[发明专利]显著物体区域检测方法及系统

说明书

本发明涉及一种显著物体区域检测方法及系统，所述检测方法包括：通过采用多层卷积网络从待检测图像中进行特征抽取，获得多层级特征图；对多层级特征图进行显著值非线性回归处理，得到初级显著图；对所述初级显著图进行三次双线性插值处理，获得与所述待检测图像匹配的终极显著图。本发明通过采用多层卷积网络进行特征图抽取获得多层级特征图，进而进行显著值非线性回归处理得到初级显著图，通过三次双线性插值处理得到所述待检测图像匹配的终极显著图，从而实现端到端的特征抽取，可提高抽取图像显著物体区域的效率。

技术领域

本发明涉及图像处理技术领域，特别涉及一种显著物体区域检测方法及系统。

背景技术

在无人车、无人作战侦察设备、机器人等的实际应用过程中，往往要求其计算机系统能够对瞬息变化的场景做出快速响应。这就要求它们的计算机系统具有高效的视觉感知能力。人类视觉系统具有注意功能，使其具有高效的视觉感知能力。依此，研究者提出了启发于人类视觉注意机制的显著性检测模型，其作为为视觉任务的前处理过程，被广泛应用于计算机视觉、图像处理和机器人等领域的高层次复杂视觉处理任务，如物体检测与识别、视觉目标跟踪、高光谱图像分类、图像压缩、机器人感知等。

而近年来，很多基于深度网络的显著物体区域检测方法被不断地提出，它们获得了很好的检测效果。现有的方法为了获得满意的检测结果一般包含复杂的前处理和后处理过程。如，利用超像素分割或者候选目标提取等方法进行区域提取的过程，比较耗时，所产生的区域有可能欠分割或者过分割。同时，这些区域提取过程的引入导致检测过程复杂，难于实现端对端的显著性检测。同时，这类模型为了获得精确的显著图，往往包含多层级的递归网络结构，导致网络结构非常复杂，网络模型较大，对处理机器的存储资源有较高的要求，而且由于模型参数较大，使得训练和测试时间较长，所需训练标注样本数量巨大。

发明内容

为了解决现有技术中的上述问题，即为了提高抽取图像显著物体区域的效率，本发明提供一种显著物体区域检测方法及系统。

为解决上述技术问题，本发明提供了如下方案：

一种显著物体区域检测方法，所述检测方法包括：

通过采用多层卷积网络从待检测图像中进行特征抽取，获得多层级特征图；

对多层级特征图进行显著值非线性回归处理，得到初级显著图；

对所述初级显著图进行三次双线性插值处理，获得与所述待检测图像匹配的终极显著图。

可选地，所述多层卷积网络为视觉几何组VGG-16或者残差网络RES-101。

可选地，所述对多层级特征图进行显著值非线性回归处理，得到初级显著图，具体包括：

利用三层级联的全卷积层，对多层级特征图进行从特征图到像素级的显著值非线性回归处理，获得初级显著图。

可选地，所述三层级联的各全卷积层之间连接有修正线性单元及丢弃层。

可选地，根据以下公式得到初级显著图：