[发明专利]一种基于超大感受野特征优化的显著性目标检测方法

说明书

本发明属于计算机视觉领域，提供了一种基于超大感受野特征优化的显著性目标检测方法，包括以下步骤：1)将ResNet‑50作为主干框架对RGB图像提取多尺度特征信息然后进行编码；2)利用超大感受野特征机制优化多尺度特征生成高质量特征；3)利用隐形关系特征融合机制将优化后的特征进行互补性融合，然后生成最终显著性图。与现有的技术相比，本发明基于超大感受野特征优化的显著性检测方法利用超大感受野优化多尺度特征并进行隐形关系特征融合，多尺度特征逐层优化生成高性能显著性图。

技术领域：

本发明涉及图像处理领域，具体来说，涉及了一种基于超大感受野特征优化的显著性目标检测方法。

背景技术：

本部分的陈述仅仅是涉及到了与本发明相关的背景技术，并不必然构成现有技术。

随着互联网技术、多媒体技术以及数码产品的快速普及，数字图像已经成为人们从外界获取信息的重要载体。而这就意味着，高效快速地处理大量的数字图像数据成了一个至关重要的问题。计算机同时处理数字图像中的所有细节信息是非常低效的。如果将有限的计算机资源分配给图像中的显著性目标区域，那么将大大提高计算机处理数字图像的效率。因此，显著性目标检测准确定位显著性目标并完整地将其从背景中分割出来的研究成为计算机视觉领域一个非常重要的研究方向。这个研究内容在图像分割、视觉追踪、场景分类、图像和视频压缩、目标识别等多个视觉领域研究都具有重要的意义。

当下的显著性目标检测算法主要分为两类，一类是基于视觉刺激驱动的传统显著性目标检测，主要是利用支持向量机、贝叶斯网络等传统学习方法。另一类是基于数据驱动的深度学习显著性目标检测，主要是利用卷积神经网络、全卷积神经网络、循环神经网络等神经网络方法。基于视觉刺激驱动的传统显著性目标检测方法主要是利用一些低级的视觉先验信息(如颜色、纹理、对比度等)进行显著性目标检测。虽然，传统的显著性检测方法利用低级视觉先验信息可以初步定位出显著性目标，然而当背景环境复杂时传统的显著性目标检测方法效果较差，很难准确定位显著性目标并完整地将其从背景中分割出来。随着，硬件的不断发展，基于数据驱动的深度学习方法开始广泛流行，基于深度学习的显著性目标检测方法也开始了高速发展。与传统的显著性目标检测方法相比，基于深度学习的显著目标检测方法可以利用深层次神经网络提取高级语义信息，而高级语义信息对于准确地定位显著性目标至关重要。

虽然，基于深度学习的显著性目标检测方法，相较于传统的显著性目标检测有了很大的提升。然而显著性目标在不同的场景下尺度复杂多变且类别不固定，使得很难准确地定位显著性目标并完整地从背景中分割出来。研究发现高层次语义特征，对于高效地定位显著性目标并完整地从背景中分割出来至关重要。当下的很多方法通过增加感受野的方法来进一步提取高层次语义特征。然而，利用卷积层的堆叠、较大的卷积核或直接使用空洞卷积增大感受野的方式进一步提取语义特征的操作效果并不佳。

发明内容：

为了解决上述问题，本发明提出了一种基于超大感受野特征优化的显著性目标检测方法，设计混合式增大感受野特征优化机制，通过并行不同尺度的卷积核，与不用填充率的空洞卷积操作，进一步提取主干ResNet-50框架生成特征的高层次语义信息，然后进行融合使得可以高效准确定位显著性目标；其次设计隐形关系特征融合机制，对于上一步中优化的特征进行基于隐形关系逐层次融合对于不同尺度的特征进行互补性融合，生成最终显著性图。使得网络可以从复杂背景中准确地定位显著性目标并完整地将其分割出来。

本发明的技术方案是提供了一种基于超大感受野特征优化的显著性目标检测方法，该方法包括以下步骤：

1.一种基于超大感受野特征优化的显著性目标检测方法，其特征在于，该方法包括一下步骤：

(1)将ResNet-50作为主干框架对RGB图像提取多尺度特征信息然后进行编码；

(2)利用超大感受野机制优化多尺度特征生成高质量特征；

(3)利用隐形关系特征融合机制将优化后的特征进行互补性融合，然后生成最终显著性图。