System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机视觉领域,尤其涉及一种鸟类视觉启发的复杂背景下运动目标显著性检测方法。
技术介绍
1、显著目标检测是指识别场景中能引起注意的显著区域,并将检测的结果用显著图来表示,显著图中的像素值代表当前位置属于显著目标的概率。显著目标检测作为计算机视觉任务中的预处理部分,在图像分割、目标检测、目标识别、前景标注、缩略图创建、图像压缩、视觉扫描路径预测和交通安全等领域有着广泛的应用。近年来,许多针对运动目标的显著性检测方法被提出,这些方法在一些复杂场景上存在局限性。
2、运动目标显著性检测任务包括空间显著性检测、时间显著性检测和时空显著性融合三个环节。运动目标显著性检测方法可以分为自底向上和自顶向下的两种方法,自顶向下的方法是任务驱动的,属于有监督学习,而自底向上的方法是数据驱动的,通常计算前景和背景的对比度得出显著度,属于无监督算法。针对现有无监督算法模型,对于空间显著性检测,yang通过凸包中心的先验概率计算显著图,但它依赖于凸包的位置,若估计不准确,则无法有效检测;xie提出了基于贝叶斯推理的方法,将多尺度的特征进行有效的结合,得到更精准概率推理结果;另一些方法更加注重边界的重要性,认为图像的边界一般属于背景区域,但当显著目标出现在图像边界时,这种基于背景边界假设的方法并不可靠;peng提出了基于拓扑特征的方法,这种方法受到拓扑感知理论的启发。相对空间显著性检测,基于视频帧的时间显著性检测则较为复杂,liu等人提出了基于运动信息传播的算法,考虑了帧间的相关性信息进行时序传播,但在复杂场景下性能下降;guo提
3、上述方法各有优势,但在面对复杂背景时无法很好的实现显著性检测的任务。这些方法的空间显著图仅使用颜色、纹理和空间位置等特征进行对比度计算,面对复杂颜色场景,会出现显著区域分布不均匀和背景噪声干扰大的情况;在时间显著图的计算中,一些方法将显著信息进行传播,但它们的原始时间显著图中的显著目标出现缺失,这样会将错误的信息进行传播;时空融合机制不合理,一些方法只是简单将时空信息进行相加或者相乘,这种方法面对复杂背景会失效。
技术实现思路
1、本专利技术的目的是提供一种鸟类视觉启发的复杂背景下运动目标显著性检测方法,能够基于鸟类在运动目标检测上的神经机制,准确地实现复杂背景下运动目标显著性检测。
2、本专利技术采用下述技术方案:
3、一种鸟类视觉启发的复杂背景下运动目标显著性检测方法,依次包括以下步骤:
4、a:对视频序列中每段视频的每一帧进行超像素分割,然后计算每个超像素的全局显著度特征和局部显著度特征;最后基于得到的全局显著度特征和局部显著度特征,使用贝叶斯框架进行特征融合,获得最终的空间显著度;
5、其中,全局显著度特征包括颜色坐标显著度特征和拓扑显著度特征;
6、b:对视频序列中每段视频的每一帧分别进行平滑处理,并通过光流场分析相邻帧的运动变化,使用光流场特征得到初始时间显著度;然后使用光流场特征计算得出梯度特征,使用梯度特征和初始时间显著度得到原始时间显著度;再计算基于运动方向特征的修正矩阵,对原始时间显著度进行修正;将修正后的时间显著度沿时间轴进行信息传播更新;最后,使用能量累积将修正并传播后的时间显著度进行信息的累积,得到最终时间显著度;
7、c:利用步骤a中获得的空间显著度和步骤b中获得的最终时间显著度,分别计算空间显著度的似然熵和时间显著性度的似然熵,并根据显著图融合模型获得最终的融合显著图。
8、所述的步骤a包括以下具体步骤:
9、a1:对视频序列中每段视频的每一帧进行超像素分割,得到每帧图像的超像素的集合{supi},i=1,...,n,n为超像素的总个数;
10、a2:计算每个超像素supi在cielab颜色空间中的颜色均值ci和空间坐标均值pi;
11、a3:计算每个超像素supi的全局显著度特征,全局显著度特征包括基于颜色距离和坐标距离的颜色坐标显著度特征sco(i)和基于拓扑特征的拓扑显著度特征sots(i);
12、a4:获取每个超像素supi的局部显著度特征sloc(i);
13、a5:基于得到的全局显著度特征和局部显著度特征,利用贝叶斯框架进行特征融合,获得最终的空间显著度
14、所述的步骤a3中,颜色坐标显著度特征sco(i)为:
15、
16、其中,下角标co表示颜色;i和j分别表示第i个和第j个超像素;ci和cj分别表示第i个和第j个超像素的cielab颜色均值;pi和pj分别表示第i个和第j个超像素的空间坐标均值;σp为空间权重参数;
17、拓扑显著度特征sots(i)为:
18、sots(i)=f(stc·sbias);
19、其中,下角标ots表示仅使用拓扑复杂度;stc表示拓扑复杂度,sbias表示中心偏置,函数f表示分式指数函数;
20、所述的步骤a4中,局部显著度特征sloc(i)为:
21、
22、其中,下角标loc为local的首字母缩写,u表示超像素supi的邻接矩阵中与超像素supi相邻的其余超像素的集合。
23、所述的步骤a5包括以下具体步骤:
24、a51:对全局显著度特征中的颜色坐标显著度和拓扑显著度进行融合,并作为贝叶斯模型的先验概率:sglo(i)=sco(i)·sots(i);
25、其中,sglo(i)表示空间全局显著度特征,glo为global的缩写;sco(i)表示颜色坐标显著度,sots(i)表示拓扑显著度;
26、a52:根据凸包中心坐标和凸包边界坐标,创建一个三角部分的掩膜并作为观测前景区域u0;
27、a53:利用局部显著度特征sloc(i),计算前景目标和背景目标的观测似然;
28、
29、
30、其中,p(sloc(i)|s1)表示前景目标的观测似然,p(sloc(i)|s0)表示背景目标的观测似然;s1表示前景目标中的超像素,s0表示背景目标中的超像素,表示观测前景区域u0内部属于前景目标的超像素个数,表示观测前景区域u0内部属于背景目标的超像素个数;下标s0表示属于背景目标,下标s本文档来自技高网...
【技术保护点】
1.一种鸟类视觉启发的复杂背景下运动目标显著性检测方法,其特征在于,依次包括以下步骤:
2.根据权利要求1所述的鸟类视觉启发的复杂背景下运动目标显著性检测方法,其特征在于,所述的步骤A包括以下具体步骤:
3.根据权利要求1所述的鸟类视觉启发的复杂背景下运动目标显著性检测方法,其特征在于:所述的步骤A3中,颜色坐标显著度特征Sco(i)为:
4.根据权利要求3所述的鸟类视觉启发的复杂背景下运动目标显著性检测方法,其特征在于,所述的步骤A5包括以下具体步骤:
5.根据权利要求5所述的鸟类视觉启发的复杂背景下运动目标显著性检测方法,其特征在于,所述的步骤B包括以下具体步骤:
6.根据权利要求5所述的鸟类视觉启发的复杂背景下运动目标显著性检测方法,其特征在于,所述的步骤B2中,初始时间显著度为:
7.根据权利要求6所述的鸟类视觉启发的复杂背景下运动目标显著性检测方法,其特征在于,所述的步骤B4中,所有超像素的整体修正矩阵SALxMb和最终修正后的矩阵SALMb'为:
8.根据权利要求7所述的鸟类视觉启发的
9.根据权利要求8所述的鸟类视觉启发的复杂背景下运动目标显著性检测方法,其特征在于,所述的步骤B6中,能量累积过后的显著图为:
10.根据权利要求9所述的鸟类视觉启发的复杂背景下运动目标显著性检测方法,其特征在于:所述的融合显著图SalFt为:
...【技术特征摘要】
1.一种鸟类视觉启发的复杂背景下运动目标显著性检测方法,其特征在于,依次包括以下步骤:
2.根据权利要求1所述的鸟类视觉启发的复杂背景下运动目标显著性检测方法,其特征在于,所述的步骤a包括以下具体步骤:
3.根据权利要求1所述的鸟类视觉启发的复杂背景下运动目标显著性检测方法,其特征在于:所述的步骤a3中,颜色坐标显著度特征sco(i)为:
4.根据权利要求3所述的鸟类视觉启发的复杂背景下运动目标显著性检测方法,其特征在于,所述的步骤a5包括以下具体步骤:
5.根据权利要求5所述的鸟类视觉启发的复杂背景下运动目标显著性检测方法,其特征在于,所述的步骤b包括以下具体步骤:
6.根据权利要求5所述的鸟类视觉启发的复...
【专利技术属性】
技术研发人员:牛晓可,方太禾,王治忠,张晋雄,刘锐斌,杨业冬,
申请(专利权)人:郑州大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。