一种显著性目标提取方法及系统技术方案

本发明专利技术公开了一种显著性目标提取方法及系统，通过利用多个特征互补单元结合Res2Net主干网络生成的多个浅层特征图包括的浅层特征以及经过平均池化模块生成的全局特征图包括的高层特征，来使待检测图片生成的特征图产生互补特征，同时利用特征边缘细化模块提高待检测图片生成的特征图的边沿清晰度，从而提高了图片的显著性目标检测精度。

A salient object extraction method and system

【技术实现步骤摘要】
一种显著性目标提取方法及系统
本专利技术涉及目标检测
，特别是涉及一种显著性目标提取方法及系统。
技术介绍
随着信息化、智能化社会的发展，智能机器开始逐渐应用到人类的生活中，比如具有人脸识别、目标跟踪、行为检测的机器人开始应用于车站、医院等场所。一般来说，智能机器人通过摄像头等设备采集场景信息，然后通过处理器对场景中的信息进行处理，但是当前的智能机器仅仅处于初级阶段，无法处理背景信息较为复杂的场景。这一缺陷导致了智能机器的识别或者检测效果有限。针对这一问题，研究者们首先对采集图像进行预处理，然后将预处理后的图像输入到处理器。而显著性目标检测是预处理中采用的常见方法，该方法能够有效的提取图像或者视频中的显著性目标。目前显著性目标检测方法主要采用的是基于传统特征提取的方法。基于传统提取特征的方法通过提取光流直方图、梯度直方图等多种特征，然后对目标进行检测。但是传统特征提取的方法，在提取特征时，容易受到背景信息的干扰，导致传统特征提取方法检测性能较差。
技术实现思路
本专利技术的目的是提供一种显著性目标提取方法及系统本文档来自技高网...

【技术保护点】
1.一种显著性目标提取方法，其特征在于，包括Res2Net主干网络、去冗余信息模块、特征互补模块、特征增强模块、平均池化模块以及特征边缘细化模块；/nRes2Net主干网络包括第一层Res2Net单元、第二层Res2Net单元、第三层Res2Net单元和第四层Res2Net单元；所述平均池化模块包括第一平均池化单元、第二平均池化单元、第三平均池化单元；所述特征增强模块包括第一特征增强单元、第二特征增强单元、第三特征增强单元和第四特征增强单元；所述特征互补模块包括第一特征互补单元、第二特征互补单元和第三特征互补单元；/n待检测图片经所述第一层Res2Net单元生成第一浅层特征图，所述第一浅层特征...

【技术特征摘要】
1.一种显著性目标提取方法，其特征在于，包括Res2Net主干网络、去冗余信息模块、特征互补模块、特征增强模块、平均池化模块以及特征边缘细化模块；
Res2Net主干网络包括第一层Res2Net单元、第二层Res2Net单元、第三层Res2Net单元和第四层Res2Net单元；所述平均池化模块包括第一平均池化单元、第二平均池化单元、第三平均池化单元；所述特征增强模块包括第一特征增强单元、第二特征增强单元、第三特征增强单元和第四特征增强单元；所述特征互补模块包括第一特征互补单元、第二特征互补单元和第三特征互补单元；
待检测图片经所述第一层Res2Net单元生成第一浅层特征图，所述第一浅层特征图经所述第二层Res2Net单元生成第二浅层特征图，所述第二浅层特征图经所述第三层Res2Net单元生成第三浅层特征图，所述第三浅层特征图经所述第四层Res2Net单元生成第四浅层特征图；
所述第四浅层特征图经所述第一平均池化单元生成第一全局特征图；所述第四浅层特征图经所述第二平均池化单元生成第二全局特征图；所述第四浅层特征图经所述第三平均池化单元生成第三全局特征图；
所述第四浅层特征图经去冗余信息模块生成去冗余后的第四浅层特征图，所述去冗余后的第四浅层特征图经过所述第一特征增强单元生成增强特征映射后的第四浅层特征图；
所述第一特征互补单元根据所述增强特征映射后的第四浅层特征图、所述第三浅层特征图以及所述第一全局特征图，生成第一互补特征图；所述第一互补特征图经第二特征增强单元生成增强特征映射后的第一互补特征图；
所述第二特征互补单元根据所述增强特征映射后的第一互补特征图、所述第二浅层特征图以及所述第二全局特征图，生成第二互补特征图；所述第二互补特征图经所述第三特征增强单元生成增强特征映射后的第二互补特征图；
所述第三特征互补单元根据所述增强特征映射后的第二互补特征图、所述第一浅层特征图以及所述第三全局特征图，生成第三互补特征图，所述第三互补特征图经所述第四特征增强单元生成增强特征映射后的第三互补特征图；
所述特征边缘细化模块根据第一浅层特征图、第二浅层特征图和第三浅层特征图，生成边缘特征图和显著特征图。


2.根据权利要求1所述的显著性目标提取方法，其特征在于，所述第四浅层特征图经去冗余信息模块生成去冗余后的第四浅层特征图，具体包括：
对所述第四浅层特征图进行卷积处理，生成第一待相乘去冗余后的第四浅层特征图；
对所述第四浅层特征图依次进行下采样处理和卷积处理，生成第一待相乘去冗余后的第四浅层特征图；
将所述第一待相乘去冗余后的第四浅层特征图与所述第一待相乘去冗余后的第四浅层特征图相乘，生成所述去冗余后的第四浅层特征图。


3.根据权利要求1所述的显著性目标提取方法，其特征在于，所述去冗余后的第四浅层特征图经过所述第一特征增强单元生成增强特征映射后的第四浅层特征图，具体包括：
对所述去冗余后的第四浅层特征图进行卷积处理，生成卷积后的第四浅层特征图；
对所述卷积后的第四浅层特征图进行卷积处理，生成压缩后的第四浅层特征图；
将所述卷积后的第四浅层特征图与所述压缩后的第四浅层特征图相乘，生成相乘后的第四浅层特征图；
将所述相乘后的第四浅层特征图与所述压缩后的第四浅层特征图相加，生成所述增强特征映射后的第四浅层特征图。


4.根据权利要求1所述的显著性目标提取方法，其特征在于，所述第一特征互补单元根据所述增强特征映射后的第四浅层特征图、所述第三浅层特征图以及所述第一全局特征图，生成第一互补特征图，具体包括：
对所述增强特征映射后的第四浅层特征图依次进行卷积处理和上采样处理，生成第一待相乘增强特征映射后的第四浅层特征图；
对所述增强特征映射后的第四浅层特征图进行上采样处理，生成第二待相乘增强特征映射后的第四浅层特征图；
对所述第一全局特征图依次进行卷积处理和上采样处理，生成第三待相乘增强特征映射后的第四浅层特征图；
对所述第三浅层特征图进行卷积处理，生成卷积后的第三浅层特征图；
对所述卷积后的第三浅层特征图进行卷积处理生成压缩后的第三浅层特征图；
将所述第一待相乘增强特征映射后的第四浅层特征图与所述卷积后的第三浅层特征图相乘生成第一待拼接特征图；
将所述第二待相乘增强特征映射后的第四浅层特征图与所述压缩后的第三浅层特征图相乘生成第二待拼接特征图；
将所述第三待相乘增强特征映射后的第四浅层特征图与所述卷积后的第三浅层特征图相乘生成第三待拼接特征图；
将所述第一待拼接特征图、所述第二待拼接特征图和所述第三待拼接特征图进行拼接处理后，生成第一高层特征图；
对所述第一高层特征图进行卷积处理，生成所述第一互补特征图。


5.根据权利要求1所述的显著性目标提取方法，其特征在于，所述特征边缘细化模块根据第一浅层特征图、第二浅层特征图和第三浅层特征图，生成边缘特征图和显著特征图，具体包括：
Si＝Si+f(Si,E)(1)
Ei＝Ei+g(Ei,S)(2)



f＝Conv(Cat(Si,Cat3[CU(Ei)]))(4)
采用公式(1)-(4)生成边缘特征图E和显著特征图S；
其中，Ei表示第i层Res2Net单元生成的浅层特征图中的边沿特征，Si表示第i层Res2Net单元中生成的浅层特征...

【专利技术属性】
技术研发人员：文兵，邓杨保，邓曙光，张光富，张赛文，
申请(专利权)人：湖南城市学院，
类型：发明
国别省市：湖南;43