本發(fā)明一種目標(biāo)顯著性檢測的方法主要涉及視頻目標(biāo)定位識別、blob分析、圖像修剪和分割領(lǐng)域，是一種通過有效聚核進行目標(biāo)顯著性檢測的方法。
背景技術(shù)：
：圖像顯著性，是人類視覺系統(tǒng)選擇和當(dāng)前任務(wù)有關(guān)聯(lián)的特定感興趣區(qū)域作為處理對象，而忽略其它無關(guān)信息比如背景邊界等信息。也就是自動判別有效目標(biāo)的所在范圍，從而縮小后續(xù)圖像處理的數(shù)據(jù)量，并盡可能的減低后續(xù)圖像處理由于背景噪音帶來的欺騙性干擾。無論從精度和速度上都會起到至關(guān)重要的作用。由于顯著性檢測在目標(biāo)識別定位、圖像修剪和分割中占有重要的地位，本領(lǐng)域在顯著性目標(biāo)檢測方面取得了一些發(fā)展，目前研究主要集中在目標(biāo)物體和其所在區(qū)域的對比度上，處理方法主要包括以下兩類：1、利用圖像顏色、位置、梯度和邊緣等特征差異信息來計算對比度，但這類方法由于缺乏高級階段的信息，主要依賴于對目標(biāo)和背景特征的先驗信息，即使同一應(yīng)用領(lǐng)域下的目標(biāo)檢測都是不確定的；2、側(cè)重于背景以及邊界優(yōu)先的特點，這類方法主要存在兩個問題，一是簡單地把圖像邊緣當(dāng)做背景信息，當(dāng)目標(biāo)物體局部接觸邊界時，這類方法是不確定，可能完全失效不能檢測出顯著性；其二是背景邊界優(yōu)先的檢測方法是盲目引導(dǎo)式的，沒有統(tǒng)一的方法集成顯著性檢測線索。技術(shù)實現(xiàn)要素：本發(fā)明的目的是針對上述不足之處提供一種目標(biāo)顯著性檢測的方法，依據(jù)基本的圖像構(gòu)圖原理，將圖像劃分為背景、目標(biāo)和邊界區(qū)域；首先通過shi-tomasi角點檢測算法將圖像劃分為包含目標(biāo)在內(nèi)的凸多邊形內(nèi)部區(qū)域和外部區(qū)域，然后在外部區(qū)域中以一定值在圖像四個外圍區(qū)域劃分為邊界區(qū)域。以人的生理視覺機制，背景區(qū)域特性與邊界區(qū)域同質(zhì)的特點，通過區(qū)域?qū)吔绲倪B接度來表示這一特征，從而檢測出顯著性目標(biāo)區(qū)域。本發(fā)明是采取以下技術(shù)方案實現(xiàn)的：一種目標(biāo)顯著性檢測的方法包括如下步驟，1）通過shi-tomasi方法檢測出包含目標(biāo)在內(nèi)的內(nèi)部區(qū)域，在該區(qū)域外部以上下、左右離最近輪廓點垂直距離為11.6%個像素單位的寬度設(shè)置為邊界區(qū)域，作為后續(xù)進行背景與目標(biāo)劃分的基礎(chǔ)；2）通過slic（圖像超像素分割方法）將局部像素聚集成一個超像素塊，使超像素塊保留局部結(jié)構(gòu)以及邊緣信息的同時，減少了不必要的細(xì)節(jié)信息；后續(xù)特征線索的提取就以所述超像素塊為基本單位實施；所述超像素劃分結(jié)果如圖2所示；3）以步驟2）劃分出的n個超像素塊為結(jié)點，構(gòu)造無向帶權(quán)圖；n>1；權(quán)值為兩點（任意結(jié)點）間在cie-lab顏色空間中的平均顏色距離；權(quán)值為兩點（任意結(jié)點）間在歐式空間中的中心距離；4）計算點的聚核度a(p)為：(公式1)其中為兩點間在cie-lab顏色空間上的最短距離，參數(shù)為核度比重調(diào)節(jié)因子，一般選取，有助于算法性能穩(wěn)定性；n取值200；算子的閾值在（0，1）區(qū)間，描述了點對的吸收度，表示同屬于目標(biāo)或者背景區(qū)域的強度；當(dāng)，點的聚核度增加1，則認(rèn)為點為點的強點，兩者之間是同質(zhì)的，強點與點同屬于目標(biāo)或背景區(qū)域，對比度加強；反之，，則認(rèn)為點為點的弱點，點對點的聚核度大小基本沒有貢獻，對比度降低；如果點的聚核度中弱點超過一定量時，容易造成假性聚核度量，易將不同性質(zhì)的點歸并到同一核中，影響顯著性檢測的準(zhǔn)確性，主要是因為弱點的劃分對核度的大小造成干擾；從人的生理視覺原理上，一般認(rèn)為弱點在空間上都是遠離聚核中心的；步驟4）中對弱點重新進行約束如下：任意兩結(jié)點間的最短距離路徑上的點為，依據(jù)弱點從空間上一般遠離聚核中心，色差偏大，弱點需要滿足如下條件：(公式2)反之，為強點信息；參數(shù)為最短路徑上具有的結(jié)點數(shù)，間接地表示與核中心的距離；i為自然數(shù)，1<i<n；表示在cie-lab顏色空間中，結(jié)點到邊界點最短路徑的均值，通過公式3計算：(公式3)新的聚核度計算為：(公式4)點為滿足條件的強點集，其中為邊界顏色調(diào)節(jié)因子，根據(jù)實驗，一般設(shè)置為[0.3，0.6]；m和l為大于1的自然數(shù)，其取值根據(jù)待處理目標(biāo)結(jié)點數(shù)確定。根據(jù)步驟4）的公式2可以看到，其中第一個條件從空間上指明弱點必是遠離聚核中心區(qū)間的，第二個條件說明弱點在顏色空間上與中心區(qū)間的差異度。5）目標(biāo)顯著性為：(公式5)其中為滿足條件的屬于點聚核的強點信息；，其中表示任意兩點間的中心距離；從公式5可以看出，核度大的點其顯著性值隨之增大，反之減小，從而加強顯著性區(qū)域的檢測。本發(fā)明的優(yōu)點：本發(fā)明利用有效聚核的目標(biāo)顯著性檢測方法，首先首先將通過slic方法將圖像分割成若干有結(jié)構(gòu)同質(zhì)的塊，依據(jù)塊的有效聚核度來確定塊的空間布局，確保屬于同一聚核中塊的同質(zhì)性，剔除聚核中弱點信息，從而建立清晰歸一化的目標(biāo)顯著圖，具有較好的穩(wěn)定性和高效性，完全適合實時性的檢測要求。附圖說明以下將結(jié)合附圖對本發(fā)明作進一步說明：圖1是本發(fā)明的目標(biāo)顯著性檢測方法原理圖；圖2是本發(fā)明實施例中超像素塊劃分結(jié)果示意圖；圖3是本發(fā)明方法與其他目前流行的顯著性目標(biāo)檢測結(jié)果對比圖；圖4是本發(fā)明算法查準(zhǔn)率與基于邊界優(yōu)先的gs[]曲線比；圖5是本發(fā)明算法查準(zhǔn)率與基于邊界優(yōu)先的mr曲線比；圖6是本發(fā)明算法查準(zhǔn)率與基于快速濾波的sf[]曲線比。說明：本發(fā)明用于處理彩色目標(biāo)圖像，但是因為專利要求，轉(zhuǎn)化為灰度圖像。具體實施方式參照附圖1，本發(fā)明顯著性檢測方法包括如下步驟：1、首先通過shi-tomasi方法檢測出包含目標(biāo)在內(nèi)的內(nèi)部區(qū)域，在該區(qū)域外部以上下、左右離最近輪廓點垂直距離為11.6%個像素單位的寬度設(shè)置為邊界區(qū)域，作為后續(xù)進行背景與目標(biāo)劃分的基礎(chǔ)。2、為了提高運算速度，同時不影響提取的精確性，通過slic將局部像素聚集成一個超像素塊，超像素塊可以保留局部結(jié)構(gòu)以及邊緣信息的同時，減少了不必要的細(xì)節(jié)信息；后續(xù)特征線索的提取就以超像素塊為基本單位實施；本實施例中超像素劃分結(jié)果如圖2所示；3、以步驟2劃分出的n個超像素為結(jié)點，構(gòu)造無向帶權(quán)圖。4、計算點的聚核度；5、計算目標(biāo)顯著性。為驗證算法的有效性，本發(fā)明在應(yīng)用最廣泛的基準(zhǔn)數(shù)據(jù)集asd[12]上進行了實驗，與當(dāng)前典型的顯著性檢測算法進行了比較，這些算法包含基于快速濾波的sf[]，基于邊界優(yōu)先的mr和gs[],其中mr使用全局優(yōu)化的策略，是目前最好的算法，以及直接集成低級階段的線索,在顏色空間使用dog帶通濾波的ig[15]算法。各個顯著性檢測算法結(jié)果如圖3所示。為客觀評價算法的有效性，通過標(biāo)準(zhǔn)的查準(zhǔn)率和召回率（prcurves）來定量分析。其中查準(zhǔn)率表示像素被正確標(biāo)注為顯著性像素的比率,而召回率表示像素被標(biāo)注為顯著性像素與實際顯著性像素的比率。在實際處理中，將圖像歸一化到[0,255],通過逐步調(diào)整閾值，得到pr曲線，如圖4～圖6所示，從圖中可以看出，相比較其他典型的顯著性檢測算法，在相同的召回率下，算法的查準(zhǔn)率高于其他算法。在一些實際應(yīng)用如圖像分割裁剪中，更多的關(guān)注顯著性結(jié)果對真實圖像的逼近程度，而不像pr曲線只局限在只考慮顯著性目標(biāo)高于背景區(qū)域，為此，可以通過平均絕對誤差（mae）來進行評估，如表一給出了典型算法的mae，從中可以看出，mae在整體上低于其他算法，說明基于聚核的顯著性檢測算法是卓有成效的。表1各類算法的mae算法mrgssfansdmae0.084770.094280.118680.07501通過上述實施例分析，本發(fā)明有效聚核的顯著性檢測算法通過判斷圖像與邊界在顏色空間的連通性和絕對空間距離，來確定區(qū)域的有效聚核,從而提高圖像顯著性檢測，這主要通過有效剔除聚核中的弱點信息，避免將背景區(qū)域與目標(biāo)區(qū)域歸為同質(zhì)聚核中，提高了圖像顯著的檢測。同時對純背景檢測結(jié)果宜有效的，與當(dāng)前典型算法相比，從pr和wae兩項指標(biāo)中，性能均有所提高。在充分考慮圖像區(qū)域的空間布局情況，通過有效直觀的方式直接合成低級階段線索，對在復(fù)雜背景下，不受目標(biāo)圖像居于圖像中心或輕觸邊界區(qū)域等條件所限制，都能對圖像中感興趣的目標(biāo)區(qū)域進行精確提取，具有更好的健壯性；同時，對于純背景的圖像易能進行有效檢測。當(dāng)前第1頁12