一种基于区域融合的显著性人体区域检测方法技术

本发明专利技术提供了基于区域融合的显著性人体区域检测方法，以超像素区域单元为节点，根据融合准则Ψ依次执行邻接融合与全局融合，依次构建出邻接融合图

A method of significant human body region detection based on region fusion

The present invention provides significant human regional fusion detection method based on the super pixel region unit for the node, according to the fusion rule in turn only adjacent fusion and the global integration, in order to construct adjacency graph fusion

【技术实现步骤摘要】
一种基于区域融合的显著性人体区域检测方法
本专利技术属于计算机图像处理领域，特别涉及一种基于区域融合的显著性人体区域检测方法。
技术介绍
视觉显著性可直观地理解为视觉场景中语义元素所能引起视觉注意的能力，这种能力依赖于目标元素所拥有的显著属性，诸如特殊性及稀有性等。在对图像场景信息进行处理时，可以通过显著性区域检测获取优先处理对象，以便于合理分配计算资源，降低计算量节约成本消耗。因此，检测图像显著性区域具有较高的应用价值。自Itti等先驱提出采用中心-周围差异框架进行显著性检测以来，越来越多的研究者开始关注显著检测研究邻域，大量自底向上基于底层数据的具有很好效果的显著性检测算法被提出。Chen等提出的基于区域对比度的显著检测算法，在区域水平上计算颜色对比度，并通过空间距离加权，然后将区域与其他区域加权颜色对比度进行累加求和，再用此定义区域显著性。Chen等在探索基于对比度的显著性检测算法方面取得了不错的成绩，此区域对比度算法已被广泛采用。除利用对比度先验进行显著性区域检测之外，边界先验知识也广泛应用于显著性检测，该先验知识假定图像边界为背景区域。Wei等依据各区域到图像边界的最短测地线距离定义显著性，Yang等基于图论知识借助于流形排序方法，依据各超像素区域与图像四周边界上超像素区域的相关性程度高低来定义各区域显著性取值大小。Zhu等结合区域空间布局及边界先验知识提出了一种更具鲁棒性的背景检测方法，即边界连通性，该方法在背景检测方面具有优良效果。目前，通常利用行人的人体边缘、纹理特征建立模板并综合运用神经网络、支持向量机、级联检测器等机器学习方法。但是，现有技术中对行人轮廓进行检测的过程中对非行人的运动目标轮廓进行检测时容易发生误检。例如，将动物通过监控区域时将该动物错误地认定为行人。因此传统的人体区域检测方法仍然不够理想；同时，传统的检测方法中无法获得显著性人体区域效果图。有鉴于此，有必要对现有技术中的对监控区域中的人体区域的检测方法予以改进，以解决上述问题。
技术实现思路
本专利技术的目的在于公开一种基于区域融合的显著性人体区域检测方法，用以提高对人体区域的检测精度，并能够产生视觉良好的人体区域显著图。为实现上述目的，本专利技术提供了一种基于区域融合的显著性人体区域检测方法，包括以下步骤：S1、获取监控区域的视频流图像作为输入图像；S2、预分割输入图像以形成若干超像素区域单元，将各超像素区域单元内所有像素的颜色用所对应的各超像素区域单元内所有像素的颜色向量的平均值来表示，以获得初始融合图S3、以超像素区域单元为节点，根据融合准则Ψ依次执行邻接融合与全局融合，并依次在邻接融合与全局融合过程中将各超像素区域单元内所有像素的颜色用所对应的各超像素区域单元内所有像素的颜色向量的平均值来表示，将相似的超像素区域单元依次融合形成新的超像素区域单元，以依次构建出邻接融合图及全局融合图S4、结合超像素区域单元间的颜色对比度、空间距离权重及背景概率权重分别在初始融合图邻接融合图及全局融合图上计算超像素区域单元的显著值，以获得三幅初始显著图；S5、通过元胞自动机的置信遗传机制对三幅初始显著图进行更新，得到三幅优化显著图；S6、对步骤S5中的三幅优化显著图执行累加求和运算，以获得包含显著性人体区域的集成显著图S。作为本专利技术的进一步改进，所述步骤S2具体为：采用简单线性迭代聚类算法，对输入图像执行预分割，形成若干超像素区域单元；计算各超像素区域单元内所有像素的颜色向量的平均值以替换超像素区域单元内所有像素的颜色向量，以获得初始融合图作为本专利技术的进一步改进，所述步骤S2中，输入图像经过预分割后形成的超像素区域单元所包含的像素点数量为384～614个。作为本专利技术的进一步改进，所述步骤S3中的融合准则Ψ的计算公式为：其中，Ω1及Ω2分别是超像素区域单元R1及超像素区域单元R2的邻域集合；C(R1，R2)为超像素区域单元R1及超像素区域单元R2间颜色差值。作为本专利技术的进一步改进，所述步骤S4中的初始显著图的计算公式为：其中，k＝1，2，3分别表示在初始融合图邻接融合图及全局融合图上计算各超像素区域单元的显著值；Sk(i)表示在图中超像素区域单元i的显著值，nk是图中超像素区域单元数量；Ck(i，j)表示在图中超像素区域单元i及超像素区域单元j间颜色差值；Pk(i，j)表示在图中超像素区域单元i及超像素区域单元j间经过归一化处理的空间欧式距离；表示在图中超像素区域单元j的背景概率权重。作为本专利技术的进一步改进，所述背景概率权重的计算公式为：其中，BndCon(i)表示超像素区域单元的边界连通性度量值，并具体采用如下公式计算：其中，dk(i，j)是图中超像素区域单元i与超像素区域单元j间最短路径长度；δ(·)在超像素区域单元j位于图像边界时取值为1，否则取值为0；nk为超像素区域单元数量，参数σclr＝10。作为本专利技术的进一步改进，所述步骤S5中的元胞自动机的置信遗传机制对三幅初始显著图进行更新的计算公式为：其中，k＝1，2，3分别代表元胞自动机的置信遗传机制对由初始融合图邻接融合图及全局融合图所获得初始显著图进行更新，运算符“.”表示矩阵乘积运算，表示当前状态，表示更新后的状态，I表示单位矩阵，及分别是影响因子矩阵Fk及置信度矩阵Hk；所述步骤S5中，元胞自动机的置信遗传机制对初始显著图的初始状态进行15次遍历更新。作为本专利技术的进一步改进，所述置信度矩阵的计算公式为：其中，Hk＝diag(h1，h2，...，hN)，并设定所述影响因子矩阵Fk的计算公式为：所述其中，k＝1，2，3分别表示在初始融合图邻接融合图及全局融合图中，Ck(i，j)为两相邻超像素区域单元间的颜色差异值，NBk(i)是超像素区域单元i的邻域集合。作为本专利技术的进一步改进，所述步骤S6还包括：对集成显著图S的灰度值归一化至区间[0，1]的步骤，并对归一化处理后的集成显著图S进行高斯增强处理，所述高斯增强处理的计算公式为：其中，σs＝0.5。作为本专利技术的进一步改进，所述步骤S6还包括将集成显著图S转换为256阶灰度图的步骤。与现有技术相比，本专利技术的有益效果是：在专利技术中，基于初始融合图、邻接融合图及全局融合图，有利于展现输入图像中的层次信息；同时，依据背景概率值设定置信度矩阵，有利于元胞自动机的优化性能，并最终获得包含显著性人体区域的集成显著图S。附图说明图1为本专利技术一种基于区域融合的显著性人体区域检测方法的流程示意图；图2为图1所示的获取监控区域的视频流图像的工作原理示意图；图3为本专利技术步骤S3中超像素区域单元R1与超像素区域单元R2满足融合判定准则Ψ并进行融合后的示意图；图4为本专利技术所示的边界连通性度量值计算的一种几何图形解释。具体实施方式下面结合附图所示的各实施方式对本专利技术进行详细说明，但应当说明的是，这些实施方式并非对本专利技术的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本专利技术的保护范围之内。请参图1至图4所示出的本专利技术一种基于区域融合的显著性人体区域检测方法的一种具体实现方式。参图1所示，图1为本专利技术一种基于区域融合的显著性人体区域检测方法的流程示意图。在本实施方式中，所述基于区域融合的显著性人体区域检测方法包括以下本文档来自技高网...

【技术保护点】
一种基于区域融合的显著性人体区域检测方法，其特征在于，包括以下步骤：S1、获取监控区域的视频流图像作为输入图像；S2、预分割输入图像以形成若干超像素区域单元，将各超像素区域单元内所有像素的颜色用所对应的各超像素区域单元内所有像素的颜色向量的平均值来表示，以获得初始融合图

【技术特征摘要】
1.一种基于区域融合的显著性人体区域检测方法，其特征在于，包括以下步骤：S1、获取监控区域的视频流图像作为输入图像；S2、预分割输入图像以形成若干超像素区域单元，将各超像素区域单元内所有像素的颜色用所对应的各超像素区域单元内所有像素的颜色向量的平均值来表示，以获得初始融合图S3、以超像素区域单元为节点，根据融合准则Ψ依次执行邻接融合与全局融合，并依次在邻接融合与全局融合过程中将各超像素区域单元内所有像素的颜色用所对应的各超像素区域单元内所有像素的颜色向量的平均值来表示，将相似的超像素区域单元依次融合形成新的超像素区域单元，以依次构建出邻接融合图及全局融合图S4、结合超像素区域单元间的颜色对比度、空间距离权重及背景概率权重分别在初始融合图邻接融合图及全局融合图上计算超像素区域单元的显著值，以获得三幅初始显著图；S5、通过元胞自动机的置信遗传机制对三幅初始显著图进行更新，得到三幅优化显著图；S6、对步骤S5中的三幅优化显著图执行累加求和运算，以获得包含显著性人体区域的集成显著图S。2.根据权利要求1所述的方法，其特征在于，所述步骤S2具体为：采用简单线性迭代聚类算法，对输入图像执行预分割，形成若干超像素区域单元；计算各超像素区域单元内所有像素的颜色向量的平均值以替换超像素区域单元内所有像素的颜色向量，以获得初始融合图3.根据权利要求2所述的方法，其特征在于，所述步骤S2中，输入图像经过预分割后形成的超像素区域单元所包含的像素点数量为384～614个。4.根据权利要求1所述的方法，其特征在于，所述步骤S3中的融合准则Ψ的计算公式为：其中，Ω1及Ω2分别是超像素区域单元R1及超像素区域单元R2的邻域集合；C(R1，R2)为超像素区域单元R1及超像素区域单元R2间颜色差值。5.根据权利要求1所述的方法，其特征在于，所述步骤S4中的初始显著图的计算公式为：其中，k＝1，2，3分别表示在初始融合图邻接融合图及全局融合图上计算各超像素区域单元的显著值；Sk(i)表示在图中超像素区域单元i的显著值，nk是图中超像素区域单元数量；Ck(i，j)表示在图中超像素区域单元i及超像素区域单元j间颜色差值...

【专利技术属性】
技术研发人员：吕楠，张丽秋，
申请(专利权)人：江苏慧眼数据科技股份有限公司，
类型：发明
国别省市：江苏,32