一种基于视觉显著性的人体区域检测方法技术

本发明专利技术公开了一种基于视觉显著性的人体区域检测方法，其采用邻接扩展操作，减少了相邻超像素区域单元节点间连通所需边的数量，降低了因边上的权值累加而产生的相似性误判率，确保了邻接且相似的超像素区域单元间具有更强的一致显著性；采用邻接扩展的方式还可以加快超像素区域单元对邻接相似区域搜索的速度，借助于融合多幅显著图的方式可以增强始终保持较高显著值的像素区域亮度，并降低单幅显著图可能产生的显著区域误判，而再次采用的引导滤波则是对已有显著检测效果的二次优化，进而得到了显著检测效果更加精确且视觉效果也更加平滑的人体显著图，降低了后期对输入图像中行人目标进行跟踪和/或计数的计算开销。

A method of human body region detection based on visual saliency

The invention discloses a visual saliency detection method based on the adjacent body area, extended operation, reducing the number of super nodes adjacent pixel regions units connected edges, reduces the error rate generated by similarity weighted sum on the side, to ensure the consistent significant adjacent super pixel region unit and similar between stronger; using adjacency propagation mode can also speed up the super pixel area of adjacent unit regions of similarity search speed, with the help of fusion multiple saliency map can be enhanced always maintain high brightness value of the pixel area significantly, and decreased significantly in regional single saliency map may have a miscarriage of justice, and guide the filter again is the two significant optimization of existing detection effect, thus significantly more accurate detection results and the visual effect is more smooth The human saliency map reduces the computational overhead of tracking and / or counting the human target in the input image in the later stage.

【技术实现步骤摘要】
一种基于视觉显著性的人体区域检测方法
本专利技术属于计算机图像处理领域，特别涉及一种基于视觉显著性的人体区域检测方法。
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。Itti等人为代表的视觉注意理论提出者们，从人类视觉认知的角度提议将视觉注意机制分为两个类型：自上而下的目标驱动型显著性检测，以及自下而上的数据驱动型显著性检测。自上而下的方法融入了更多的人类语义感知及模型训练，而自下而上的方法更注重于从诸如对比度、空间分布等图像底层特征中检测显著性区域。当前的显著性检测多采用自下而上的方法，由底层数据出发计算分析显著目标或背景区域所具有的特征属性，并将此属性作为一种先验知识用其区分场景中的显著目标及背景。其中，对比度先验知识赖于其优良的区分能力被大量的显著性检测算法所采用，并且衍生出诸如基于局部对比度及基于全局对比度的检测算法。近年来基于超像素的显著性区域检测算法得到广泛使用。Yang等人以超像素为节点构建连通图同时结合边界先验知识，采用基于图的流形排序方法进行显著检测。Yan等提出一种基于多尺度分割的显著性区域检测算法，在树图模型上融合三种尺度下显著图进而得到最终显著图，该算法取得了良好的效果。Wei等人以各超像素到达图像边界的最短测地线距离来衡量其显著性，测地线距离越长超像素作为前景目标的可能性越大。Zhu等对Wei的测地线先验知识进一步优化提出了具有更强鲁棒性的边界连通性先验知识，借助于该先验知识侦测背景区域进而逆向获取显著前景目标。基于边界连通先验知识的显著性区域检测算法对图像边界上超像素的依赖程度较高，当图像边界上超像素不含图像内部任何背景信息时，会严重影响显著检测效果。有鉴于此，有必要对现有技术中的基于视觉显著性的人体区域检测方法予以改进，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视觉显著性的人体区域检测方法，用以提高对输入图像中的人体区域的显著性检测，以确定优先处理对象，并合理分配计算资源，降低计算开销。为实现上述目的，本专利技术提供了一种基于视觉显著性的人体区域检测方法，该方法包括以下步骤：S1、获取监控区域的视频流图像作为输入图像；S2、对输入图像执行预分割以形成超像素区域单元；S3、统计超像素区域单元在多个颜色通道内的灰度值概率分布，使用灰度值概率分布间的KL散度的调和平均值度量相邻超像素区域单元间的颜色差异性；S4、以超像素区域单元为节点构建初始闭环连通图，并对初始闭环连通图作若干次邻接扩展，以构建若干邻接扩展闭环连通图，使用KL散度的调和平均值对初始闭环连通图及邻接扩展闭环连通图的边作加权处理；S5、基于超像素区域单元间的颜色差异性，同时结合空间距离权重及背景概率权重，在初始闭环连通图及邻接扩展闭环连通图上计算各超像素区域单元的显著值，并使用显著值为超像素区域单元赋值，以获取初始人体显著图；S6、平均融合初始人体显著图，并进行引导图滤波处理。作为本专利技术的进一步改进，所述步骤S1具体为：通过摄像机获取监控区域的视频流图像作为输入图像，所述监控区域位于摄像机的正下方。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，自适应选择紧凑度因子u，保持搜索步长为常量将输入图像执行预分割以形成超像素区域单元，所述超像素区域单元的内部颜色与大小均一致；其中，u为简单线性迭代聚类算法在种子点周围完成一次迭代聚类后，类内像素颜色的最大差值，Num为输入图像中的总像素数，K为预分割的超像素区域单元的数量。作为本专利技术的进一步改进，所述步骤S2还包括：在输入图像中选取若干种子点，并在种子点周围以2S×2S的区域内进行迭代聚类。作为本专利技术的进一步改进，所述步骤S3中，超像素区域单元的灰度值概率分布间的KL散度的调和平均值的计算公式为：其中，为超像素区域单元p所包含的像素在对应颜色通道内的灰度值概率分布，γ为超像素区域单元q所包含的像素在对应颜色通道内的灰度值概率分布，表示超像素区域单元p在对应颜色通道内灰度值取i的像素所占的概率，γ(i)表示超像素区域单元q在对应颜色通道内灰度值取i的像素所占的概率，i∈[0，255]，为超像素区域单元p的灰度值概率分布相对于超像素区域单元q的灰度值概率分布的KL散度，为超像素区域单元q的灰度值概率分布相对于超像素区域单元p的灰度值概率分布的KL散度。作为本专利技术的进一步改进，所述步骤S4中，以各超像素区域单元为节点构建初始闭环连通图，然后对初始闭环连通图进行两次邻接扩展，以形成初始闭环连通图及两幅邻接扩展闭环连通图，并使用灰度值概率分布间KL散度的调和平均值对初始闭环连通图及两幅邻接扩展闭环连通图的边作加权处理。作为本专利技术的进一步改进，所述步骤S5中超像素区域单元的显著值的计算公式为：其中，DHM(p，pi)为相邻超像素区域单元p与超像素区域单元pi间的KL散度的调和平均值，Dsp(p，pi)为归一化处理后的相邻超像素区域单元p与超像素区域单元pt间的空间欧氏距离，常数σsp设置为0.25，为超像素区域单元pi的背景概率权重，常数σE设置为2.5，E(pi)为超像素区域单元pi的边界连通性度量值。作为本专利技术的进一步改进，所述步骤S5中的“使用显著值为超像素区域单元赋值”具体为：对初始闭环连通图及邻接扩展闭环连通图中的各超像素区域单元分别进行赋值。作为本专利技术的进一步改进，所述步骤S6具体包括以下子步骤：S61、平均融合若干初始人体显著图，以产生融合显著图；S62、将融合显著图作为引导图，对融合显著图进行引导滤波处理；S63、采用OTSU算法对经过引导滤波处理后的融合显著图进行图像二值化处理，以得到二值化图像；S64、将二值化图像作为引导图，对经过引导滤波处理后的融合显著图进行引导滤波处理，以获取显著的人体区域。作为本专利技术的进一步改进，所述步骤S3中的“颜色通道”包括：R颜色通道、G颜色通道、B颜色通道。与现有技术相比，本专利技术的有益效果是：在本专利技术中，有效的降低了超像素区域单元间颜色差异性对其显著一致性的过度影响，提高了对输入图像中具有显著性特征的人体区域的检测效果，从而获得了更加精确且视觉效果也更加平滑的人体显著图，从而实现了高效的确定优先处理对象，并合理分配计算资源，降低了后期对输入图像中对行人目标进行跟踪和/或计数的计算开销。附图说明图1为本专利技术一种基于视觉显著性的人体区域检测方法具体实施方式的流程示意图；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为本专利技术所示的超像素区域在种子点周围迭代聚类的搜索步长及搜索区域设置的示意图；图4为本专利技术所示的边界连通性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视觉显著性的人体区域检测方法的一种具体实施方式本文档来自技高网...

【技术保护点】
一种基于视觉显著性的人体区域检测方法，其特征在于，该方法包括以下步骤：S1、获取监控区域的视频流图像作为输入图像；S2、对输入图像执行预分割以形成超像素区域单元；S3、统计超像素区域单元在多个颜色通道内的灰度值概率分布，使用灰度值概率分布间的KL散度的调和平均值度量超像素区域单元间的颜色差异性；S4、以超像素区域单元为节点构建初始闭环连通图，并对初始闭环连通图作若干次邻接扩展，以构建若干邻接扩展闭环连通图，使用KL散度的调和平均值对初始闭环连通图及邻接扩展闭环连通图的边作加权处理；S5、基于超像素区域单元间的颜色差异性，同时结合空间距离权重及背景概率权重，在初始闭环连通图及邻接扩展闭环连通图上计算各超像素区域单元的显著值，并使用显著值为超像素区域单元赋值，以获取初始人体显著图；S6、平均融合初始人体显著图，并进行引导图滤波处理。

【技术特征摘要】
1.一种基于视觉显著性的人体区域检测方法，其特征在于，该方法包括以下步骤：S1、获取监控区域的视频流图像作为输入图像；S2、对输入图像执行预分割以形成超像素区域单元；S3、统计超像素区域单元在多个颜色通道内的灰度值概率分布，使用灰度值概率分布间的KL散度的调和平均值度量超像素区域单元间的颜色差异性；S4、以超像素区域单元为节点构建初始闭环连通图，并对初始闭环连通图作若干次邻接扩展，以构建若干邻接扩展闭环连通图，使用KL散度的调和平均值对初始闭环连通图及邻接扩展闭环连通图的边作加权处理；S5、基于超像素区域单元间的颜色差异性，同时结合空间距离权重及背景概率权重，在初始闭环连通图及邻接扩展闭环连通图上计算各超像素区域单元的显著值，并使用显著值为超像素区域单元赋值，以获取初始人体显著图；S6、平均融合初始人体显著图，并进行引导图滤波处理。2.根据权利要求1所述的基于视觉显著性的人体区域检测方法，其特征在于，所述步骤S1具体为：通过摄像机获取监控区域的视频流图像作为输入图像，所述监控区域位于摄像机的正下方。3.根据权利要求1所述的基于视觉显著性的人体区域检测方法，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，自适应选择紧凑度因子u，保持搜索步长为常量将输入图像执行预分割以形成超像素区域单元，所述超像素区域单元的内部颜色与大小均一致；其中，u为简单线性迭代聚类算法在种子点周围完成一次迭代聚类后，类内像素颜色的最大差值，Num为输入图像中的总像素数，K为预分割的超像素区域单元的数量。4.根据权利要求3所述的基于视觉显著性的人体区域检测方法，其特征在于，所述步骤S2还包括：在输入图像中选取若干种子点，并在种子点周围以2S×2S的区域内进行迭代聚类。5.根据权利要求1所述的基于视觉显著性的人体区域检测方法，其特征在于，所述步骤S3中，超像素区域单元的灰度值概率分布间的KL散度的调和平均值的计算公式为：其中，为超像素区域单元p所包含的像素在对应颜色通道内的灰度值概率分布，γ为超像素区域单元q所包含的像素在对应颜色通道内的灰度值概率分布，表示超像素区域单元p在对应颜色通道内灰度值取i的像素所占的概率，γ(i)表示超像素区...

【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