[发明专利]一种基于区域融合的显著性人体区域检测方法

说明书

本发明提供了基于区域融合的显著性人体区域检测方法，以超像素区域单元为节点，根据融合准则Ψ依次执行邻接融合与全局融合，依次构建出邻接融合图及全局融合图结合超像素区域单元间的颜色对比度、空间距离权重及背景概率权重分别在初始融合图邻接融合图及全局融合图上计算超像素区域单元的显著值；通过元胞自动机的置信遗传机制对三幅初始显著图进行更新并累加求和运算，获得集成显著图S。在发明中，基于初始融合图、邻接融合图及全局融合图，有利于展现输入图像中的层次信息；同时，依据背景概率值设定置信度矩阵，有利于元胞自动机的优化性能，并最终获得包含显著性人体区域的集成显著图S。

技术领域

本发明属于计算机图像处理领域，特别涉及一种基于区域融合的显著性人体区域检测方法。

背景技术

视觉显著性可直观地理解为视觉场景中语义元素所能引起视觉注意的能力，这种能力依赖于目标元素所拥有的显著属性，诸如特殊性及稀有性等。在对图像场景信息进行处理时，可以通过显著性区域检测获取优先处理对象，以便于合理分配计算资源，降低计算量节约成本消耗。因此，检测图像显著性区域具有较高的应用价值。

自Itti等先驱提出采用中心-周围差异框架进行显著性检测以来，越来越多的研究者开始关注显著检测研究邻域，大量自底向上基于底层数据的具有很好效果的显著性检测算法被提出。Chen等提出的基于区域对比度的显著检测算法，在区域水平上计算颜色对比度，并通过空间距离加权，然后将区域与其他区域加权颜色对比度进行累加求和，再用此定义区域显著性。Chen等在探索基于对比度的显著性检测算法方面取得了不错的成绩，此区域对比度算法已被广泛采用。

除利用对比度先验进行显著性区域检测之外，边界先验知识也广泛应用于显著性检测，该先验知识假定图像边界为背景区域。Wei等依据各区域到图像边界的最短测地线距离定义显著性，Yang等基于图论知识借助于流形排序方法，依据各超像素区域与图像四周边界上超像素区域的相关性程度高低来定义各区域显著性取值大小。Zhu等结合区域空间布局及边界先验知识提出了一种更具鲁棒性的背景检测方法，即边界连通性，该方法在背景检测方面具有优良效果。

目前，通常利用行人的人体边缘、纹理特征建立模板并综合运用神经网络、支持向量机、级联检测器等机器学习方法。但是，现有技术中对行人轮廓进行检测的过程中对非行人的运动目标轮廓进行检测时容易发生误检。例如，将动物通过监控区域时将该动物错误地认定为行人。因此传统的人体区域检测方法仍然不够理想；同时，传统的检测方法中无法获得显著性人体区域效果图。

有鉴于此，有必要对现有技术中的对监控区域中的人体区域的检测方法予以改进，以解决上述问题。

发明内容

本发明的目的在于公开一种基于区域融合的显著性人体区域检测方法，用以提高对人体区域的检测精度，并能够产生视觉良好的人体区域显著图。

为实现上述目的，本发明提供了一种基于区域融合的显著性人体区域检测方法，包括以下步骤：

S1、获取监控区域的视频流图像作为输入图像；

S2、预分割输入图像以形成若干超像素区域单元，将各超像素区域单元内所有像素的颜色用所对应的各超像素区域单元内所有像素的颜色向量的平均值来表示，以获得初始融合图

S3、以超像素区域单元为节点，根据融合准则Ψ依次执行邻接融合与全局融合，并依次在邻接融合与全局融合过程中将各超像素区域单元内所有像素的颜色用所对应的各超像素区域单元内所有像素的颜色向量的平均值来表示，将相似的超像素区域单元依次融合形成新的超像素区域单元，以依次构建出邻接融合图及全局融合图

S4、结合超像素区域单元间的颜色对比度、空间距离权重及背景概率权重分别在初始融合图邻接融合图及全局融合图上计算超像素区域单元的显著值，以获得三幅初始显著图；

S5、通过元胞自动机的置信遗传机制对三幅初始显著图进行更新，得到三幅优化显著图；