基于背景学习的显著物体检测

摘要：

目的 显著物体检测的目标是提取给定图像中最能吸引人注意的物体或区域,在物体识别、图像显示、物体分割、目标检测等诸多计算机视觉领域中都有广泛应用.已有的基于局部或者全局对比度的显著物体检测方法在处理内容复杂的图像时,容易造成检测失败,其主要原因可以总结为对比度参考区域设置的不合理.为提高显著物体检测的完整性,提出背景驱动的显著物体检测算法,在显著值估计和优化中充分利用背景先验.方法 首先采用卷积神经网络学习图像的背景分布,然后从得到的背景图中分割出背景区域作为对比度计算参考区域来估计区域显著值.最后,为提高区域显著值的一致性,采用基于增强图模型的优化实现区域显著值的扩散,即在传统k-正则图局部连接的基础上,添加与虚拟节点之间的先验连接和背景区域节点之间的非局部连接,实现背景先验信息的嵌入.结果 在公开的ASD、SED、SOD和THUS-10000数据库上进行实验验证,并与9种流行的算法进行对比.本文算法在4个数据库上的平均准确率、查全率、F-measure和MAE指标分别为0.873 6、0.795 2、0.844 1和0.112 2,均优于当前流行的算法.结论 以背景区域作为对比度计算参考区域可以明显提高前景区域的显著值.卷积神经网络可以有效学习图像的背景分布并分割出背景区域.基于增强图模型的优化可以进一步实现显著值在前景和背景区域的扩散,提高区域显著值的一致性,并抑制背景区域的显著性响应.实验结果表明,本文算法能够准确、完整地检测图像的显著区域,适用于复杂图像的显著物体检测或物体分割应用.

关键词：显著物体检测、背景学习、背景先验、卷积神经网络、增强图模型优化

所属期刊栏目：21

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目61203256,61233003;安徽省自然科学基金项目1408085MF112National Natural Science Foundation of China61203256,61233003;Natural Science Foundation of Anhui Province,China1408085MF112

在线出版日期：2017-01-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1634-1643