特點(diǎn)，通過區(qū)域?qū)吔绲倪B接度來表示這一特征，從而檢測(cè)出顯著性目標(biāo)區(qū)域。本發(fā)明是采取以下技術(shù)方案實(shí)現(xiàn)的：一種目標(biāo)顯著性檢測(cè)的方法包括如下步驟，1）通過shi-tomasi方法檢測(cè)出包含目標(biāo)在內(nèi)的內(nèi)部區(qū)域，在該區(qū)域外部以上下、左右離最近輪廓點(diǎn)垂直距離為11.6%個(gè)像素單位的寬度設(shè)置為邊界區(qū)域，作為后續(xù)進(jìn)行背景與目標(biāo)劃分的基礎(chǔ)；2）通過slic（圖像超像素分割方法）將局部像素聚集成一個(gè)超像素塊，使超像素塊保留局部結(jié)構(gòu)以及邊緣信息的同時(shí)，減少了不必要的細(xì)節(jié)信息；后續(xù)特征線索的提取就以所述超像素塊為基本單位實(shí)施；所述超像素劃分結(jié)果如圖2所示；3）以步驟2）劃分出的n個(gè)超像素塊為結(jié)點(diǎn)，構(gòu)造無向帶權(quán)圖；n>1；權(quán)值為兩點(diǎn)（任意結(jié)點(diǎn)）間在cie-lab顏色空間中的平均顏色距離；權(quán)值為兩點(diǎn)（任意結(jié)點(diǎn)）間在歐式空間中的中心距離；4）計(jì)算點(diǎn)的聚核度a(p)為：(公式1)其中為兩點(diǎn)間在cie-lab顏色空間上的最短距離，參數(shù)為核度比重調(diào)節(jié)因子，一般選取，有助于算法性能穩(wěn)定性；n取值200；算子的閾值在（0，1）區(qū)間，描述了點(diǎn)對(duì)的吸收度，表示同屬于目標(biāo)或者背景區(qū)域的強(qiáng)度；當(dāng)，點(diǎn)的聚核度增加1，則認(rèn)為點(diǎn)為點(diǎn)的強(qiáng)點(diǎn)，兩者之間是同質(zhì)的，強(qiáng)點(diǎn)與點(diǎn)同屬于目標(biāo)或背景區(qū)域，對(duì)比度加強(qiáng)；反之，，則認(rèn)為點(diǎn)為點(diǎn)的弱點(diǎn)，點(diǎn)對(duì)點(diǎn)的聚核度大小基本沒有貢獻(xiàn)，對(duì)比度降低；如果點(diǎn)的聚核度中弱點(diǎn)超過一定量時(shí)，容易造成假性聚核度量，易將不同性質(zhì)的點(diǎn)歸并到同一核中，影響顯著性檢測(cè)的準(zhǔn)確性，主要是因?yàn)槿觞c(diǎn)的劃分對(duì)核度的大小造成干擾；從人的生理視覺原理上，一般認(rèn)為弱點(diǎn)在空間上都是遠(yuǎn)離聚核中心的；步驟4）中對(duì)弱點(diǎn)重新進(jìn)行約束如下：任意兩結(jié)點(diǎn)間的最短距離路徑上的點(diǎn)為，依據(jù)弱點(diǎn)從空間上一般遠(yuǎn)離聚核中心，色差偏大，弱點(diǎn)需要滿足如下條件：(公式2)反之，為強(qiáng)點(diǎn)信息；參數(shù)為最短路徑上具有的結(jié)點(diǎn)數(shù)，間接地表示與核中心的距離；i為自然數(shù)，1<i<n；表示在cie-lab顏色空間中，結(jié)點(diǎn)到邊界點(diǎn)最短路徑的均值，通過公式3計(jì)算：(公式3)新的聚核度計(jì)算為：(公式4)點(diǎn)為滿足條件的強(qiáng)點(diǎn)集，其中為邊界顏色調(diào)節(jié)因子，根據(jù)實(shí)驗(yàn)，一般設(shè)置為[0.3，0.6]；m和l為大于1的自然數(shù)，其取值根據(jù)待處理目標(biāo)結(jié)點(diǎn)數(shù)確定。根據(jù)步驟4）的公式2可以看到，其中第一個(gè)條件從空間上指明弱點(diǎn)必是遠(yuǎn)離聚核中心區(qū)間的，第二個(gè)條件說明弱點(diǎn)在顏色空間上與中心區(qū)間的差異度。5）目標(biāo)顯著性為：(公式5)其中為滿足條件的屬于點(diǎn)聚核的強(qiáng)點(diǎn)信息；，其中表示任意兩點(diǎn)間的中心距離；從公式5可以看出，核度大的點(diǎn)其顯著性值隨之增大，反之減小，從而加強(qiáng)顯著性區(qū)域的檢測(cè)。本發(fā)明的優(yōu)點(diǎn)：本發(fā)明利用有效聚核的目標(biāo)顯著性檢測(cè)方法，首先首先將通過slic方法將圖像分割成若干有結(jié)構(gòu)同質(zhì)的塊，依據(jù)塊的有效聚核度來確定塊的空間布局，確保屬于同一聚核中塊的同質(zhì)性，剔除聚核中弱點(diǎn)信息，從而建立清晰歸一化的目標(biāo)顯著圖，具有較好的穩(wěn)定性和高效性，完全適合實(shí)時(shí)性的檢測(cè)要求。附圖說明以下將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步說明：圖1是本發(fā)明的目標(biāo)顯著性檢測(cè)方法原理圖；圖2是本發(fā)明實(shí)施例中超像素塊劃分結(jié)果示意圖；圖3是本發(fā)明方法與其他目前流行的顯著性目標(biāo)檢測(cè)結(jié)果對(duì)比圖；圖4是本發(fā)明算法查準(zhǔn)率與基于邊界優(yōu)先的gs[]曲線比；圖5是本發(fā)明算法查準(zhǔn)率與基于邊界優(yōu)先的mr曲線比；圖6是本發(fā)明算法查準(zhǔn)率與基于快速濾波的sf[]曲線比。說明：本發(fā)明用于處理彩色目標(biāo)圖像，但是因?yàn)閷＠?，轉(zhuǎn)化為灰度圖像。具體實(shí)施方式參照附圖1，本發(fā)明顯著性檢測(cè)方法包括如下步驟：1、首先通過shi-tomasi方法檢測(cè)出包含目標(biāo)在內(nèi)的內(nèi)部區(qū)域，在該區(qū)域外部以上下、左右離最近輪廓點(diǎn)垂直距離為11.6%個(gè)像素單位的寬度設(shè)置為邊界區(qū)域，作為后續(xù)進(jìn)行背景與目標(biāo)劃分的基礎(chǔ)。2、為了提高運(yùn)算速度，同時(shí)不影響提取的精確性，通過slic將局部像素聚集成一個(gè)超像素塊，超像素塊可以保留局部結(jié)構(gòu)以及邊緣信息的同時(shí)，減少了不必要的細(xì)節(jié)信息；后續(xù)特征線索的提取就以超像素塊為基本單位實(shí)施；本實(shí)施例中超像素劃分結(jié)果如圖2所示；3、以步驟2劃分出的n個(gè)超像素為結(jié)點(diǎn)，構(gòu)造無向帶權(quán)圖。4、計(jì)算點(diǎn)的聚核度；5、計(jì)算目標(biāo)顯著性。為驗(yàn)證算法的有效性，本發(fā)明在應(yīng)用最廣泛的基準(zhǔn)數(shù)據(jù)集asd[12]上進(jìn)行了實(shí)驗(yàn)，與當(dāng)前典型的顯著性檢測(cè)算法進(jìn)行了比較，這些算法包含基于快速濾波的sf[]，基于邊界優(yōu)先的mr和gs[],其中mr使用全局優(yōu)化的策略，是目前最好的算法，以及直接集成低級(jí)階段的線索,在顏色空間使用dog帶通濾波的ig[15]算法。各個(gè)顯著性檢測(cè)算法結(jié)果如圖3所示。為客觀評(píng)價(jià)算法的有效性，通過標(biāo)準(zhǔn)的查準(zhǔn)率和召回率（prcurves）來定量分析。其中查準(zhǔn)率表示像素被正確標(biāo)注為顯著性像素的比率,而召回率表示像素被標(biāo)注為顯著性像素與實(shí)際顯著性像素的比率。在實(shí)際處理中，將圖像歸一化到[0,255],通過逐步調(diào)整閾值，得到pr曲線，如圖4～圖6所示，從圖中可以看出，相比較其他典型的顯著性檢測(cè)算法，在相同的召回率下，算法的查準(zhǔn)率高于其他算法。在一些實(shí)際應(yīng)用如圖像分割裁剪中，更多的關(guān)注顯著性結(jié)果對(duì)真實(shí)圖像的逼近程度，而不像pr曲線只局限在只考慮顯著性目標(biāo)高于背景區(qū)域，為此，可以通過平均絕對(duì)誤差（mae）來進(jìn)行評(píng)估，如表一給出了典型算法的mae，從中可以看出，mae在整體上低于其他算法，說明基于聚核的顯著性檢測(cè)算法是卓有成效的。表1各類算法的mae算法mrgssfansdmae0.084770.094280.118680.07501通過上述實(shí)施例分析，本發(fā)明有效聚核的顯著性檢測(cè)算法通過判斷圖像與邊界在顏色空間的連通性和絕對(duì)空間距離，來確定區(qū)域的有效聚核,從而提高圖像顯著性檢測(cè)，這主要通過有效剔除聚核中的弱點(diǎn)信息，避免將背景區(qū)域與目標(biāo)區(qū)域歸為同質(zhì)聚核中，提高了圖像顯著的檢測(cè)。同時(shí)對(duì)純背景檢測(cè)結(jié)果宜有效的，與當(dāng)前典型算法相比，從pr和wae兩項(xiàng)指標(biāo)中，性能均有所提高。在充分考慮圖像區(qū)域的空間布局情況，通過有效直觀的方式直接合成低級(jí)階段線索，對(duì)在復(fù)雜背景下，不受目標(biāo)圖像居于圖像中心或輕觸邊界區(qū)域等條件所限制，都能對(duì)圖像中感興趣的目標(biāo)區(qū)域進(jìn)行精確提取，具有更好的健壯性；同時(shí)，對(duì)于純背景的圖像易能進(jìn)行有效檢測(cè)。當(dāng)前第1頁12