基于低秩矩阵表示的图像前景物体检测方法及检测系统技术方案

本发明专利技术公开了一种基于低秩矩阵表示的图像前景物体检测方法及检测系统。其中，该方法包括提取待处理图像的特征，并利用特征聚类的方式对待处理图像进行子区域划分；接着计算每一子区域的特征均值，以获得子区域的特征表示，并将全部子区域的特征表示排列成矩阵，以获得待处理图像的特征矩阵；然后，利用低秩矩阵表示方法，将特征矩阵分解成低秩矩阵与稀疏矩阵；再针对稀疏矩阵的每一列计算l∞范数，以获得对应子区域的显著性值，并基于子区域的显著值来构成待处理图像的显著图；最后，对显著图进行自适应阈值划分，从而获得待处理图像的前景物体区域。通过本发明专利技术实施例解决了如何从前景和背景表观相似的图像中完整地检测前景物体的技术问题。

【技术实现步骤摘要】

本专利技术实施例涉及计算机视觉
，具体涉及一种基于低秩矩阵表示的图像前景物体检测方法及检测系统，但绝不限于此。
技术介绍
作为计算机视觉的一个重要研究领域，图像前景物体检测(Image Foreground Object Detection)是实现图像内容理解的一个重要步骤。它可以为图像内容理解提供快速感知和预处理。所谓前景物体检测就是从图像中快速检测并提取出最能够吸引人类视觉注意的语义物体，它是计算机视觉领域的底层问题之一，同时也是神经学、认知学、心理学、图像处理等诸多领域的研究内容。显著物体检测的研究具有广泛应用价值，它可以在图像压缩、图像检索、物体检测与识别以及图像高层语义理解等研究问题上发挥作用，也可以在视频监控、安全生产、辅助医疗、影视娱乐等实际问题中得到应用。近年来，图像前景物体检测呈现快速发展的趋势，研究者们提出了许多有效的计算模型和算法。从人类视觉认知的角度，可以将这些算法分为两类，一类是下意识的、自底向上(Bottom-up)的算法，另一类是有明确意识指导的、自顶向下(Top-down)的算法。自底向上的前景物体检测算法主要通过视觉选择性注意机制发现图像中能够吸引人类视觉注意的语义物体。这种方法由视觉数据(即图像本身)驱动，与具体目标任务无关，因而通常检测速度较快。利用对比度分析、上下文分析以及统计分析等方式实现前景物体的检测。自低向上的算法具有计算效率高、生物启发式、不需要外部人工干预等良好的特点。与自低向上的算法不同，自顶向下的检测算法往往由检测任务驱动，有明确的检测目标。这类方法大多利用有监督的学习算法实现目标物体的检测和提取，同时，也有部分算法通过集成高层先验感知(例如：中心先验、颜色先验、背景先验、稀疏先验等)辅助检测。一般来说，自顶向下的检测算法可靠性强，但是其泛化和拓展性较弱。目前主流的图像前景物体检测方法存在如下两个问题：(1)检测得到的结果中包含一些离散的像素和区域块，因而检测的前景物体区域连续性较差，无法获得完整的前景物体；(2)当图像的背景较复杂，或者图像的前景物体和背景区域之间表观相似时，已有的检测技术很难将图像前景物体检测出来。有鉴于此，特提出本专利技术。
技术实现思路
本专利技术实施例的主要目的在于提供一种基于低秩矩阵表示的图像前景物体检测方法，其至少部分地解决了如何从前景和背景表观相似的图像中完整地检测前景物体的技术问题。此外，还提供一种基于低秩矩阵表示的图像前景物体检测系统。为了实现上述目的，根据本专利技术的一个方面，提供了以下技术方案：一种基于低秩矩阵表示的图像前景物体检测方法，所述方法至少可以包括：提取待处理图像的特征，利用特征聚类的方式对所述待处理图像进行子区域划分；计算每一子区域的特征均值，以获得所述子区域的特征表示，并将所述全部子区域的特征表示排列成矩阵，以获得所述待处理图像的特征矩阵；利用低秩矩阵表示方法，将所述特征矩阵分解成低秩矩阵与稀疏矩阵；针对所述稀疏矩阵的每一列计算l∞范数，以获得对应子区域的显著性值，并基于所述子区域的显著值来构成所述待处理图像的显著图；对所述显著图进行自适应阈值划分，从而获得所述待处理图像的前景物体区域。进一步地，所述提取待处理图像的特征，利用特征聚类的方式对所述待处理图像进行子区域划分，具体可以包括：提取所述待处理图像的以下一种或几种特征：RGB颜色特征、梯度直方图HOG特征和甘伯Gabor纹理特征；对所述特征进行最大-最小归一化处理；利用刚性划分策略将所述待处理图像进行区域分割，并将区域中心点作为聚类的初始中心；利用K-均值聚类算法迭代调整聚类中心，以使所述区域内归一化后特征的差异最小；根据特征欧氏距离最短原则，将所述待处理图像的每一像素划分到对应的所述聚类中心，从而对所述待处理图像进行所述子区域划分。进一步地，所述计算每一子区域的特征均值，以获得所述子区域的特征表示，并将所述全部子区域的特征表示排列成矩阵，以获得所述待处理图像的特征矩阵，具体可以包括：计算所述子区域内特征的均值，以获得表达所述子区域的特征表示；根据所述子区域在所述待处理图像平面上出现的位置，按照从左到右、从上到下的顺序，将所述全部子区域特征表示依次拼接成所述特征矩阵。进一步地，所述利用低秩矩阵表示方法，将所述特征矩阵分解成低秩矩阵与稀疏矩阵，具体可以包括：计算所述子区域间的相似度矩阵；根据所述子区域间的相似度矩阵，确定拉普拉斯矩阵；使用所述拉普拉斯矩阵，并利用低秩矩阵表示方法将所述特征矩阵分解成所述低秩矩阵与所述稀疏矩阵。进一步地，所述针对所述稀疏矩阵的每一列计算l∞范数，以获得对应子区域的显著性值，并基于所述子区域的显著值来构成所述待处理图像的显著图，具体可以包括：根据以下公式，针对所述稀疏矩阵的每一列计算l∞范数，以获得对应所述子区域的显著性值：Sal(Pi)＝||si||∞其中，所述Pi表示子区域；所述Sal(·)表示显著性值；所述si表示稀疏矩阵的第i列；i＝1......N；对所述待处理图像所有子区域的显著值进行最大-最小归一化；根据以下公式，将归一化后的显著值赋值于所述待处理图像平面上对应的像素：Map(x,y)＝Sal(Pi)其中，所述(x,y)表示所述待处理图像子区域Pi内包含像素对应的位置；所述Map(·,·)表示待处理图像的显著图。进一步地，所述对所述显著图进行自适应阈值划分，从而获得所述待处理图像的前景物体区域，具体可以包括：利用Otsu's阈值划分方法将所述显著图分割成二进制图像，并用标记为第一标号的像素表示所述待处理图像物体所在区域；根据所述二进制图像中标记为所述第一标号的像素出现的位置，来计算所述待处理图像的连通区域；统计每一所述连通区域内包含像素的个数，并确定包含像素个数最多的连通区域所含的像素个数；基于所述每一连通区域内包含像素的个数及所述包含像素个数最多的连通区域所含的像素个数，并利用最大连通区域原则，来提取前景物体区域。进一步地，所述根据所述二进制图像中标记为所述第一标号的像素出现的位置，来计算所述待处理图像的连通区域，具体可以包括：逐行扫描所述二进制图像，将每一行中标记为所述第一标号的连续像素序列记为一团簇，并记下所述团簇的起点和终点位置；针对除了第一行之外的所有行内的团簇，执行以下操作：如果当前团簇与前一行中的所有团簇的起点和终点区间没有重合区域，则给所述当前团簇赋予一数字标号，数字标号从1开始依次计数；如果所述当前团簇仅与所述前一行中一团簇的起点和终点区间有重合，则将所述前一行对应团簇的数字标号赋予所述当前团簇；如果所述当前团簇与所述前一行中的2个以上团簇的起点和终点区间有重合区域，则将该些团簇的数字标号中最小的一数字标号赋予所述当前团簇；同时，将所述前一行的有重合区域的多个团簇的数字标号写入等价对；将每一所述等价对中的团簇，标记为同一团簇；对所述每一团簇依次标记数字标号，并将所述数字标号对应到所述待处理图像中，形成所述待处理图像的所述连通区域。为了实现上述目的，根据本专利技术的另一个方面，还提供了一种基于低秩矩阵表示的图像前景物体检测系统。其中，所述系统至少包括：划分模块，用于提取待处理图像的特征，利用特征聚类的方式对所述待处理图像进行子区域划分；第一处理模块，用于计算每一子区域的特征均值，以获得所本文档来自技高网...

【技术保护点】
一种基于低秩矩阵表示的图像前景物体检测方法，其特征在于，所述方法至少包括：提取待处理图像的特征，并利用特征聚类的方式对所述待处理图像进行子区域划分；计算每一子区域的特征均值，以获得所述子区域的特征表示，并将所述全部子区域的特征表示排列成矩阵，以获得所述待处理图像的特征矩阵；利用低秩矩阵表示方法，将所述特征矩阵分解成低秩矩阵与稀疏矩阵；针对所述稀疏矩阵的每一列计算l∞范数，以获得对应子区域的显著性值，并基于所述子区域的显著值来构成所述待处理图像的显著图；对所述显著图进行自适应阈值划分，从而获得所述待处理图像的前景物体区域。

【技术特征摘要】
1.一种基于低秩矩阵表示的图像前景物体检测方法，其特征在于，所述方法至少包括：提取待处理图像的特征，并利用特征聚类的方式对所述待处理图像进行子区域划分；计算每一子区域的特征均值，以获得所述子区域的特征表示，并将所述全部子区域的特征表示排列成矩阵，以获得所述待处理图像的特征矩阵；利用低秩矩阵表示方法，将所述特征矩阵分解成低秩矩阵与稀疏矩阵；针对所述稀疏矩阵的每一列计算l∞范数，以获得对应子区域的显著性值，并基于所述子区域的显著值来构成所述待处理图像的显著图；对所述显著图进行自适应阈值划分，从而获得所述待处理图像的前景物体区域。2.根据权利要求1所述的方法，其特征在于，所述提取待处理图像的特征，利用特征聚类的方式对所述待处理图像进行子区域划分，具体包括：提取所述待处理图像的以下一种或几种特征：RGB颜色特征、梯度直方图HOG特征和甘伯Gabor纹理特征；对所述特征进行最大-最小归一化处理；利用刚性划分策略将所述待处理图像进行区域分割，并将区域中心点作为聚类的初始中心；利用K-均值聚类算法迭代调整聚类中心，以使所述区域内归一化后特征的差异最小；根据特征欧氏距离最短原则，将所述待处理图像的每一像素划分到对应的所述聚类中心，从而对所述待处理图像进行所述子区域划分。3.根据权利要求1所述的方法，其特征在于，所述计算每一子区域的特征均值，以获得所述子区域的特征表示，并将所述全部子区域的特征表示排列成矩阵，以获得所述待处理图像的特征矩阵，具体包括：计算所述子区域内特征的均值，以获得表达所述子区域的特征表示；根据所述子区域在所述待处理图像平面上出现的位置，按照从左到右、从上到下的顺序，将所述全部子区域特征表示依次拼接成所述特征矩阵。4.根据权利要求1所述的方法，其特征在于，所述利用低秩矩阵表示方法，将所述特征矩阵分解成低秩矩阵与稀疏矩阵，具体包括：计算所述子区域间的相似度矩阵；根据所述子区域间的相似度矩阵，确定拉普拉斯矩阵；使用所述拉普拉斯矩阵，并利用低秩矩阵表示方法将所述特征矩阵分解成所述低秩矩阵与所述稀疏矩阵。5.根据权利要求1所述的方法，其特征在于，所述针对所述稀疏矩阵的每一列计算l∞范数，以获得对应子区域的显著性值，并基于所述子区域的显著值来构成所述待处理图像的显著图，具体包括：根据以下公式，针对所述稀疏矩阵的每一列计算l∞范数，以获得对应所述子区域的显著性值：Sal(Pi)＝||si||∞其中，所述Pi表示子区域；所述Sal(·)表示显著性值；所述si表示稀疏矩阵的第i列；所述i＝1......N；对所述待处理图像所有子区域的显著值进行最大-最小归一化；根据以下公式，将归一化后的显著值赋值于所述待处理图像平面上对应的像素：Map(x,y)＝Sal(Pi)其中，所述(x,y)表示所述待处理图像子区域Pi内包含像素对应的位置；所述Map(·,·)表示待处理图像的显著图。6.根据权利要求1所述的方法，其特征在于，所述对所述显著图进行自适应阈值划分，从而获得所述待处理图像的前景物体区域，具体包括：利用Otsu's阈值划分方法将所述显著图分割成二进制图像，并用标记为第一标号的像素表示所述待处理图像物体所...

【专利技术属性】
技术研发人员：胡卫明，彭厚文，李兵，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11