[發明專利]一種視覺顯著性目標檢測方法及裝置

有效

• 申請號: 202010936735.0
• 申請日: 2020-09-08
• 公開（公告）號: CN112085020B
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 謝朝霞
• 申請（專利權）人: 北京印刷學院
• 主分類號: G06V10/25
• 分類號: G06V10/25;G06V10/26
• 代理公司: 北京德崇智捷知識產權代理有限公司 11467
• 代理人: 趙亞飛

本發明涉及一種視覺顯著性目標檢測法及裝置。該方法通過獲取RGB彩色圖像，將不同設備上獲取的RGB彩色圖像從GRB色彩空間映射到LAB色彩空間；在轉換后的LAB色彩空間，基于超像素圖像分割SLIC方法，實現輸入圖像的區域分割，依據超像素圖像分割區域，基于背景先驗局部區域相似性度量機制，運用多尺度思想，計算并得到彩色輸入圖像的視覺顯著性區域，實現視覺顯著性目標檢測。發明所提出的基于多尺度局部特征對比視覺顯著性目標檢測方法，能夠廣泛應用于圖像分割、物體識別、自適應圖像壓縮等相關領域。

技術領域

本發明的技術方案屬于計算機視覺和圖像處理領域，尤其涉及一種基于多尺度局部特征對比的視覺顯著性目標檢測方法。該方法可以直接應用于平面廣告設計、自動目標檢測、目標識別與跟蹤、圖像分割、圖像檢索、圖像壓縮、視頻質量評估、場景分類、人機交互等技術領域。

背景技術

人眼能夠快速高效地對周圍場景中的顯著性區域進行定位，并分配大量資源優先處理這些區域，而摒棄或粗略處理其它區域，這是人類視覺系統的本能。顯著性區域通常由一個或多個目標物體組成。對于同一場景中的所有物體，盡管人們感興趣的顯著性區域可能會不盡相同，但是總有些目標區域能夠引起人們的普遍關注。如何使計算機也具備人類視覺系統的這種能力，這是計算機視覺和圖像處理領域中一項具有挑戰性的研究內容。

近年來，隨著機器學習領域中深度學習研究的發展和進步，基于深度學習的深度特征提取方法在視覺顯著性檢測領域的應用越來越廣泛。基于深度學習的顯著性檢測方法準確度較高、泛化能力強，但是該類方法必須通過不斷地訓練學習以獲取深度特征，網絡模型訓練時間較長，速度也相對較慢，而且算法對數據集的依賴性較強，難以滿足實際應用的要求。

不同于基于深度特征提取的視覺顯著性檢測方法，基于底層特征的顯著性檢測方法首先提取圖像的底層特征，如顏色、形狀、紋理、亮度等，然后利用數學方法將圖像中的每一個位置的底層特征與其周邊區域進行對比，并將比較結果進行融合以得到視覺對比度最高的顯著性區域。這類方法的時間復雜度較低，可解釋性較強，實時性較好，符合認知心理學和人眼視覺注意機制，能夠被廣泛應用于嵌入式系統等各種環境。

目前基于底層特征的視覺顯著性檢測方法大致可以分為：基于圖論的顯著性檢測方法、基于頻域的顯著性檢測方法以及基于顏色特征的顯著性檢測方法?；趫D論的方法主要依據圖像底層特征來計算不同節點之間的權值，檢測結果的準確率很大程度上依賴于底層特征的豐富性和魯棒性?；陬l域的顯著性檢測方法計算量小，速度快，但是該方法對圖像內的邊緣信息比較敏感，容易導致忽略顯著性物體的整體語義信息問題?；陬伾卣鞯囊曈X顯著性檢測方法更符合人類視覺注意機制，而且從顏色特征角度上，該方法更容易獲取視覺對比度較高的顯著性區域。為此，本發明提出以一種基于多尺度局部區域顏色特征對比的視覺顯著性目標檢測方法。

發明內容

為了解決上述技術問題，本發明所采用的技術方案是：

一種視覺顯著性目標檢測方法，該方法包括如下步驟：步驟1)輸入彩色圖像：通過攝像頭、照相機或手機等圖像采集設備，獲取RGB彩色圖像，并作為后續處理的數據輸入；

步驟2)色彩空間轉換：將不同設備上獲取的RGB彩色圖像從GRB色彩空間映射到LAB色彩空間；

步驟3)圖像區域分割：在轉換后的LAB色彩空間，基于超像素圖像分割SLIC方法，實現輸入圖像的區域分割；

步驟4)視覺顯著性檢測：依據超像素圖像分割區域，基于背景先驗局部區域相似性度量機制，計算并得到彩色輸入圖像的視覺顯著性區域。

.步驟5)視覺顯著性區域：輸出最終所得到的彩色輸入圖像的視覺顯著性檢測區域。

優選地，所述步驟4)具體實現過程如下：

4.1)對于LAB色彩空間的彩色圖像，以超像素分割SLIC方法為基礎，將彩色圖像分割成若干超像素彩色圖像區域；