[发明专利]一种基于卷积神经网络的显著性融合检测方法

说明书

本发明涉及一种基于卷积神经网络的显著性融合检测算法，包括下列步骤：选取一些已有的显著性检测算法，将其作为候选的融合方法利用度量公式进行初步选择；度量公式所选出的方法，首先将其中两两方法组成一组，使用加权求和的方法得到融合后的显著图，并且测量F‑measure值，如果此次融合后的F‑measure值要比被融合的两个显著图的F‑measure值高，则加入第三个方法的显著图并判断融合后的显著图的F‑measure值是否高于上一次融合后的显著图的F‑measure值，并以此方法继续加入其它方法的显著图，直到F‑measure值不再增加为止；准备数据；训练显著性检测深度卷积网络。

技术领域

本发明属于计算机图像处理领域，涉及一种图像视觉显著性检测技术，特别是涉及一种基于卷积神经网络的显著性融合检测方法。

背景技术

图像显著性检测是计算机视觉领域的一个研究热点，其目标是从图像或者是视频中检测出显著的物体。显著性检测被广泛应用于图像分割，图像识别与检测，图像压缩等领域。

考虑到是否使用了深度学习策略，现有的显著性检测方法可以分为传统的基于手动提取特征的方法和基于深度学习的方法。传统的显著性方法根据手动提取的特征和基于优化的算法来生成显著图，比如说MR[10]基于流形排序算法来查询排列图像元素比如说像素或区域前景背景信息，wCtr[12]使用边界连通性来测量背景先验信息以得到更清楚均匀的显著图，其对于具有简单背景的图像可以达到好的显著效果，但是对于拥有复杂背景的图像，传统的方法往往会遗漏部分显著对象或者不能很好抑制背景。而其他的基于深度学习的算法利用神经网络提取高维语义信息，如RFCN[13]使用了循环全卷积网络，这些基于深度学习的算法可以捕捉到显著性物体但是会忽略显著对象在某些场景下的细节。

发明内容

本发明提出一种基于卷积神经网络的显著性融合检测算法，以期望在简单场景和复杂场景中获得更完整准确的显著性检测图。本发明结合传统显著性方法和基于深度学习的显著性方法的优点，从而提高显著性检测的性能。为此，本发明采用如下技术方案：

一种基于卷积神经网络的显著性融合检测算法，包括下列步骤：

步骤1：显著性检测算法的选择

(1)首先选取一些已有的显著性检测算法，将其作为候选的融合方法，对于这已有的显著性检测算法，设定阈值为5，采用下列度量公式进行初步选择：

V＝g(t)+γF,

其中，t是运行时间，F是已有的显著性检测算法获得的显著图的F-measure评估值，λ＝4，δ＝2,γ＝5是选定的参数；将V值低于阈值的显著性检测算法从候选名单中剔除。

(2)对于(1)中度量公式所选出的方法，首先将其中两两方法组成一组，使用加权求和的方法得到融合后的显著图，并且测量F-measure值，如果此次融合后的F-measure值要比被融合的两个显著图的F-measure值高，则加入第三个方法的显著图并判断融合后的显著图的F-measure值是否高于上一次融合后的显著图的F-measure值，并以此方法继续加入其它方法的显著图，直到F-measure值不再增加为止；经过步骤1中(1)和(2)，选出有利于网络训练的两种显著性检测算法。

步骤2：数据准备

选定网络训练所需的数据集，并用步骤1选定的两种显著性检测算法生成显著图，将RGB图像和显著图做为训练集，并且用裁剪和水平翻转方式对训练集进行数据增强；

步骤3：训练显著性检测深度卷积网络