多深度特征融合的图像显著性目标检测方法及系统技术方案

本发明专利技术公开了一种多深度特征融合的图像显著性目标检测方法及系统，包括：获取设定场景下的待检测图像信息；将所述图像信息输入到训练好的多深度特征融合神经网络模型；所述多深度特征融合神经网络模型在编码阶段采用卷积进行特征提取，在解码阶段结合卷积和双线性插值的上采样方法还原输入图像的信息，输出具有显著性信息的特征图；采用多层级网络学习不同层级的特征图，将不同层级的特征图融合；输出最终的显著性目标检测结果。本发明专利技术利用多深度特征融合神经网络对场景中的图像进行显著性目标检测，保障检测的精度，并加快了后续处理过程的速度；加入轮廓检测支路，用轮廓特征细化待测目标的边界细节。

【技术实现步骤摘要】
多深度特征融合的图像显著性目标检测方法及系统
本专利技术涉及图像显著性目标检测
，尤其涉及一种多深度特征融合的图像显著性目标检测方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。显著性目标检测，是指用计算机模仿人类视觉注意机制，将图像中最能引起人类视觉关注的人或事物从背景中分离出来。图像由很多像素点构成，像素点的亮度、颜色等属性不同，其对应的显著特征值也会有所不同。不同于传统的目标检测和语义分割任务，显著性目标检测只关注最能引起视觉注意的部分而不对其进行分类，且一般检测结果为像素级别，因此，显著性目标检测往往被作为各个图像处理方法的前置步骤，用以提高后续处理流程的精确度。目前，显著性目标检测被应用于医学图像分割、智能摄影、图像检索、虚拟背景、智能无人系统等领域。显著性目标检测是智能无人系统中的基础任务，为后续的目标识别与决策奠定基础。近年来，人工智能行业迅猛发展，人们追求智能化生活与工业领域的无人化作业，智能无人系统成了人们研究的热点。以无人驾驶系统为例，无人驾驶是本文档来自技高网...

【技术保护点】
1.一种多深度特征融合的图像显著性目标检测方法，其特征在于，包括：/n获取设定场景下的待检测图像信息；/n将所述图像信息输入到训练好的多深度特征融合神经网络模型；/n所述多深度特征融合神经网络模型在编码阶段采用卷积进行特征提取，在解码阶段结合卷积和双线性插值的上采样方法还原输入图像的信息，输出具有显著性信息的特征图；/n采用多层级网络学习不同层级的特征图，将不同层级的特征图融合；/n输出最终的显著性目标检测结果。/n

【技术特征摘要】
1.一种多深度特征融合的图像显著性目标检测方法，其特征在于，包括：
获取设定场景下的待检测图像信息；
将所述图像信息输入到训练好的多深度特征融合神经网络模型；
所述多深度特征融合神经网络模型在编码阶段采用卷积进行特征提取，在解码阶段结合卷积和双线性插值的上采样方法还原输入图像的信息，输出具有显著性信息的特征图；
采用多层级网络学习不同层级的特征图，将不同层级的特征图融合；
输出最终的显著性目标检测结果。


2.如权利要求1所述的一种多深度特征融合的图像显著性目标检测方法，其特征在于，加入轮廓检测支路，通过多深度特征融合神经网络模型提取显著性目标轮廓特征信息，用轮廓特征细化待测目标的边界细节；然后将待检测图像的显著性特征信息和显著性目标轮廓特征信息进行融合。


3.如权利要求1所述的一种多深度特征融合的图像显著性目标检测方法，其特征在于，对于多深度特征融合神经网络模型的训练过程包括：
获取设定场景下的不同图像信息，对每一个图像中的像素点，进行二值化的显著性标注，确定标签，进而形成训练集和测试集；
对训练集图像进行随机缩放、裁剪、填充边界和翻转，以扩充数据集；
通过计算图像中每个像素点的均值和方差建立背景模型，将像素点归一化，进行特征的提取；
将提取的特征输入到多深度特征融合神经网络模型中进行训练；
利用测试集图像对训练完成的神经网络模型进行验证。


4.如权利要求3所述的一种多深度特征融合的图像显著性目标检测方法，其特征在于，通过计算图像中每个像素点的均值和方差建立背景模型，将像素点归一化，进行特征的提取，具体过程包括：
计算所有图像像素点的平均值和方差，得到背景模型；
图像每一个像素点的像素值减去平均值并除以方差，得到满足正态分布的数据。


5.如权利要求1所述的一种多深度特征融合的图像显著性目标检测方法，其特征在于，所述多深度特征融合神经网络模型在编码阶段采用卷积进行特征提取，具体为：
通过一个卷积层将图像采...

【专利技术属性】
技术研发人员：陈振学，闫星合，刘成云，孙露娜，段树超，朱凯，陆梦旭，李明，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37