基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法技术

本发明专利技术公开了一种基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，包括：1)对原图像进行超像素聚类，并提取每个超像素的颜色、纹理和边缘特征，据此构成特征矩阵；2)在MSRA数据库中，基于梯度下降法学习得到特征变换矩阵；3)在MSRA数据库中，利用全卷积神经网络学习得到高层语义先验知识；4)利用特征变换矩阵和高层语义先验知识矩阵对特征矩阵进行变换；5)利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解，并根据分解得到的稀疏噪声计算显著图。本发明专利技术作为图像预处理过程，可以被广泛的应用到视觉跟踪、图像分类、图像分割和目标重定位等视觉工作领域。

Region of interest detection method based on total convolution neural network and low rank sparse decomposition

The invention discloses a region of interest detection method based on full convolution neural network and low rank sparse decomposition, including: 1) superpixel clustering of the original image, and extracting the color, texture and edge features of each superpixel, thus forming a feature matrix; 2) learning by the gradient descent method in the MSRA data base is learned by the gradient descent method. The eigen transform matrix; 3) in the MSRA database, the full convolution neural network is used to learn the high-level semantic prior knowledge; 4) the feature matrix is transformed by the feature transformation matrix and the high-level semantic prior knowledge matrix; 5) the sparse decomposition of the transformed matrix is carried out by the robust principal component analysis algorithm, and the decomposition is obtained. A significant figure of sparse noise calculation. As an image preprocessing process, the invention can be widely applied to visual work such as visual tracking, image classification, image segmentation and target relocation.

【技术实现步骤摘要】
基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法
本专利技术涉及一种基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，该方法对与背景对比度不同、背景复杂度不同的感兴趣区域以及不同面积的感兴趣区域的图像都具有很好的检测效果，本专利技术作为图像预处理过程，可以被广泛的应用到视觉跟踪、图像分类、图像分割和目标重定位等视觉工作领域。
技术介绍
随着信息科技的快速发展与推广，图像数据成为人类重要的信息来源之一，人们所接收的信息量呈指数级增长。如何在海量的图像信息中筛选出人类感兴趣的目标区域具有重要研究意义。研究发现，在复杂场景下，人类视觉处理系统会将视觉注意力集中于该场景的少数几个对象，也称为感兴趣区域。感兴趣区域与人类视觉感知关系较为密切，具有一定的主观性。感兴趣区域检测作为图像预处理过程，可以被广泛的应用到视觉跟踪、图像分类、图像分割和目标重定位等视觉工作领域。感兴趣区域检测方法分为自上而下和自下而上两种。自上而下的检测方法[1，2，3]是任务驱动型的，需要人工标注真值图进行监督训练，融入更多的人类感知(例如中心先验信息、色彩先验信息和语义先验信息等等)得到显著图。而自下而上的方法本文档来自技高网...

【技术保护点】
一种基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，包括下列步骤：步骤1：对原图像进行超像素聚类，并提取每个超像素的颜色、纹理和边缘特征，据此构成特征矩阵；步骤2：基于梯度下降法学习得到特征变换矩阵；步骤3：利用全卷积神经网络学习得到高层语义先验知识；步骤4：利用特征变换矩阵和高层语义先验知识矩阵对特征矩阵进行变换；步骤5：利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解，并根据分解得到的稀疏噪声计算显著图。

【技术特征摘要】
1.一种基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，包括下列步骤：步骤1：对原图像进行超像素聚类，并提取每个超像素的颜色、纹理和边缘特征，据此构成特征矩阵；步骤2：基于梯度下降法学习得到特征变换矩阵；步骤3：利用全卷积神经网络学习得到高层语义先验知识；步骤4：利用特征变换矩阵和高层语义先验知识矩阵对特征矩阵进行变换；步骤5：利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解，并根据分解得到的稀疏噪声计算显著图。2.根据权利要求1所述基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，其特征在于，步骤1中，利用mean-shift聚类算法对原图像进行聚类，提取每个像素的颜色、边缘和纹理共53维特征，据此构成特征矩阵。3.根据权利要求1所述基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，其特征在于，步骤2中，基于梯度下降法利用MSRA标记的数据库学习得到特征变换矩阵T。4.根据权利要求1所述基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，其特征在于，步骤3中，基于FCN网络利用MSRA数据库训练的得到FCN-8s模型，对于每一幅待处理图像，利用训练好的FCN-8s模型进行处理，输出基于FCN的语义先验知识，据此构建相应的高层语义先验知识矩阵P∈...

【专利技术属性】
技术研发人员：张芳，肖志涛，王萌，吴骏，耿磊，王雯，刘彦北，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：天津,12