[发明专利]一种基于视差估计增强的显著物体检测方法

说明书

本发明公开了一种基于视差估计增强的显著物体检测方法。本发明包括训练阶段和测试阶段两个过程；训练阶段过程具体为：1_1：选取Q幅原始左视图和对应的原始右视图、真实视差标签图以及真实显著检测图像，并构成训练集；1_2：将训练集输入总卷积神经网络，总卷积神经网络输出每幅原始场景图像对应的八幅预测图；1_3：计算训练集中的每幅原始左视图对应的总损失函数值；1_4：重复执行1_2和1_3共V次，获得训练好的总卷积神经网络；测试阶段过程具体为：步骤2：将待检测的场景图像输入到训练好的总卷积神经网络，得到对应的显著检测性预测图。本发明完善了显著性检测图的细节信息，并且无需预处理的视差图，更利于实际场景的应用。

技术领域

本发明涉及一种基于深度学习的显著性检测方法，尤其是涉及一种基于视差估计增强的显著物体检测方法。

背景技术

显著性检测的目的是检测场景中最引人注目的物体，其已经在计算机视觉和机器人视觉领域得到了广泛的应用。彩色图像由于具备大量的场景信息，在显著性检测领域获得了大量的关注，目前最常采用的方法是单目彩色图像显著性检测，但是单目彩色图像视野信息不能够丰富，精度也较低。双目彩色图像可以获得更加丰富的事业信息，对物体的远近估计也更加清晰，使用双目彩色信息进行显著性检测，提高了图像像素级检测任务的精度。

传统的显著性检测方法的效果差，并且受到手工制作的相关特征的限制，随着卷积神经网络的兴起，显著性检测得到了极大的发展。现有的基于卷积神经网络的显著性检测方法一般都是直接进行像素级别端到端(end-to-end)的显著物体检测。目前，基于深度学习显著物体检测的方法一般直接对双目彩色信息进行简单相加操作，并没有考虑到双目信息之间的互补关系和双目所携带的重要的视差信息。这样势必会导致检测精度的降低和图像的冗余。

发明内容

为了解决背景技术中的问题和需求，本发明提供了一种基于视差估计增强的显著物体检测方法。

所采用的技术方案为：

本发明包括训练阶段和测试阶段两个过程；

所述的训练阶段过程的具体步骤为：

步骤1_1：选取Q幅原始左视图和对应的Q幅原始右视图、Q幅真实视差标签图以及Q幅真实显著检测图像，并构成训练集；

步骤1_2：将训练集输入总卷积神经网络，总卷积神经网络输出每幅原始左视图对应的三幅显著性预测图、一幅视差预测图和四幅监督预测图；总卷积神经网络包括第一阶段卷积神经网络、第二阶段卷积神经网络和第三阶段卷积神经网络；第三阶段卷积神经网络分别与第一阶段卷积神经网络和第二阶段卷积神经网络相连，训练集分别输入到第一阶段卷积神经网络、第二阶段卷积神经网络，第一阶段卷积神经网络输出一幅显著性预测图和视差预测图，第二阶段卷积神经网络输出一幅显著性预测图和四幅监督预测图，第三阶段卷积神经网络输出一幅显著性预测图；

步骤1_3：计算训练集中的每幅原始左视图对应的三幅显著检测性预测图构成的集合与对应的真实显著检测图像之间的损失函数值作为第一损失函数值，计算训练集中的每幅原始左视图对应的四幅监督预测图构成的集合与对应的真实显著检测图像之间的损失函数值作为第二损失函数值，计算训练集中的每幅原始左视图对应的一幅视差预测图与对应的真实视差标签图之间的损失函数值作为第三损失函数值；第一损失函数值、第二损失函数值和第三损失函数值组成总损失函数值；

步骤1_4：重复执行步骤1_2和步骤1_3共V次，得到Q×V个总卷积神经网络，并共得到Q×V×3个总损失函数值；然后从Q×V×3个总损失函数值中分别找出三个最小的第一损失函数值、第二损失函数值和第三损失函数值；接着，将三个最小的第一损失函数值、第二损失函数值和第三损失函数值分别对应的权值矢量和偏置项作为对应阶段卷积神经网络的最优权值矢量和最优偏置项，获得训练好的总卷积神经网络；

所述的测试阶段过程的具体步骤为：