[發(fā)明專利]改進(jìn)背景先驗(yàn)和前景先驗(yàn)的二維碼區(qū)域檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010594561.4
• 申請(qǐng)日: 2020-06-28
• 公開（公告）號(hào): CN111815582A
• 公開（公告）日: 2020-10-23
• 發(fā)明（設(shè)計(jì)）人: 段先華;唐立婷
• 申請(qǐng)（專利權(quán)）人: 江蘇科技大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/194;G06K9/46;G06K9/62
• 代理公司: 南京正聯(lián)知識(shí)產(chǎn)權(quán)代理有限公司 32243
• 代理人: 盧霞

本發(fā)明提供改進(jìn)背景先驗(yàn)和前景先驗(yàn)的二維碼區(qū)域檢測(cè)方法，通過(guò)將輸入的原始圖像G進(jìn)行凸包檢測(cè)，并進(jìn)行超像素分割，對(duì)每種超像素尺度下的圖像分別進(jìn)行多特征提取，計(jì)算原始圖像G的背景顯著圖，計(jì)算原始圖像G的前景顯著圖，融合所得最終的背景顯著圖和最終的前景顯著圖得到弱顯著圖，根據(jù)由弱顯著圖生成的訓(xùn)練樣本，采用多核學(xué)習(xí)增強(qiáng)的方法訓(xùn)練得到強(qiáng)顯著性模型，將此模型應(yīng)用到所有測(cè)試樣本中得到強(qiáng)顯著性圖；最后加權(quán)融合強(qiáng)顯著圖和弱顯著圖，得到最終顯著圖，最終顯著圖中最為高亮的部分即為圖像中二維碼區(qū)域；該方法能夠準(zhǔn)確、一致高亮的突出顯著目標(biāo)，能夠精確的檢測(cè)圖像中的二維碼區(qū)域。本發(fā)明方法，在顯著目標(biāo)檢測(cè)的準(zhǔn)確性方面更具優(yōu)勢(shì)。

技術(shù)領(lǐng)域

本發(fā)明涉及改進(jìn)背景先驗(yàn)和前景先驗(yàn)的二維碼區(qū)域檢測(cè)方法。

背景技術(shù)

作為計(jì)算機(jī)視覺問題中降低計(jì)算復(fù)雜度的重要預(yù)處理步驟，視覺顯著性是一種有效的突出視覺重點(diǎn)機(jī)制，可以準(zhǔn)確快速的獲取圖像中最重要的區(qū)域，從而減少圖像處理時(shí)間。顯著性檢測(cè)近年來(lái)備受關(guān)注，雖然相關(guān)研究取得了重大進(jìn)展，但為顯著物體檢測(cè)開發(fā)高效的算法仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。

視覺顯著性檢測(cè)算法通常可以分為兩類：其一基于底層特征，利用數(shù)據(jù)驅(qū)動(dòng)的自下而上的方法將顯著的目標(biāo)區(qū)域與其周圍的背景區(qū)域進(jìn)行區(qū)分；其二結(jié)合高層信息，通過(guò)任務(wù)驅(qū)動(dòng)的自上而下的方法快速定位顯著性區(qū)域并反映顯著性區(qū)域的顯著程度。

例如，Zhang等提出了一種“Saliency Detection via Absorbing Markov ChainWith Learnt Transition Probability”算法，通過(guò)AMC(吸收馬爾可夫鏈)計(jì)算圖像的顯著性，算法通過(guò)構(gòu)造稀疏連通圖來(lái)獲取每個(gè)節(jié)點(diǎn)的局部上下文信息，以圖像的邊界節(jié)點(diǎn)和其他節(jié)點(diǎn)結(jié)合吸收馬爾科夫鏈法則計(jì)算出該點(diǎn)的顯著性值，為了更好的突出顯著目標(biāo)，引入角度嵌入技術(shù)重新確定顯著性結(jié)果，算法通過(guò)全卷積網(wǎng)絡(luò)學(xué)習(xí)得到一個(gè)轉(zhuǎn)移概率矩陣，雖然在一定程度上提高了算法檢測(cè)精度以及適應(yīng)性，但是網(wǎng)絡(luò)模型學(xué)習(xí)不夠全面，對(duì)于部分圖像的檢測(cè)效果不理想。Ye等提出了一種“Salient Object Segmentation via EffectiveIntegration of Saliency and Objectness”算法，將圖像的顯著性問題與圖像客觀條件相結(jié)合，通過(guò)無(wú)圖引導(dǎo)使用規(guī)則，以超像素頂點(diǎn)作為計(jì)算依據(jù)，通過(guò)每個(gè)頂點(diǎn)之間的最短路徑衡量每個(gè)超像素目標(biāo)的概率，將得到的目標(biāo)概率圖分別與顯著性圖和目標(biāo)性圖進(jìn)行比值運(yùn)算，此算法雖然在突出目標(biāo)抑制背景占據(jù)一定優(yōu)勢(shì)，但是對(duì)于多目標(biāo)情況下檢測(cè)效果并不理想。Huang等提出了一種“Robust Salient Object Detection via FusingForeground and Background Priors”算法，融合前景和背景先驗(yàn)的魯棒顯著目標(biāo)檢測(cè)方法，該算法基于包圍度線索從圖像中提取一系列前景和背景種子。通過(guò)排序算法分別生成前景和背景對(duì)應(yīng)的顯著圖。最后，融合兩幅顯著圖，通過(guò)測(cè)地線增強(qiáng)，得到最終顯著圖。Tong等提出了一種利用弱模型和強(qiáng)模型進(jìn)行顯著目標(biāo)檢測(cè)的引導(dǎo)學(xué)習(xí)算法“Salient objectdetection via bootstrap learning”。該算法首先基于圖像先驗(yàn)知識(shí)構(gòu)造弱顯著圖，其次，訓(xùn)練一種直接從弱顯著圖中提取樣本的強(qiáng)分類器來(lái)檢測(cè)顯著超像素。線性加權(quán)融合強(qiáng)弱顯著圖得到最終結(jié)果。Wang等提出一種“Salient Object Detection:A DiscriminativeRegional Feature Integration Approach”算法，具有判別性的區(qū)域特征集成，將區(qū)域?qū)Ρ龋瑓^(qū)域?qū)傩砸约皡^(qū)域的背景性描述符進(jìn)行集成，形成相應(yīng)的主顯著圖，然后在多個(gè)級(jí)別上融合顯著性得分，進(jìn)而得到最終的顯著圖。算法雖然通過(guò)判別區(qū)域特征集成方法解決顯著目標(biāo)檢測(cè)問題，但是在特征選擇方面存在不足，導(dǎo)致一些復(fù)雜圖像中的顯著區(qū)域檢測(cè)不完整。Jian等提出了“Saliency detection based on background seeds by objectproposals and extended random walk”算法，算法基于對(duì)象建議和擴(kuò)展隨機(jī)游走的背景種子顯著性檢測(cè)，通過(guò)目標(biāo)建議收集圖像背景種子，通過(guò)ERW(擴(kuò)展隨機(jī)游走)算法將背景先驗(yàn)傳播到其余區(qū)域，再通過(guò)紋理信息和機(jī)構(gòu)信息進(jìn)行細(xì)化得到顯著性結(jié)果。算法中采用目標(biāo)建議方法，在檢測(cè)多目標(biāo)圖像時(shí)檢測(cè)效果不理想。Xia等提出一種“What is and What isNot a Salient Object？Learning Salient Object Detector by Ensembling LinearExemplar Regressors”算法，算法基于樣本回歸的顯著性檢測(cè)算法，以圖像邊界為先驗(yàn)得到前景和背景種子，然后以局部線性嵌入進(jìn)行流行排序，得到粗略顯著圖，以粗略顯著圖訓(xùn)練線性樣本回歸器，檢測(cè)結(jié)果為最終顯著圖。該算法本身需要以邊界為先驗(yàn)，對(duì)于一些前景目標(biāo)靠近邊緣以及多目標(biāo)檢測(cè)效果不理想。Yang等引入MR(流形排序)算法，提出“SaliencyDetection via Graph-Based Manifold Ranking”，通過(guò)排序函數(shù)求解顯著性問題，以不同的方式考慮前景和背景線索，對(duì)圖像元素(像素或區(qū)域)與前景或背景的相似性進(jìn)行排序。圖像元素的顯著性根據(jù)它們與給定種子或查詢的相關(guān)性來(lái)定義。該算法將圖像表示為一個(gè)以超像素為節(jié)點(diǎn)的閉環(huán)圖。圖中每個(gè)節(jié)點(diǎn)的顯著程度通過(guò)其相對(duì)于種子節(jié)點(diǎn)的排序得分來(lái)度量，顯著性檢測(cè)分為兩階段過(guò)程，以此更有效地提取背景區(qū)域和前景顯著目標(biāo)，得到最終顯著圖。由于該算法第一階段背景假設(shè)過(guò)于理想化，當(dāng)顯著性目標(biāo)面積較大或者顯著性目標(biāo)接觸到圖像邊界時(shí)，算法無(wú)法完整地檢測(cè)出目標(biāo)。