[發明專利]多線性示例回歸器聚合的圖像顯著對象分割方法

有效

• 申請號: 201710024794.9
• 申請日: 2017-01-13
• 公開（公告）號: CN106886995B
• 公開（公告）日: 2019-09-20
• 發明（設計）人: 陳小武;夏長群;李甲;趙沁平
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/194
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 宋揚;劉芳

本發明公開了多線性示例回歸器聚合的圖像顯著對象分割方法，包括：通過構建圖像顯著基準數據集，分析總結出顯著對象以及非顯著對象的屬性與特點；使用背景先驗并構建二次優化問題計算初始顯著概率圖，根據該初始概率圖選擇最可信前景與背景種子點，隨后通過局部線性嵌入算法進行流形保持的前景度傳播，生成最終前景度概率圖；隨后，通過似物性采樣方法對圖像生成對象候選集，使用形狀、前景度以及關注度三種特征來表征每一個候選對象，并對每一張訓練圖像訓練線性示例回歸器以表征該張圖像的特定顯著方式；最后，將多個線性示例器進行聚合，對測試圖像的候選對象集計算顯著值，形成一個能處理各種復雜場景的圖像顯著對象分割模型。

技術領域

本發明涉及計算機視覺和圖像視頻處理領域，具體涉及多線性示例回歸器聚合的圖像顯著對象分割方法。

背景技術

圖像顯著對象分割是作為計算機視覺的重要基礎問題，越來越吸引當前研究者的興趣與關注。在圖像顯著對象分割過程中，最為關鍵的步驟是使用視覺屬性凸顯出顯著對象，并抑制非顯著對象等背景干擾。然而，針對復雜場景，并不確切知道是哪種視覺屬性可以使得顯著對象持續凸顯，此外，對于顯著對象與非顯著對象擁有相同視覺屬性情況，也不清楚如何將他們正確的分割與區分。因此，在研究發展顯著對象分割模型之前，十分有必要調查清楚什么是顯著對象，以及什么是非顯著對象。

在過去十年間，已經有很多研究工作在努力對顯著對象作出一個既全面又令人信服的定義。比如，Jiang等人在2013年的CVPR會議上發表論文提出顯著對象由獨特度、聚焦度以及對象度三者共同表征。在Cheng等人2013年CVPR會議上發表的工作中，顯著對象被認為是獨特的，而且具有緊湊的空間分布。在2012年Goferman等人發表在TPAMI的工作中，認為與局部或全局的周邊上下文圖像相比，顯著對象具有獨特的區分性。基于這些發現，很多研究提出了顯著對象分割模型，通過設計不同的啟發式特征，用于判別圖像區域、超像素或像素級的顯著性。通常來說，這些顯著對象分割模型在明顯具有可區分性的簡單場景都取得了不錯的性能，然而，針對復雜場景，顯著對象和非顯著對象通常有共同的視覺屬性，使得這些分割模型都很難正確的將顯著對象與非顯著對象區分開。

在當前，使用大規模圖像基準數據集，可以訓練出做夠復雜的圖像顯著對象分割模型，比如2015年He等人在IJCV上使用深度神經網絡在超像素級別上訓練顯著對象分割模型，2016年Liu等人在CVPR上提出用循環神經網絡得到層次化顯著性分割模型。這些模型可以部分滿足復雜場景下存在的問題，但是這些模型的訓練難度非常大，而且所需要的大量訓練基準圖像數據并不容易滿足。此外，由于深度神經網絡、循環神經網絡等深度學習技術的“黑箱”特性，實際上并不清楚哪部分視覺屬性在區分顯著對象與非顯著對象的過程中貢獻最大。

因此，探索顯著對象和非顯著對象各自的本質，不僅對設計表征候選對象集的視覺屬性描述有重要啟發，而且對構建能自適應各種復雜場景的圖像顯著對象分割模型具有重要指導作用。

發明內容

根據上述實際需求和關鍵問題，本發明的目的在于：構建圖像顯著基準數據集，深入分析在構建數據集過程中被保留與被丟棄的圖像，探索與總結顯著對象與非顯著對象的本質視覺屬性；為抑制有多相似對象的干擾背景，本發明提出一種基于流形保持的前景度傳播方法，生成前景度概率圖；為能自適應處理不同復雜度的場景，構建的顯著對象分割模型使得能選擇最相關的線性示例回歸器表征的顯著方式，抑制不相關的顯著方式。

為完成本發明的目的，本發明采用的技術方案是：多線性示例回歸器聚合的圖像顯著對象分割方法，該方法包括如下步驟：

步驟(1)、分析構建圖像顯著基準數據集中的顯著對象與非顯著對象，總結并定義非顯著對象和顯著對象各自的本質視覺屬性；

步驟(2)、基于超像素劃分，使用背景先驗假設條件，結合局部線性嵌入算法，指導流形保持的前景度傳播，聯合生成圖像前景度概率圖；