一种基于边界增强的显著性检测方法技术

本发明专利技术公开了一种基于边界增强的显著性检测方法。其在训练阶段构建卷积神经网络，输入层包括RGB图输入层和深度图输入层，隐层包括5个RGB图神经网络块、3个深度图神经网络块、5个上采样块、1个均值最大最小滤波模块、1个最大最小滤波模块，输出层包括显著性输出层和显著性边界输出层；将训练集中的RGB图和深度图输入到卷积神经网络进行训练，得到显著性检测预测图；通过计算显著性检测预测图与真实显著性检测图像之间的损失函数值以及显著性边缘预测图与真实显著性边缘图之间的损失函数值，得到卷积神经网络训练模型；将待显著性检测的RGB图输入卷积神经网络训练得到预测显著性检测图像。本发明专利技术的显著性检测效率和准确率都很高。

A method of significance detection based on boundary enhancement

【技术实现步骤摘要】
一种基于边界增强的显著性检测方法
本专利技术涉及一种视觉显著性检测技术，尤其是涉及一种基于边界增强的显著性检测方法。
技术介绍
视觉显著性可以帮助人类快速地过滤掉不重要的信息，让人们的注意力更加集中在有意义的区域，从而能更好地理解眼前的场景。随着计算机视觉领域的快速发展，人们希望电脑也能拥有和人类相同的能力，即在理解和分析复杂的场景时，电脑可以更加针对性地处理有用的信息，从而能更大的降低算法的复杂度，并且排除杂波的干扰。在传统做法中，研究人员根据观察到的各种先验知识对显著性对象检测算法进行建模，生成显著性图。这些先验知识包括对比度、中心先验、边缘先验、语义先验等。然而，在复杂的场景中，传统做法往往不够准确，这是因为这些观察往往局限于低级别的特征(例如：颜色和对比度等)，所以不能准确反映出显著性对象本质的共同点。近年来，卷积神经网络已广泛运用于计算机视觉的各个领域，许多困难的视觉问题都获得了重大的进展。不同于传统做法，深度卷积神经网络能够从大量的训练样本中建模并自动的端到端(end-to-end)地学习到更为本质的特性，从而有效地避免了传本文档来自技高网...

【技术保护点】
1.一种基于边界增强的显著性检测方法，其特征在于，包括以下步骤：/n步骤1)选取Q幅含有真实物体的原始RGB图以及每幅原始RGB图对应的深度图、真实显著性检测图和真实显著性边界图，并构成训练集；/n步骤2)构建卷积神经网络，卷积神经网络包含输入层、隐层、输出层；/n步骤3)将训练集中的每幅原始RGB图以及对应的深度图输入到卷积神经网络中进行训练，从输出层输出得到显著性检测预测图以及显著性边界预测图，计算真实显著性检测图和对应的显著性检测预测图之间的损失函数值并记为第一损失函数值，计算真实显著性边界图和对应的显著性边界预测图之间的损失函数值并记为第二损失函数值，将第一损失函数值和第二损失函数值相...

【技术特征摘要】
1.一种基于边界增强的显著性检测方法，其特征在于，包括以下步骤：
步骤1)选取Q幅含有真实物体的原始RGB图以及每幅原始RGB图对应的深度图、真实显著性检测图和真实显著性边界图，并构成训练集；
步骤2)构建卷积神经网络，卷积神经网络包含输入层、隐层、输出层；
步骤3)将训练集中的每幅原始RGB图以及对应的深度图输入到卷积神经网络中进行训练，从输出层输出得到显著性检测预测图以及显著性边界预测图，计算真实显著性检测图和对应的显著性检测预测图之间的损失函数值并记为第一损失函数值，计算真实显著性边界图和对应的显著性边界预测图之间的损失函数值并记为第二损失函数值，将第一损失函数值和第二损失函数值相加得到总损失函数值；
步骤4)重复执行步骤3)共V次，共得到Q×V个总损失函数值，然后从Q×V个总损失函数值中找出值最小的总损失函数值，接着将值最小的总损失函数值对应的权值矢量和偏置项作为卷积神经网络的最优权值矢量和最优偏置项，从而完成卷积神经网络的训练；
步骤5)：将待显著性检测的RGB图像以及对应的深度图像输入到训练好的信息融合卷积神经网络中，输出得到对应的预测显著性检测图像和显著性边界预测图像。


2.根据权利要求1所述的一种基于边界增强的显著性检测方法，其特征在于，所述卷积神经网络的输入层包括RGB图输入层和深度图输入层，隐层包括深度图处理模块、RGB图处理模块和后处理模块，输出层包括依次连接的显著性输出层、第一最大最小滤波模块和显著性边界输出层；
RGB图输入层包括依次连接的五个RGB图神经网络块；深度图处理模块包括一个第一均值最大最小滤波模块和三个深度图神经网络块，第一均值最大最小滤波模块的输出分别输入第一个深度图神经网络块、第二个深度图神经网络块、第三个深度图神经网络块；第一个深度图神经网络块的输出和第二个RGB图神经网络块的输出相乘后再与第二个RGB图神经网络块的输出相加作为第三个RGB图神经网络块的输入，第二个深度图神经网络块的输出和第三个RGB图神经网络块的输出相乘后再与第三个RGB图神经网络块的输出相加作为第四个RGB图神经网络块的输入，第三个深度图神经网络块的输出和第四个RGB图神经网络块的输出相乘后再与第四个RGB图神经网络块的输出相加作为第五个RGB图神经网络块的输入；
后处理模块包括五个依次连接的上采样块，第一个上采样块的输入为第五个RGB图神经网络块的输出，第一个上采样块的输出与第五个RGB图神经网络块的输入相加后作为第二个上采样块的输入，第二个上采样块的输出与第四个RGB图神经网络块的输入相加后作为第三个上采样块的输入，第三个上采样块的输出与第三个RGB图神经网络块的输入相加后作为第四个上采样块的输入，第四个上采样块的输出与第二个RGB图神经网络块的输入相加后作为第五个上采样块的输入，第五个上采样块的输出作为显著性输出层的输入；
深度图输入层的输出作为第一均值最大最小滤波模块的输入，RGB图输入层的输出作为第一个RGB图神经网络块的输入。


3.根据权利要求1所述的一种基于边界增强的显著性检测方法，其...

【专利技术属性】
技术研发人员：周武杰，吴君委，黄思远，雷景生，王海江，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：浙江;33