一种视觉显著性目标检测方法及装置与流程

本发明的技术方案属于计算机视觉和图像处理领域，尤其涉及一种基于多尺度局部特征对比的视觉显著性目标检测方法。该方法可以直接应用于平面广告设计、自动目标检测、目标识别与跟踪、图像分割、图像检索、图像压缩、视频质量评估、场景分类、人机交互等技术领域。

背景技术：

人眼能够快速高效地对周围场景中的显著性区域进行定位，并分配大量资源优先处理这些区域，而摒弃或粗略处理其它区域，这是人类视觉系统的本能。显著性区域通常由一个或多个目标物体组成。对于同一场景中的所有物体，尽管人们感兴趣的显著性区域可能会不尽相同，但是总有些目标区域能够引起人们的普遍关注。如何使计算机也具备人类视觉系统的这种能力，这是计算机视觉和图像处理领域中一项具有挑战性的研究内容。

近年来，随着机器学习领域中深度学习研究的发展和进步，基于深度学习的深度特征提取方法在视觉显著性检测领域的应用越来越广泛。基于深度学习的显著性检测方法准确度较高、泛化能力强，但是该类方法必须通过不断地训练学习以获取深度特征，网络模型训练时间较长，速度也相对较慢，而且算法对数据集的依赖性较强，难以满足实际应用的要求。

不同于基于深度特征提取的视觉显著性检测方法，基于底层特征的显著性检测方法首先提取图像的底层特征，如颜色、形状、纹理、亮度等，然后利用数学方法将图像中的每一个位置的底层特征与其周边区域进行对比，并将比较结果进行融合以得到视觉对比度最高的显著性区域。这类方法的时间复杂度较低，可解释性较强，实时性较好，符合认知心理学和人眼视觉注意机制，能够被广泛应用于嵌入式系统等各种环境。

目前基于底层特征的视觉显著性检测方法大致可以分为：基于图论的显著性检测方法、基于频域的显著性检测方法以及基于颜色特征的显著性检测方法。基于图论的方法主要依据图像底层特征来计算不同节点之间的权值，检测结果的准确率很大程度上依赖于底层特征的丰富性和鲁棒性。基于频域的显著性检测方法计算量小，速度快，但是该方法对图像内的边缘信息比较敏感，容易导致忽略显著性物体的整体语义信息问题。基于颜色特征的视觉显著性检测方法更符合人类视觉注意机制，而且从颜色特征角度上，该方法更容易获取视觉对比度较高的显著性区域。为此，本发明提出以一种基于多尺度局部区域颜色特征对比的视觉显著性目标检测方法。

技术实现要素：

为了解决上述技术问题，本发明所采用的技术方案是：

一种视觉显著性目标检测方法，该方法包括如下步骤：步骤1)输入彩色图像：通过摄像头、照相机或手机等图像采集设备，获取rgb彩色图像，并作为后续处理的数据输入；

步骤2)色彩空间转换：将不同设备上获取的rgb彩色图像从grb色彩空间映射到lab色彩空间；

步骤3)图像区域分割：在转换后的lab色彩空间，基于超像素图像分割slic方法，实现输入图像的区域分割；

步骤4)视觉显著性检测：依据超像素图像分割区域，基于背景先验局部区域相似性度量机制，计算并得到彩色输入图像的视觉显著性区域。

.步骤5)视觉显著性区域：输出最终所得到的彩色输入图像的视觉显著性检测区域。

优选地，所述步骤4)具体实现过程如下：

4.1)对于lab色彩空间的彩色图像，以超像素分割slic方法为基础，将彩色图像分割成若干超像素彩色图像区域；

4.2)将超像素彩色图像区域的相似性度量定义为：

bi和bj分别表示分割得到的超像素彩色图像区域，sc(bi,bj)表示bi和bj之间颜色特征度量，st(bi,bj)表示bi和bj之间纹理特征度量，sl(bi,bj)为bi和bj之间的位置度量，α,β分别为颜色特征和纹理特征的权值，且α+β＝1，ε为可调参数，0≤ε≤10；

4.3)计算超像素区域的显著性

根据以下公式得到超像素区域的显著性：

其中，i(x,y)表示输入图像，1≤x≤m,1≤y≤h,m和n分别为图像的高和宽，q为给定图像背景区域，m为图像背景区域所包含的超像素区域个数；

4.4)利用多尺度显著性计算公式计算不同尺度下的超像素图像区域的显著性结果，并对多尺度显著性结果进行加权求和，选用尺度为

多尺度显著性计算公式为

一种视觉显著性目标检测模型方法的装置，包括处理器、存储器、通信模块、视觉显著性检测装置等；

所述存储器用于存储视觉显著性检测装置的输出结果及机器可执行指令；

处理器用于执行如权利要求1或2所述的视觉显著性目标检测方法。

本发明具有如下有益的技术效果：

利用本发明提供的视觉显著性检测方法具有以下优点：

1.通过构建超像素局部区域特征，并设定在图像边缘背景区域为局部区域特征对比范围，本发明建立一种基于超像素局部区域特征对比的视觉显著性方法，能够提高视觉显著性区域检测的效率，增强显著性检测效果。

2.本发明将图像的纹理特征和颜色特征结合在一起，提出一种基于纹理特征和颜色特征的超像素彩色图像区域的相似性度量准则。

3.运用多尺度思想，本发明提出基于多尺度的超像素局部区域特征对比的显著性检测方法。该方法可以不仅较好地保留显著性区域的整体结构信息，同时也能更好地表达显著性区域的局部细节。

4.本发明所提出的基于多尺度局部特征对比的视觉显著性检测方法，能够广泛应用于图像分割、物体识别、自适应图像压缩等相关领域。

附图说明

图1是视觉显著性目标检测方法实现流程图。

图2是视觉显著性目标检测模型装置图。

具体实施方式

如图1所示，本发明技术方案主要包括五个步骤：输入彩色图像、色彩空间转换、图像区域分割、视觉显著性检测、显著性区域输出。

1.输入彩色图像：利用摄像头、照相机或手机等图像采集设备，获取rgb彩色图像，并作为后续处理的数据输入。

2.色彩空间转换：将不同设备上获取的rgb彩色图像从grb色彩空间映射到lab色彩空间。

色彩空间转换：色彩空间的表达形式有很多种，不同的色彩空间具有不同的特性，而且不同的色彩空间是同构的，它们之间可以互相转换。本发明中第一步所获取的彩色图像通常是rgb彩色图像，rgb色彩空间是一种与设备相关的色彩空间，在色调、颜色方面存在较大差异。由于lab色彩空间更符合人类视觉，首先将rgb彩色图像从grb色彩空间映射到lab色彩空间。其次，利用高斯滤波对图像进行预处理，以改善图像质量，降低图像噪声带来的影响，有助于提高视觉显著性检测方法的性能。

3.图像区域分割：在转换后的lab色彩空间，基于超像素图像分割slic方法，实现图像区域分割，这里可以通过改变超像素分割的尺度，本发明中采用的尺度为实现不同尺度下的超像素图像区域分割结果。

4.视觉显著性检测：依据超像素图像分割区域，基于背景先验局部区域相似性度量机制，建立一种基于超像素局部区域特征对比的视觉显著性方法，计算并得到彩色输入图像的视觉显著性区域，实现视觉显著性目标检测。

视觉显著性检测，本步骤具体实现过程如下：首先，对于lab色彩空间的彩色图像，首先以超像素分割slic方法为基础，将彩色图像分割成若干超像素彩色图像区域。

其次，在一幅彩色图像中，除了颜色特征之外，图像中通常还含有比较丰富的结构和纹理信息，而且纹理特征具有良好的抗噪性能，基于此，本发明将图像的纹理特征这一因素考虑在内，并将超像素彩色图像区域的相似性度量定义为：

bi和bj分别表示分割得到的超像素彩色图像区域，sc(bi,bj)表示bi和bj之间颜色特征度量，st(bi,bj)表示bi和bj之间纹理特征度量，sl(bi,bj)为bi和bj之间的位置度量，α,β分别为颜色特征和纹理特征的权值，且α+β＝1，ε为可调参数，0≤ε≤10。

接着，基于公式(1)，建立一种基于超像素局部区域特征对比的显著性检测方法，计算超像素区域的视觉显著性。为了提高算法的效率，降低算法的时间复杂度，本发明将局部区域特征对比范围设定在图像边缘背景区域以增强显著性效果，假定i(x,y)表示输入图像，其中1≤x≤m,1≤y≤h,m和n分别为图像的高和宽，q为给定图像背景区域，该图像背景区域中包含m个超像素区域。通过公式(2)，可以得到超像素区域的显著性：

最后，由于超像素区域的不同尺度会对图像区域分割的结果产生不同的影响，为了能使显著性检测结果能够更好地体现局部细节，本发明选用的尺度为并利用公式(3)对不同尺度下的超像素图像区域的显著性结果进行加权求和，得到最终的显著性检测区域，其中

5.觉显著性区域：利用上述公式(3)，显示输出计算所得到的彩色输入图像的视觉显著性检测区域。

本发明还提供一种电子终端，包括处理器、存储器、通信模块等，其中，存储器存储视觉显著性检测的输出结果及机器可执行指令，处理器可执行指令以实现视觉显著性检测方法。人脸活体检测装置实现本发明中所述实现步骤以实现彩色输入图像的显著性区域。