[發(fā)明專利]基于顯著中心先驗(yàn)的RGB-D圖像顯著目標(biāo)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710241323.3
• 申請(qǐng)日: 2017-04-13
• 公開（公告）號(hào): CN106997478B
• 公開（公告）日: 2020-04-03
• 發(fā)明（設(shè)計(jì)）人: 劉政怡;石松;黃子超;郭星;李煒
• 申請(qǐng)（專利權(quán)）人: 安徽大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/46
• 代理公司: 合肥興東知識(shí)產(chǎn)權(quán)代理有限公司 34148
• 代理人: 胡東升

本發(fā)明公開了一種基于顯著中心先驗(yàn)的RGB?D圖像顯著目標(biāo)檢測(cè)方法，包括基于深度圖的顯著中心先驗(yàn)和基于RGB圖的顯著中心先驗(yàn)，基于深度圖的顯著中心先驗(yàn)：計(jì)算RGB圖中其他超像素與深度圖顯著目標(biāo)中心超像素的深度特征歐式距離，以此作為顯著權(quán)重加強(qiáng)RGB圖的顯著檢測(cè)結(jié)果，從而使得深度特征有效指導(dǎo)RGB圖顯著檢測(cè)，提升RGB圖顯著檢測(cè)結(jié)果；基于RGB圖的顯著中心先驗(yàn)：計(jì)算深度圖中其他超像素與RGB圖顯著目標(biāo)中心超像素的CIELab顏色特征歐式距離，以此作為顯著權(quán)重加強(qiáng)深度圖的顯著檢測(cè)結(jié)果，從而使得RGB特征有效指導(dǎo)深度圖顯著檢測(cè)，提升深度圖顯著檢測(cè)結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)圖像處理技術(shù)領(lǐng)域，特別是涉及一種基于顯著中心先驗(yàn)的RGB-D圖像顯著目標(biāo)檢測(cè)方法。

背景技術(shù)

如今，我們的世界充滿著大量的信息，各種信息以不同的載體出現(xiàn)在我們的身邊，有聲音、文字、圖像、視頻等等。盡管外界信息如此多樣化，人類依然可以依靠視覺感知系統(tǒng)去感知約80％的信息，并且能夠在較短的時(shí)間內(nèi)對(duì)如此繁雜的信息做出識(shí)別和響應(yīng)。而這一切都是因?yàn)槿祟愐曈X機(jī)制會(huì)選擇性地過濾非注意事件，而優(yōu)先對(duì)注意事件保持較高的準(zhǔn)確率和響應(yīng)速度。啟發(fā)于人類的視覺注意機(jī)制，計(jì)算機(jī)視覺領(lǐng)域誕生了圖像顯著目標(biāo)檢測(cè)技術(shù)。顯著目標(biāo)檢測(cè)目的是識(shí)別出圖像場(chǎng)景中最容易引起人類注意力的目標(biāo)，主要應(yīng)用在圖像分割、圖像壓縮、圖像檢索、目標(biāo)檢測(cè)和識(shí)別等領(lǐng)域。計(jì)算機(jī)在進(jìn)行相關(guān)圖像處理操作前可以采用顯著檢測(cè)技術(shù)過濾掉無(wú)關(guān)信息，從而大大減小圖像處理的工作量，提升效率。

盡管顯著目標(biāo)檢測(cè)已經(jīng)被廣泛地研究了數(shù)十年，但是許多先前的工作都是集中在2D圖像的顯著檢測(cè)上。近來(lái)，越來(lái)越多的顯著目標(biāo)檢測(cè)研究工作開始融合多模態(tài)的圖像數(shù)據(jù)以提高顯著檢測(cè)的性能，其中對(duì)RGB-D圖像的顯著目標(biāo)檢測(cè)開始吸引越來(lái)越多的注意力，這不僅僅是因?yàn)橹T如Microsoft Kinect和Velodyne Lidars等測(cè)距傳感器的出現(xiàn)，同時(shí)也是因?yàn)镽GB-D圖像的顯著檢測(cè)在航海和機(jī)器人操作中也變得越來(lái)越重要。

現(xiàn)有的顯著目標(biāo)檢測(cè)方法包括基于對(duì)比度的方法、背景先驗(yàn)、中心先驗(yàn)。

(1)基于對(duì)比度的方法又分為全局對(duì)比和局部對(duì)比兩種方法。全局對(duì)比的思想主要通過計(jì)算當(dāng)前超像素或像素與圖像中其他超像素或像素的顏色、紋理、深度等特征差異來(lái)確定顯著值；局部對(duì)比的思想主要通過計(jì)算當(dāng)前超像素或像素與圖像中相鄰超像素或像素的顏色、紋理、深度等特征差異來(lái)確定顯著值。比如2014年P(guān)eng等人《RGBD SalientObject Detection:A Benchmark and Algorithms》采用三層顯著檢測(cè)框架，通過全局對(duì)比方法，融合顏色、深度、位置等特征信息進(jìn)行顯著計(jì)算。

(2)顯著檢測(cè)模型采用背景先驗(yàn)知識(shí)進(jìn)行顯著性計(jì)算，比如2013年Yang等人《Saliency Detection via Graph-Based Manifold Ranking》假設(shè)RGB彩色圖像的四條邊為背景，應(yīng)用Manifold Ranking(流形排序算法)排序所有超像素節(jié)點(diǎn)的相關(guān)性完成顯著性計(jì)算。

(3)采用中心先驗(yàn)進(jìn)行顯著性計(jì)算，比如2015年Cheng等人《Global ContrastBased Salient Region Detection》假設(shè)圖像的中心超像素為顯著目標(biāo)超像素，通過計(jì)算其他超像素與該中心超像素的顏色和空間差異值來(lái)進(jìn)行顯著性計(jì)算。

上述方法中，在進(jìn)行顯著性計(jì)算時(shí)有的沒有提取深度特征，而不能適用于RGB-D圖像的顯著檢測(cè)，比如Yang等人的背景先驗(yàn)方法；有的只是單獨(dú)地對(duì)深度特征和顏色特征分別處理，再做簡(jiǎn)單的融合，而不能使得深度特征和RGB特征間相互指導(dǎo)，相互提升顯著檢測(cè)效果，比如Peng等人的方法；有的是主觀性地將圖像的中心作為顯著目標(biāo)，這并不能適用于顯著目標(biāo)偏移圖像中心的情形，比如Cheng等人的方法。

因此亟需提供一種新型的RGB-D顯著目標(biāo)檢測(cè)方法來(lái)解決上述問題。

發(fā)明內(nèi)容