[发明专利]一种目标显著性检测的方法

说明书

技术领域

本发明一种目标显著性检测的方法主要涉及视频目标定位识别、 blob分析、图像修剪和分割领域，是一种通过有效聚核进行目标显著性检测的方法。

背景技术

图像显著性，是人类视觉系统选择和当前任务有关联的特定感兴趣区域作为处理对象，而忽略其它无关信息比如背景边界等信息。也就是自动判别有效目标的所在范围，从而缩小后续图像处理的数据量，并尽可能的减低后续图像处理由于背景噪音带来的欺骗性干扰。无论从精度和速度上都会起到至关重要的作用。

由于显著性检测在目标识别定位、图像修剪和分割中占有重要的地位，本领域在显著性目标检测方面取得了一些发展，目前研究主要集中在目标物体和其所在区域的对比度上，处理方法主要包括以下两类：

1、利用图像颜色、位置、梯度和边缘等特征差异信息来计算对比度，但这类方法由于缺乏高级阶段的信息，主要依赖于对目标和背景特征的先验信息，即使同一应用领域下的目标检测都是不确定的；

2、侧重于背景以及边界优先的特点，这类方法主要存在两个问题，一是简单地把图像边缘当做背景信息，当目标物体局部接触边界时，这类方法是不确定，可能完全失效不能检测出显著性；其二是背景边界优先的检测方法是盲目引导式的，没有统一的方法集成显著性检测线索。

发明内容

本发明的目的是针对上述不足之处提供一种目标显著性检测的方法，依据基本的图像构图原理，将图像划分为背景、目标和边界区域；首先通过Shi-Tomasi角点检测算法将图像划分为包含目标在内的凸多边形内部区域和外部区域，然后在外部区域中以一定值在图像四个外围区域划分为边界区域。以人的生理视觉机制，背景区域特性与边界区域同质的特点，通过区域对边界的连接度来表示这一特征，从而检测出显著性目标区域。

本发明是采取以下技术方案实现的：

一种目标显著性检测的方法包括如下步骤，

1）通过Shi-Tomasi方法检测出包含目标在内的内部区域，在该区域外部以上下、左右离最近轮廓点垂直距离为11.6%个像素单位的宽度设置为边界区域，作为后续进行背景与目标划分的基础；

2）通过SLIC（图像超像素分割方法）将局部像素聚集成一个超像素块，使超像素块保留局部结构以及边缘信息的同时，减少了不必要的细节信息；后续特征线索的提取就以所述超像素块为基本单位实施；所述超像素划分结果如图2所示；

3）以步骤2）划分出的N个超像素块为结点，构造无向带权图；N>1；

权值为两点（任意结点）间在CIE-Lab颜色空间中的平均颜色距离；

权值为两点（任意结点）间在欧式空间中的中心距离；

4）计算点的聚核度A(p)为：

(公式1)

其中为两点间在CIE-Lab颜色空间上的最短距离，参数为核度比重调节因子，一般选取，有助于算法性能稳定性；

N取值200；

算子的阈值在（0，1）区间，描述了点对的吸收度，表示同属于目标或者背景区域的强度；当，点的聚核度增加1，则认为点为点的强点，两者之间是同质的，强点与点同属于目标或背景区域，对比度加强；反之，，则认为点为点的弱点，点对点的聚核度大小基本没有贡献，对比度降低；如果点的聚核度中弱点超过一定量时，容易造成假性聚核度量，易将不同性质的点归并到同一核中，影响显著性检测的准确性，主要是因为弱点的划分对核度的大小造成干扰；从人的生理视觉原理上，一般认为弱点在空间上都是远离聚核中心的；

步骤4）中对弱点重新进行约束如下：

任意两结点间的最短距离路径上的点为，依据弱点从空间上一般远离聚核中心，色差偏大，弱点需要满足如下条件：

(公式2)

反之，为强点信息；

参数为最短路径上具有的结点数，间接地表示与核中心的距离；

i为自然数，1<i<N；

表示在CIE-Lab颜色空间中，结点到边界点最短路径的均值，通过公式3计算：

(公式3)

新的聚核度计算为： (公式4)

点为满足条件的强点集，其中为边界颜色调节因子，根据实验，一般设置为[0.3，0.6]；

M和L为大于1的自然数，其取值根据待处理目标结点数确定。

根据步骤4）的公式2可以看到，其中第一个条件从空间上指明弱点必是远离聚核中心区间的，第二个条件说明弱点在颜色空间上与中心区间的差异度。

5）目标显著性为：

(公式5)