[發明專利]多深度特征融合的圖像顯著性目標檢測方法及系統

有效

• 申請號: 202010832414.6
• 申請日: 2020-08-18
• 公開（公告）號: CN112132156B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 陳振學;閆星合;劉成云;孫露娜;段樹超;朱凱;陸夢旭;李明
• 申請（專利權）人: 山東大學
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/80;G06V10/44;G06V10/46;G06V10/774;G06V20/56;G06N3/0455;G06N3/0464;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 董雪

本發明公開了一種多深度特征融合的圖像顯著性目標檢測方法及系統，包括：獲取設定場景下的待檢測圖像信息；將所述圖像信息輸入到訓練好的多深度特征融合神經網絡模型；所述多深度特征融合神經網絡模型在編碼階段采用卷積進行特征提取，在解碼階段結合卷積和雙線性插值的上采樣方法還原輸入圖像的信息，輸出具有顯著性信息的特征圖；采用多層級網絡學習不同層級的特征圖，將不同層級的特征圖融合；輸出最終的顯著性目標檢測結果。本發明利用多深度特征融合神經網絡對場景中的圖像進行顯著性目標檢測，保障檢測的精度，并加快了后續處理過程的速度；加入輪廓檢測支路，用輪廓特征細化待測目標的邊界細節。

技術領域

本發明涉及圖像顯著性目標檢測技術領域，尤其涉及一種多深度特征融合的圖像顯著性目標檢測方法及系統。

背景技術

本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。

顯著性目標檢測，是指用計算機模仿人類視覺注意機制，將圖像中最能引起人類視覺關注的人或事物從背景中分離出來。圖像由很多像素點構成，像素點的亮度、顏色等屬性不同，其對應的顯著特征值也會有所不同。不同于傳統的目標檢測和語義分割任務，顯著性目標檢測只關注最能引起視覺注意的部分而不對其進行分類，且一般檢測結果為像素級別，因此，顯著性目標檢測往往被作為各個圖像處理方法的前置步驟，用以提高后續處理流程的精確度。

目前，顯著性目標檢測被應用于醫學圖像分割、智能攝影、圖像檢索、虛擬背景、智能無人系統等領域。顯著性目標檢測是智能無人系統中的基礎任務，為后續的目標識別與決策奠定基礎。近年來，人工智能行業迅猛發展，人們追求智能化生活與工業領域的無人化作業，智能無人系統成了人們研究的熱點。

以無人駕駛系統為例，無人駕駛是復雜的計算機任務，需要在變化的場景中模擬駕駛員的視覺注意機制進行快速而準確的感知，要求后端計算機很好地感知周圍的整體環境和不同場景，而常規的目標檢測只能檢測出特定的物體，且通常檢測結果為不精確的框圖形式，無法對未知的突發性畫面做出準確快速的反應，因此顯著性目標檢測是無人駕駛中的關鍵技術。車載攝像頭或者激光雷達將實時的道路圖片輸入，經過顯著性目標檢測算法，輸出二值化的顯著性特征圖，再由此進行有側重的場景分割，得到具有語義信息的圖片，從而控制汽車的前進、避障，且能做到快速、準確、節省計算資源。

早期的顯著性檢測特征，比如：顏色，亮度，方向，中心-周圍對比度等，只能實現局部化的區域檢測，后來發展出馬爾科夫鏈法和頻域調諧等方法，才以數學的角度將全局特征納入檢測范圍，但仍難達到較高的準確率。而無人駕駛系統需要超高的精度以及極快的反應速度，以保證安全性和實時性。同時，無人駕駛過程中可能會遇到待測目標過小，背景復雜，目標輪廓不清晰等問題，給檢測結果和后續處理操作的精度帶來影響。

發明內容

為了解決上述問題，本發明提出了一種多深度特征融合的圖像顯著性目標檢測方法及系統，利用多深度特征融合的神經網絡對應用場景中的圖像進行顯著性檢測，在保障檢測精度的同時，又提高了后續分割等處理步驟的速度。

在一些實施方式中，采用如下技術方案：

一種多深度特征融合的圖像顯著性目標檢測方法，包括：

獲取設定場景下的待檢測圖像信息；

將所述圖像信息輸入到訓練好的多深度特征融合神經網絡模型；

所述多深度特征融合神經網絡模型在編碼階段采用卷積進行特征提取，在解碼階段結合卷積和雙線性插值的上采樣方法還原輸入圖像的信息，輸出具有顯著性信息的特征圖；

采用多層級網絡學習不同層級的特征圖，將不同層級的特征圖融合；

輸出最終的顯著性目標檢測結果。