本發(fā)明屬于顯著目標(biāo)檢測技術(shù)領(lǐng)域，具體的說是一種基于區(qū)域能量的超像素顯著目標(biāo)檢測算法。

技術(shù)背景

顯著目標(biāo)檢測技術(shù)作為視頻處理領(lǐng)域中的基礎(chǔ)技術(shù)，在計(jì)算機(jī)視覺的多個(gè)領(lǐng)域有著廣泛的應(yīng)用。目前，顯著目標(biāo)檢測技術(shù)主要是通過構(gòu)建視覺顯著模型進(jìn)行顯著性分析，從而確定顯著目標(biāo)。Schauerte等人提出利用顯著性構(gòu)建自底向下模型，模擬人眼視覺機(jī)制，使用一個(gè)變焦旋轉(zhuǎn)攝像機(jī)有指向性地檢測顯著目標(biāo)，同時(shí)引入對尺度不變性特征的學(xué)習(xí)模式不斷校準(zhǔn)顯著目標(biāo)檢測結(jié)果。Jun-Yan，Zhu等人提出一種無人監(jiān)督目標(biāo)檢測方法，通過顯著性檢測將無人監(jiān)督學(xué)習(xí)轉(zhuǎn)變?yōu)槎鄬?shí)例學(xué)習(xí)，強(qiáng)調(diào)辨識力來解決無人監(jiān)督問題，運(yùn)用Disc-EM與MIL-Boost模型間的聯(lián)系，訓(xùn)練目標(biāo)檢測器，通過多類別目標(biāo)檢測有效地改善現(xiàn)有目標(biāo)檢測方法。國防科技大學(xué)研究生院信息與工程學(xué)院的楊俊提出基于內(nèi)容相關(guān)度的視覺顯著性表述，將圖像顯著事件分為弱、強(qiáng)相關(guān)事件，結(jié)合人造目標(biāo)檢測模型與區(qū)域分割算法進(jìn)行顯著目標(biāo)檢測。

現(xiàn)有顯著目標(biāo)檢測技術(shù)雖然能夠獲取目標(biāo)位置，但是由于檢測結(jié)果中包含非主體背景冗余信息而擴(kuò)大輪廓、紋理特征的識別范圍，或者僅檢測出目標(biāo)局部而丟失大量重要特征縮小識別區(qū)域的情形，這些不準(zhǔn)確的目標(biāo)特征無法為后續(xù)處理提供精確目標(biāo)參數(shù)信息，致使目標(biāo)識別、目標(biāo)跟蹤、行人檢測、行為分析等計(jì)算過程失效。對于現(xiàn)有顯著目標(biāo)檢測技術(shù)，其主要問題在于無法精確地提取輪廓及紋理特征，只能獲取顯著目標(biāo)的大致區(qū)域，包含大量背景冗余信息，對于顯著目標(biāo)檢測技術(shù)的優(yōu)化主要采用更加復(fù)雜的優(yōu)化學(xué)習(xí)算法來提高準(zhǔn)確 度，但這樣大大降低算法的處理能力，無法實(shí)時(shí)檢測目標(biāo)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺陷，提供一種一種基于區(qū)域能量的超像素顯著目標(biāo)檢測算法。本發(fā)明用超像素分割技術(shù)來解決顯著目標(biāo)檢測時(shí)出現(xiàn)的非主體特征或局部特征干擾問題，在計(jì)算量較低的條件下，利用超像素分割法處理有效獲取顯著目標(biāo)主體，從而突出被觀測目標(biāo)的主體內(nèi)容，為其他特征提取算法提供有益的特征信息區(qū)域。

超像素分割算法，就是按照一定的相似性準(zhǔn)則將圖像劃分成超像素塊，能夠很好地保持圖像邊界，有效提取結(jié)構(gòu)紋理特征，大幅度降低后續(xù)處理的計(jì)算機(jī)復(fù)雜度，可將超像素分割作為顯著目標(biāo)檢測結(jié)果的輔助優(yōu)化手段。目前，超像素分割算法主要分為兩類，基于圖論的算法和基于梯度上升的算法。前者的基本思想是將分割問題轉(zhuǎn)化為能量函數(shù)最小化問題，將圖像中的像素點(diǎn)看作圖節(jié)點(diǎn)，并賦予節(jié)點(diǎn)間的邊以權(quán)值，而后采用各種分割準(zhǔn)則對圖像進(jìn)行劃分，從而形成超像素；后者的基本思想是從最初的像素聚類開始，采用梯度法迭代修正聚類結(jié)果直至滿足收斂條件，從而形成超像素。

本發(fā)明的基于區(qū)域能量的超像素顯著目標(biāo)檢測算法，利用區(qū)域能量算法指導(dǎo)超像素分割區(qū)域優(yōu)化顯著目標(biāo)檢測結(jié)果，是一種自適應(yīng)、非學(xué)習(xí)的優(yōu)化算法。該算法通過區(qū)域能量算法對顯著算法提取出的顯著區(qū)域進(jìn)行處理，計(jì)算能量集中區(qū)域，根據(jù)能量集中區(qū)域的能量聚集度提取出顯著目標(biāo)的超像素分割結(jié)果，從而獲得較精確的顯著目標(biāo)輪廓區(qū)域，該算法計(jì)算復(fù)雜度低、不用離線學(xué)習(xí)算法，也無需先驗(yàn)信息，可方便應(yīng)用到視頻圖像處理，無需考慮運(yùn)動(dòng)目標(biāo)前后幀間的運(yùn)動(dòng)關(guān)系，提取出的目標(biāo)輪廓信息穩(wěn)定可靠，具有一定的工程實(shí)用價(jià)值，作為計(jì)算機(jī)視覺、機(jī)器人視覺領(lǐng)域特征提取預(yù)處理手段，為后續(xù)跟蹤識別技術(shù) 處理提供重要技術(shù)支撐。

為解決上述存在的技術(shù)問題，本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的。

一種基于區(qū)域能量的超像素顯著目標(biāo)檢測算法，該算法內(nèi)容具體包括如下步驟：

第1步，將輸入的待觀測視頻信息解碼為RGB格式的獨(dú)立圖像幀序列，該圖像幀序列的分辨率尺寸保持與原有輸入視頻分辨率相同；

第2步，設(shè)定顯著算法參數(shù)，通過顯著算法提取顯著區(qū)域；

第3步，設(shè)定區(qū)域能量算法參數(shù)，確定水平方向預(yù)估計(jì)能量閾值P_THX和垂直方向預(yù)估計(jì)能量閾值P_THY，其中{P_THX∈Z|P_THX≥0}，{P_THY∈Z|P_THY≥0}，水平方向預(yù)估計(jì)能量閾值P_THX和垂直方向預(yù)估計(jì)能量閾值P_THY根據(jù)移動(dòng)攝像頭鏡頭與被測物間的距離來決定，該距離可由紅外傳感器或者激光傳感器獲得；對顯著區(qū)域進(jìn)行目標(biāo)區(qū)域閾值劃分，提取顯著檢測目標(biāo)大致區(qū)域，記為能量顯著區(qū)域R_E；

第4步，計(jì)算能量顯著區(qū)域的能量集中程度，記為能量聚集度e(R_E)，當(dāng)能量顯著區(qū)域數(shù)量為1時(shí)，獲取該區(qū)域能量聚集度；當(dāng)能量顯著區(qū)域數(shù)量多于1個(gè)時(shí)，取面積最大的兩個(gè)能量顯著區(qū)域，獲取這兩個(gè)區(qū)域的并集區(qū)域作為最終能量顯著區(qū)域來計(jì)算能量聚集度；

第5步，設(shè)定超像素分割輸入?yún)?shù)，對圖像幀進(jìn)行超像素分割，得到超像素分割圖；

第6步，根據(jù)第4步得到能量聚集度，從第5步超像素分割圖中提取滿足 能量聚集度的超像素區(qū)域構(gòu)成最終顯著目標(biāo)結(jié)果，實(shí)現(xiàn)顯著目標(biāo)檢測過程。

本發(fā)明解決了現(xiàn)有顯著目標(biāo)檢測技術(shù)中，所檢測目標(biāo)區(qū)域含有大量外延信息，無法提取明確輪廓和紋理的問題。本發(fā)明提供的一種基于區(qū)域能量的超像素顯著目標(biāo)檢測算法。通過采用復(fù)雜度低、傳統(tǒng)的顯著區(qū)域提取算法和超像素分割算法，在無需離線學(xué)習(xí)的條件下，通過區(qū)域能量算法指導(dǎo)超像素分割區(qū)域優(yōu)化顯著目標(biāo)檢測結(jié)果，大大增強(qiáng)顯著目標(biāo)檢測技術(shù)的有效性與實(shí)時(shí)性，能夠提供更加精確的目標(biāo)輪廓紋理信息，為后續(xù)目標(biāo)中心點(diǎn)計(jì)算、色彩與局部特征提取等算法提供必要預(yù)處理保障。

通過采用上述技術(shù)方案，本發(fā)明提供的一種基于區(qū)域能量的超像素顯著目標(biāo)檢測算法，與現(xiàn)有技術(shù)相比具有這樣的有益效果：

現(xiàn)行顯著目標(biāo)檢測技術(shù)只能夠獲取目標(biāo)位置，檢測結(jié)果中包含非主體背景冗余信息，不能提取準(zhǔn)確目標(biāo)特征，無法為后續(xù)處理提供精確目標(biāo)參數(shù)信息，致使目標(biāo)識別、目標(biāo)跟蹤、行人檢測、行為分析等計(jì)算過程失效。同時(shí)，現(xiàn)有優(yōu)化算法通常采用更加復(fù)雜的優(yōu)化學(xué)習(xí)算法來提高準(zhǔn)確度，但這樣大大降低算法的處理能力，無法實(shí)時(shí)檢測目標(biāo)。

本發(fā)明采用超像素分割算法，有效分割顯著目標(biāo)主體，解決了顯著目標(biāo)檢測出現(xiàn)非主體特征或局部特征干擾問題。通過區(qū)域能量算法指導(dǎo)超像素分割來優(yōu)化顯著目標(biāo)檢測結(jié)果，減小計(jì)算復(fù)雜度，能夠獲得精確的目標(biāo)位置，提取顯著目標(biāo)主體，突出被觀測目標(biāo)主體內(nèi)容，為其他特征提取算法提供有益的特征信息，

本發(fā)明在實(shí)際運(yùn)算中，主要以圖像時(shí)頻域變換以及區(qū)域能量統(tǒng)計(jì)等計(jì)算為主，無需進(jìn)行學(xué)習(xí)訓(xùn)練等復(fù)雜運(yùn)算過程，計(jì)算復(fù)雜度低，是一種自適應(yīng)、非學(xué)習(xí)的優(yōu)化算法，便于快速及時(shí)檢測顯著目標(biāo)，可應(yīng)用于視頻處理場景中，對目 標(biāo)持續(xù)跟蹤。對攝像機(jī)本身的運(yùn)動(dòng)狀態(tài)要求不高，能夠適用于攝像機(jī)靜止或勻速平移的情況，同時(shí)，對目標(biāo)的運(yùn)動(dòng)狀態(tài)無太多要求，目標(biāo)在勻速、變速以及不連續(xù)運(yùn)動(dòng)的情況下，都能夠準(zhǔn)確地檢測到單個(gè)顯著目標(biāo)。

本發(fā)明能夠有效地去除非主體背景冗余信息，保留重要特征，突出被觀測目標(biāo)的主體內(nèi)容，為后續(xù)處理提供精確目標(biāo)參數(shù)信息，不用離線學(xué)習(xí)算法，也無需先驗(yàn)信息，可方便應(yīng)用到視頻圖像處理，無需考慮運(yùn)動(dòng)目標(biāo)的前后幀間的運(yùn)動(dòng)關(guān)系，提取出的目標(biāo)輪廓信息穩(wěn)定可靠，具有一定的工程實(shí)用價(jià)值，作為計(jì)算機(jī)視覺、機(jī)器人視覺領(lǐng)域特征提取預(yù)處理手段，為后續(xù)跟蹤識別技術(shù)處理提供重要技術(shù)支撐。

附圖說明

圖1是基于區(qū)域能量超像素顯著目標(biāo)檢測算法原理邏輯圖；

圖2是攝像機(jī)靜止拍攝辦公室內(nèi)單目標(biāo)運(yùn)動(dòng)的顯著目標(biāo)檢測實(shí)施結(jié)果示意圖；

圖3是攝像機(jī)手持拍攝辦公室內(nèi)單目標(biāo)運(yùn)動(dòng)的顯著目標(biāo)檢測實(shí)施結(jié)果示意圖；

圖4是USB攝像頭靜止拍攝辦公室內(nèi)單目標(biāo)運(yùn)動(dòng)的顯著目標(biāo)檢測實(shí)施結(jié)果示意圖；

圖5是攝像機(jī)靜止拍攝中廳室內(nèi)單目標(biāo)運(yùn)動(dòng)的顯著目標(biāo)進(jìn)程實(shí)施結(jié)果示意圖；

圖6是攝像機(jī)靜止拍攝走廊單目標(biāo)運(yùn)動(dòng)的顯著目標(biāo)進(jìn)程實(shí)施結(jié)果示意圖；

圖7是攝像機(jī)平移拍攝走廊單目標(biāo)慢速運(yùn)動(dòng)的顯著目標(biāo)進(jìn)程實(shí)施結(jié)果示意圖。

具體實(shí)施方式

下面結(jié)合附圖與具體實(shí)施方式對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)描述：

一種基于區(qū)域能量的超像素顯著目標(biāo)檢測算法，其算法原理邏輯圖如圖1所示，該算法具體實(shí)施步驟如下：

第1步：將輸入的待觀測視頻信息解碼為RGB格式的獨(dú)立圖像序列，分辨率與輸入視頻保持一致；

第2步：設(shè)定跳幀數(shù)，讀入當(dāng)前圖像幀F(xiàn)；第3步：輸入顯著算法參數(shù)，通過顯著算法對圖像幀F(xiàn)進(jìn)行顯著特征檢測，得到顯著區(qū)域二值圖像結(jié)果F_SR；

第4步，對顯著圖像F_SR，根據(jù)水平方向預(yù)估計(jì)能量閾值P_THX和垂直方向預(yù)估計(jì)能量閾值P_THY，進(jìn)行水平方向和垂直方向能量閾值劃分計(jì)算，得到能量顯著區(qū)域R_E；

第5步：判定能量顯著區(qū)域個(gè)數(shù)，能量顯著區(qū)域R_E數(shù)量為1時(shí)，計(jì)算該區(qū)域能量聚集度e(R_E)；能量顯著區(qū)域R_E數(shù)量多于1個(gè)時(shí)，取面積最大的兩個(gè)R_E的并集作為最終R_E來計(jì)算能量聚集度e(R_E)；

第6步：輸入超像素算法參數(shù)，對圖像幀F(xiàn)進(jìn)行超像素分割處理，得到超像素分割結(jié)果F_SP；

第7步：找出超像素分割結(jié)果F_SP中滿足能量聚集度e(R_E)的超像素區(qū)域塊，確定最終顯著目標(biāo)，獲得最終顯著目標(biāo)檢測結(jié)果R；

第8步：根據(jù)跳幀數(shù)，讀取下一幀圖像幀作為輸入，循環(huán)執(zhí)行第2～6步，直到讀取完視頻的最后一幀，終止循環(huán)，實(shí)現(xiàn)結(jié)束。

實(shí)施例1：

攝像機(jī)靜止拍攝，辦公室內(nèi)單個(gè)目標(biāo)運(yùn)動(dòng)情況

本實(shí)施例將本發(fā)明應(yīng)用于攝像機(jī)靜止拍攝狀態(tài)下，辦公室內(nèi)單個(gè)運(yùn)動(dòng)顯著目標(biāo)檢測。在此條件下，攝像機(jī)安裝并固定于某機(jī)器人或者三腳架頂部，水平 拍攝，在鏡頭的視野內(nèi)，一個(gè)人物目標(biāo)按照0.6m/s的速度，由遠(yuǎn)及近走入攝像機(jī)視野。此視頻主要針對室內(nèi)場景或者拍攝背景不運(yùn)動(dòng)的情況，但是，背景中包含桌子、椅子、電腦等室內(nèi)常見家具物品，與人物服飾、衣著無關(guān)，在拍攝期間，光照度不發(fā)生劇烈變化，本實(shí)施例不涉及夜視等微光特殊環(huán)境。

實(shí)施例參數(shù)說明：視頻格式MP4，視頻幀數(shù)60幀，視頻圖像尺寸1920×1080。預(yù)估計(jì)閾值P_THX＝40，P_THY＝20。

本實(shí)施例以第1幀、第10幀、第20幀、第30幀、第40幀和第50幀為例，結(jié)果如圖2所示。圖2-(1)為解碼后的輸入視頻幀；經(jīng)過顯著算法提取顯著區(qū)域而得到的二值化顯著圖，如圖2-(2)所示；經(jīng)過超像素分割，得到超像素區(qū)域，如圖2-(3)所示；通過區(qū)域能量算法，劃分能量顯著區(qū)域，計(jì)算能量聚集度，結(jié)合超像素區(qū)域，最終獲得顯著目標(biāo)，如圖2-(4)所示。

實(shí)施例2：

攝像機(jī)手持平移拍攝，辦公室內(nèi)單個(gè)目標(biāo)運(yùn)動(dòng)情況

本實(shí)施例將本發(fā)明應(yīng)用于攝像機(jī)手持拍攝狀態(tài)下，辦公室內(nèi)單個(gè)運(yùn)動(dòng)顯著目標(biāo)檢測。在此條件下，攝像機(jī)采取手持式，以0.5m/s的速度勻速平移，在鏡頭的視野外，一個(gè)人物目標(biāo)按照0.6m/s的速度，攝像機(jī)視野內(nèi)由右至左運(yùn)動(dòng)。此視頻主要針對手持?jǐn)z像機(jī)平移、室內(nèi)場景相對于鏡頭發(fā)生移動(dòng)的情況，同時(shí)，由于手持?jǐn)z像機(jī)，拍攝視頻存在抖動(dòng)，背景中包含桌子、椅子、電腦等室內(nèi)常見家具物品，與人物服飾、衣著無關(guān)，在拍攝期間，光照度不發(fā)生劇烈變化，本實(shí)施例不涉及夜視等微光特殊環(huán)境。

實(shí)施例參數(shù)說明：視頻格式MP4，視頻幀數(shù)60幀，視頻圖像尺寸1920×1080。預(yù)估計(jì)閾值P_THX＝70，P_THY＝10。

本實(shí)施例以第1幀、第10幀、第20幀、第30幀、第40幀和第50幀為例， 結(jié)果如圖3所示。圖3-(1)為解碼后的輸入視頻幀；經(jīng)過顯著算法提取顯著區(qū)域而得到的二值化顯著圖，如圖3-(2)所示；經(jīng)過超像素分割，得到超像素區(qū)域，如圖3-(3)所示；通過區(qū)域能量算法，劃分能量顯著區(qū)域，計(jì)算能量聚集度，結(jié)合超像素區(qū)域，最終獲得顯著目標(biāo)，如圖3-(4)所示。

實(shí)施例3：

USB攝像機(jī)靜止拍攝，辦公室內(nèi)單個(gè)目標(biāo)運(yùn)動(dòng)情況

本實(shí)施例將本發(fā)明應(yīng)用于USB攝像機(jī)靜止拍攝狀態(tài)下，辦公室內(nèi)單個(gè)運(yùn)動(dòng)顯著目標(biāo)檢測。在此條件下，USB攝像機(jī)固定于支架上，水平拍攝，在鏡頭的視野內(nèi)，一個(gè)人物目標(biāo)按照0.6m/s的速度，在攝像機(jī)視野內(nèi)由左至右運(yùn)動(dòng)。此視頻主要針對室內(nèi)場景或者拍攝背景不運(yùn)動(dòng)的情況，但是，背景中包含桌子、椅子、電腦等室內(nèi)常見家具物品，與人物服飾、衣著無關(guān)，在拍攝期間，光照度不發(fā)生劇烈變化，本實(shí)施例不涉及夜視等微光特殊環(huán)境。

實(shí)施例參數(shù)說明：視頻格式MP4，視頻幀數(shù)60幀，視頻圖像尺寸640×480。預(yù)估計(jì)閾值P_THX＝90，P_THY＝10。

本實(shí)施例以第1幀、第10幀、第20幀、第30幀、第40幀和第50幀為例，結(jié)果如圖4所示。圖4-(1)為解碼后的輸入視頻幀；經(jīng)過顯著算法提取顯著區(qū)域而得到的二值化顯著圖，如圖4-(2)所示；經(jīng)過超像素分割，得到超像素區(qū)域，如圖4-(3)所示；通過區(qū)域能量算法，劃分能量顯著區(qū)域，計(jì)算能量聚集度，結(jié)合超像素區(qū)域，最終獲得顯著目標(biāo)，如圖4-(4)所示。

實(shí)施例4：

攝像機(jī)靜止拍攝，中廳室內(nèi)單個(gè)目標(biāo)運(yùn)動(dòng)情況

本實(shí)施例將本發(fā)明應(yīng)用于攝像機(jī)靜止拍攝狀態(tài)下，中廳室內(nèi)單個(gè)運(yùn)動(dòng)顯著目標(biāo)檢測。在此條件下，攝像機(jī)安裝并固定于某機(jī)器人或者三腳架頂部，水平 拍攝，在鏡頭的視野內(nèi)，一個(gè)人物目標(biāo)按照0.6m/s的速度，由遠(yuǎn)及近走入攝像機(jī)視野。此視頻主要針對室內(nèi)場景或者拍攝背景不運(yùn)動(dòng)的情況，但是，背景中包含掛畫、門窗等中廳室內(nèi)常見家具物品，與人物服飾、衣著無關(guān)，在拍攝期間，光照度不發(fā)生劇烈變化，本實(shí)施例不涉及夜視等微光特殊環(huán)境。

實(shí)施例參數(shù)說明：視頻格式MP4，視頻幀數(shù)60幀，視頻圖像尺寸1920×1080。預(yù)估計(jì)閾值P_THX＝90，P_THY＝20。

本實(shí)施例以第1幀、第10幀、第20幀、第30幀、第40幀和第50幀為例，結(jié)果如圖5所示。圖5-(1)為解碼后的輸入視頻幀；經(jīng)過顯著算法提取顯著區(qū)域而得到的二值化顯著圖，如圖5-(2)所示；經(jīng)過超像素分割，得到超像素區(qū)域，如圖5-(3)所示；通過區(qū)域能量算法，劃分能量顯著區(qū)域，計(jì)算能量聚集度，結(jié)合超像素區(qū)域，最終獲得顯著目標(biāo)，如圖5-(4)所示。

實(shí)施例5：

攝像機(jī)靜止拍攝，走廊單個(gè)目標(biāo)運(yùn)動(dòng)情況

本實(shí)施例將本發(fā)明應(yīng)用于攝像機(jī)靜止拍攝狀態(tài)下，中廳室內(nèi)單個(gè)運(yùn)動(dòng)顯著目標(biāo)檢測。在此條件下，攝像機(jī)采取手持式，以0.5m/s的速度勻速水平平移，在鏡頭的視野外，一個(gè)人物目標(biāo)按照0.6m/s的速度，在攝像機(jī)視野內(nèi)由右至左運(yùn)動(dòng)。此視頻主要針對室內(nèi)場景或者拍攝背景不運(yùn)動(dòng)的情況，但是，背景中包含掛畫、門、地腳線等走廊內(nèi)常見家具物品，與人物服飾、衣著無關(guān)，在拍攝期間，光照度不發(fā)生劇烈變化，本實(shí)施例不涉及夜視等微光特殊環(huán)境。

實(shí)施例參數(shù)說明：視頻格式MP4，視頻幀數(shù)60幀，視頻圖像尺寸1920×1080。預(yù)估計(jì)閾值P_THX＝90，P_THY＝20。

本實(shí)施例以第1幀、第10幀、第20幀、第30幀、第40幀和第50幀為例，結(jié)果如圖6所示。圖6-(1)為解碼后的輸入視頻幀；經(jīng)過顯著算法提取顯著區(qū)域 而得到的二值化顯著圖，如圖6-(2)所示；經(jīng)過超像素分割，得到超像素區(qū)域，如圖6-(3)所示；通過區(qū)域能量算法，劃分能量顯著區(qū)域，計(jì)算能量聚集度，結(jié)合超像素區(qū)域，最終獲得顯著目標(biāo)，如圖6-(4)所示。

實(shí)施例6：

攝像機(jī)手持平移拍攝，走廊內(nèi)單個(gè)目標(biāo)慢速運(yùn)動(dòng)情況

本實(shí)施例將本發(fā)明應(yīng)用于攝像機(jī)靜止拍攝狀態(tài)下，中廳室內(nèi)單個(gè)運(yùn)動(dòng)顯著目標(biāo)檢測。在此條件下，攝像機(jī)安裝并固定于某機(jī)器人或者三腳架頂部，水平拍攝，在鏡頭的視野外，一個(gè)人物目標(biāo)按照0.2m/s的速度，由遠(yuǎn)及近走入攝像機(jī)視野。此視頻主要針對室內(nèi)場景或者拍攝背景不運(yùn)動(dòng)的情況，但是，背景中包含掛畫、門、地腳線等走廊內(nèi)常見家具物品，與人物服飾、衣著無關(guān)，在拍攝期間，光照度不發(fā)生劇烈變化，本實(shí)施例不涉及夜視等微光特殊環(huán)境。

實(shí)施例參數(shù)說明：視頻格式MP4，視頻幀數(shù)60幀，視頻圖像尺寸1920×1080。預(yù)估計(jì)閾值P_THX＝90，P_THY＝20。

本實(shí)施例以第1幀、第10幀、第20幀、第30幀、第40幀和第50幀為例，結(jié)果如圖7所示。圖7-(1)為解碼后的輸入視頻幀；經(jīng)過顯著算法提取顯著區(qū)域而得到的二值化顯著圖，如圖7-(2)所示；經(jīng)過超像素分割，得到超像素區(qū)域，如圖7-(3)所示；通過區(qū)域能量算法，劃分能量顯著區(qū)域，計(jì)算能量聚集度，結(jié)合超像素區(qū)域，最終獲得顯著目標(biāo)，如圖7-(4)所示。