[发明专利]一种基于前景先验和背景先验的显著性物体检测方法

说明书

技术领域

本发明涉及计算机视觉与数字图像处理领域，具体涉及一种基于前景先验和背景先验的显著性物体检测方法。

背景技术

视觉显著性理论认为：人类视觉系统只详细处理图像的某些局部，而对图像的其余部分几乎视而不见。这种被视觉系统详细处理的局部区域通常被称为显著性区域。静态图像中，能够引起人类视觉注意的信号刺激主要包括：新异刺激、较强刺激和人所期待的刺激。据此，视觉注意机制一般分为两个阶段：

(1)快速的、下意识的、自底向上的、数据驱动的显著性提取；

(2)慢速的、任务相关的、自顶向下的、目标驱动的显著性提取。

根据这两个阶段，显著性检测的主要方法大体可以分为两类。第一类方法，采用“自底向上”思想，即利用局部中心邻域结构，衡量图像区域的显著性。第二类方法，采用“自顶向下”思想，即利用图像的统计特性的先验知识以及任务需求，实现显著性的建模。显著性检测的结果被称为“显著性图”，图上亮度越大的区域意味着越容易吸引人的注意。本发明属于“自底向上”的显著性检测方法。

近些年来，国内外很多知名学者在这方面做了大量的有益成果，其中的方法主要有：Itti等人于1998年提出一种基于生物启发模型和特征整合理论的视觉显著性计算方法。该方法首先利用线性滤波器分解图像，以获取颜色、亮度、方向等特征图。然后在每个特征图内部，不同位置按照赢者通吃的准则进行显著性的竞争，最后按照一种纯粹自下而上的方式组合成一个主显著性图。Ma等人于2003年提出了一种基于图像局部对比度分析的方法，来产生显著性图。进而通过模拟人类的感知方式，采用模糊增长的策略从显著性图中提取感兴趣的物体区域。Harel等人于2007年提出了一种基于图结构的视觉显著性检测方法。该方法首先为每个图像位置提取特征向量，然后利用这些特征向量构建动标图，最后对这些动标图进行归一化以突出和其它动标图相兼容的显著性组合。Achanta等人于2009年提出了一种基于频率调整的算法来获取多个尺度的显著性区域检测结果。Bruce等人提出了一种基于信息论的方法，对显著性、视觉注意、和视觉搜索过程进行建模。Murray等人于2011年利用滤波器卷积、中心邻域机制和空间合并的方法获取图像的显著性区域。Perazzi等人于2012年提出将显著性检测视为图像特征上的高维高斯滤波操作。

专利方面，申请号为CN201110335538.4的中国发明专利申请通过对待检测图像进行多次小波变换，再采用中心—周边直方图算法获得精确的显著性值；申请号为CN201210425652.0的中国发明专利提出一种基于尺度选择的自顶向下的视觉显著性提取方法，包括两个阶段，训练阶段学习得到非线性模型，并找到多尺度合并中的最佳的尺度；申请号为CN201310044869.1的中国发明专利申请利用颜色对比和颜色分布，综合这两种特征使得检测结果比较均匀，保持物体的边缘细节，并且能够较强的抑制背景干扰。

本发明公开的方法不同于上述所有方法，以往的大多数方法的关注点都在何为显著性物体，而本发明不单单从显著性物体出发，同时也从背景的角度出发，利用由各自具有的普遍特点所形成的先验知识，结合两个角度各自检测结果的优点，最终将显著性物体凸显出来，与以上的方法检测结果相比，不仅可以更加均匀完整地突出显著性物体，而且可以更好地抑制背景。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于前景先验和背景先验的显著性物体检测方法，该方法能有效突出图像中的显著性物体，同时抑制背景，有利于后续诸如图像检索、目标跟踪等处理。

从显著性物体出发，本发明基于两个先验，即对比先验和中心先验。从大量图像的统计观察可知，显著性物体普遍与周围的背景有强烈的对比差异，在本发明中称之为对比先验；其次，显著性物体一般会靠近图像的中心，这既是大量观察得到的普遍结果，也符合一般摄影的习惯，在本发明中称之为中心先验，然而显著性物体不靠近图像中心也不是一个很罕见的情况，为此本发明旨在寻求一个更可靠的中心(即显著性物体的中心)而非图像的中心。从背景出发，本发明基于一个先验，称之为边界先验。所谓边界先验是指在一幅图像中，靠近边界的部分一般来说都是背景，这也是根据大量观察和摄影原则得到的，具有比较普遍的适用性，但是本发明也同时考虑到了少数边界不仅有背景，也有显著性物体切到的情况，因此本发明利用边界先验但并不局限于该先验。