[发明专利]一种基于边缘特征引导的显著性目标检测方法

说明书

本申请实施例涉及显著性目标检测技术领域，特别涉及一种基于边缘特征引导的显著性目标检测方法，包括：从显著对象真值图中提取显著对象的边缘数据，并将边缘数据作为额外的预备训练集；采用基础网络提取图像特征，并基于图像特征，分别得到显著性对象的边缘特征、多尺度的位置特征；基于多层感知机，对边缘特征与多尺度的位置特征的关系动态学习，得到边缘增强融合特征；将边缘增强融合特征送入卷积网络进行细化处理，并基于细化后的边缘增强融合特征，得到最终分割结果。本申请提供的方法，通过有效利用显著对象边缘信息和位置信息，克服现有显著性目标检测方法对于边缘信息的利用不充分且对边缘位置特征和全局特征间的联系欠缺考虑的缺陷。

技术领域

本申请实施例涉及显著性目标检测技术领域，特别涉及一种基于边缘特征引导的显著性目标检测方法。

背景技术

在深度学习中，显著性目标检测(SOD)旨在从输入图像上找出最引人注目的对象，是计算机视觉任务中重要的预处理步骤之一。其研究范围涵盖图像、三维数据、光场、视频等诸多方面，相关的技术也在信息检索、目标跟踪、图像编辑等领域有着广泛应用。近几年，得益于相关技术的快速发展，特别是结合深度学习的语义分割技术的大幅度进步，显著性目标检测领域的研究目标和问题也进一步细化和深入。在针对静态图像的显著性目标检测领域中，其研究目标就逐渐从单目标的检测任务转变为包括多目标、伪装目标等问题在内的复杂任务。

与绝大多数计算机视觉领域的课题一致，显著性目标检测经历了由传统方法向深度学习方法转变的过程，目前深度学习方法牢牢占据着准确率排行榜前列的位置。两类方法的主要区别在于传统方法需要人工设计特征，而深度学习方法可利用卷积神经网络自动提取特征。在传统方法中，显著性目标特征一般根据图像的特点来设计，之后再与一些机器学习方法相结合。在深度学习方法中，借助卷积神经网络，显著对象的位置和边界等信息能够转换为表达能力更强的特征，因此研究重心转向如何找到并利用图像中与显著对象相关的信息部分。

现有的显著性目标检测方法后，有一些问题尚未解决。首先，对于边界信息的利用并不充分。大部分方法并没有显式地利用显著对象边缘这一有利的信息，这使得方法不能很好地预测到完整的对象轮廓。特别是在某些显著对象边界邻域对比度较低的情况下，由于周围像素比较接近，导致卷积后得到的特征在边缘附近的像素极为相似，在后续处理过程中很难区分出显著对象的边界，这也是预测结果出现边界模糊甚至是不能预测出边缘的直接原因。第二，现有的显著性目标检测方法对输入图像的尺寸十分敏感，不同尺寸下的同一图像得到的预测结果并不一致。第三，对边缘位置特征和全局特征间的联系欠缺考虑。目前常用的处理方法往往是对全局特征和边缘位置特征使用独立的分支处理，之后简单地进行融合，不考虑两种特征之前的区别和联系，这使得融合过程中会引入噪声。

发明内容

本申请实施例提供一种基于边缘特征引导的显著性目标检测方法，通过有效利用显著对象边缘信息和位置信息，并考虑其与全局信息的关系，以克服现有显著性目标检测方法对于边缘信息的利用不充分且对边缘位置特征和全局特征间的联系欠缺考虑的缺陷。

为解决上述技术问题，本申请实施例提供一种基于边缘特征引导的显著性目标检测方法，包括以下步骤：首先，从显著对象真值图中提取显著对象的边缘数据，并将所述边缘数据作为额外的预备训练集；然后，采用基础网络提取图像特征，并基于所述图像特征，分别得到显著性对象的边缘特征、多尺度的位置特征；接下来，基于多层感知机，对所述边缘特征与所述多尺度的位置特征的关系动态学习，得到边缘增强融合特征；最后，将所述边缘增强融合特征送入卷积网络进行细化处理，并基于细化后的边缘增强融合特征，得到最终分割结果。