本發(fā)明涉及一種時空域顯著度檢測方法，屬于圖像處理領域，具體涉及一種基于位置先驗信息的時空域顯著度檢測方法。
背景技術：
在計算機視覺領域，圖像視頻顯著度檢測作為目標識別、視頻監(jiān)控、移動機器人學的預處理部分已經(jīng)進行廣泛的研究。圖像視頻顯著度研究一般基于自底向上的快速顯著度檢測方式，這類方法由中低層特征驅動，適用范圍較廣，運算速度較快。
目前視頻時空域顯著度研究對于圖像顯著度研究相對較新，基于視頻與圖像的相似性，現(xiàn)有的圖像顯著度檢測方法可以獨立應用于視頻的每一幀圖像，這樣的方式忽略了視頻的時域信息?？紤]到時域信息是視頻顯著度檢測最主要的影響因素，空域特征可以結合時域特征計算獨立幀的顯著度。
現(xiàn)有技術中的一些算法主要有：(1)在已有的圖像顯著度模型上對原有空域特征維度進行擴展，加入運動特征，用于預測動態(tài)場景中人眼預測的顯著位置；(2)利用亮度、顏色和運動適量的局部對比生成最終的顯著度圖；(3)利用基于多種低層特征的時空顯著度將高幀率的視頻輸入轉為低幀率視頻。這些方法都忽略了視頻顯著度圖的時空連續(xù)性，可能導致顯著圖中的顯著目標在時間軸上并不連續(xù)。
為了獲取視頻更高維度的特征，區(qū)域對比度被廣泛應用到顯著度檢測中，區(qū)域對比度通常的做法是計算區(qū)域特征差異并加權空間位置關系，然而這樣的加權方式可能會導致目標衰減或者難以區(qū)分前景和背景區(qū)域的相似的顏色。
為了解決這兩個問題，需要利用位置先驗信息對前景位置定位，通過利用位置信息，保持時空域顯著度圖的時空一致性，且改進對比度算法，從而提高視頻顯著度檢測的準確性。
技術實現(xiàn)要素：
針對現(xiàn)有技術的不足，本發(fā)明提供了一種基于前景位置先驗信息的時空域視頻顯著度檢測方法，該方法通過連續(xù)獲取視頻前景區(qū)域位置信息，保持視頻時空域顯著度圖的幀間連續(xù)性并改進前景背景對比度算法，進而凸顯顯著目標并抑制背景區(qū)域。
一種基于位置先驗信息的顯著度檢測方法，包括：
超像素集分割步驟，將視頻幀It分割成大小相似、顏色高度一致的超像素集
空域顯著度計算步驟，基于空間位置關系加權計算超像素與其他超像素的超像素重要度特征值差異得到的空域對比度，基于各超像素的空域對比度得到視頻的空域著度圖其中，超像素重要度為其對應顏色與整幀其他超像素主要顏色的對比度；
時域顯著度計算步驟，根據(jù)超像素運動直方圖和整幀運動直方圖之間的差異得到每個超像素的運動區(qū)分度基于更新運動區(qū)分度之間的特征差異計算視頻的時域顯著度圖
時空顯著圖融合步驟，基于時域到空域的一致性MCT，空域到時域的一致性MCS，采用基于這兩個一致性系數(shù)的選擇項和交互項非線性融合時、空域顯著度圖；其中，MCT與MCS由時域顯著度圖和空域顯著度圖的乘積分別除以空域顯著度圖中所有超像素的空域顯著度值總和時域顯著度圖中所有超像素的時域顯著度值總和得到。
作為優(yōu)選，上述的一種基于位置先驗信息的顯著度檢測方法，所述超像素集分割步驟中，基于SLIC算法將該幀分割成大小相似、顏色高度一致的超像素集使用最小方差量化算法減少It中出現(xiàn)頻率低的顏色，從而量化It的顏色。
作為優(yōu)選，上述的一種基于位置先驗信息的顯著度檢測方法，所述空域顯著度計算步驟中，通過顏色直方圖對比度算法計算超像素重要度
作為優(yōu)選，上述的一種基于位置先驗信息的顯著度檢測方法，所述空域對比度的計算包括前景背景對比度計算，具體為：
定義超像素距離背景區(qū)域的最短路徑為關鍵路徑背景區(qū)域超像素的關鍵路徑為該超像素跟其相鄰距離最短的背景區(qū)域超像素之間的歐氏距離，而前景區(qū)域超像素的關鍵路徑跟前景區(qū)域的面積相關，定義如下。
式中，F(xiàn)t為前景區(qū)域，Bt為背景區(qū)域；
基于位置信息的空域特征差異為之間的超像素重要度差值ψ(i，j)加權單位階躍函數(shù)ε(ψ(i，j))，即ψ(i，j)大于0時，ε(ψ(i，j))值為1，反之則為0；ψ(i，j)依據(jù)超像素位于不同的區(qū)域，定義如下：
前景背景對比度為超像素的空間特征差異加權空間位置關系，前景背景對比度表示如下，式中，為超像素之間的歐氏距離；
作為優(yōu)選，上述的一種基于位置先驗信息的顯著度檢測方法，所述空域對比度的計算包括前景局部對比度計算，具體為：計算前景區(qū)域內超像素與其它前景區(qū)域內超像素的超像素重要度特征值差異總和并相應加權空間位置關系，得到前景局部對比度
作為優(yōu)選，上述的一種基于位置先驗信息的顯著度檢測方法，所述空域對比度的計算包括前景局部對比度計算、前景局部對比度計算，并且基于下式計算視頻空域顯著度圖
其中，線性系數(shù)η為0.5，為前景局部對比度，為前景背景對比度。
作為優(yōu)選，上述的一種基于位置先驗信息的顯著度檢測方法，所述時域顯著度計算步驟中，采用LDOF光流法提取每一幀像素級運動矢量場，依據(jù)運動矢量場，提取每個超像素的運動直方圖和整幀運動直方圖通過計算超像素級運動直方圖和幀級運動直方圖之間的差異，得到每個超像素的運動區(qū)分度
作為優(yōu)選，上述的一種基于位置先驗信息的顯著度檢測方法，在計算運動區(qū)分度后，加上幀內運動一致性約束來更新運動區(qū)分度，具體步驟包括：依據(jù)SF方法計算的空間方差更新運動區(qū)分度為根據(jù)取得的更新運動區(qū)分度，采用前景背景對比度算法，計算整幀每個超像素跟其他超像素的更新運動區(qū)分度的差異累積，從而得到時域顯著度圖
作為優(yōu)選，上述的一種基于位置先驗信息的顯著度檢測方法，所述時空顯著圖融合步驟中，根據(jù)SP方法可得，交互項根據(jù)MCT和MCS對和融合，融合方式如下：
選擇項的計算方式為：分別計算時域和空域中的所有超像素顯著度值的總和并加權每個超像素到前景區(qū)域中心的歐式距離，得到時域顯著度分布DIST和空域顯著度分布DISS，比較DIST和DISS的大小，為這兩者中較小值對應的顯著度圖。
作為優(yōu)選，上述的一種基于位置先驗信息的顯著度檢測方法，基于下式融合交互項和選擇項得到最終的時空域顯著度圖
式中，λt等于sqrt(MCT··MCS)，利用λt可以較好地融合時、空域顯著度圖。
本發(fā)明可以實現(xiàn)對背景復雜運動復雜的視頻進行較準確的視頻顯著度提取，從而有效解決背景技術提到的問題，可以作為視頻計算機視覺的預處理工作部分。
附圖說明
圖1為本發(fā)明方法流程圖。
具體實施方式
為了便于本領域普通技術人員理解和實施本發(fā)明，下面結合附圖及實施例對本發(fā)明作進一步的詳細描述，應當理解，此處所描述的實施示例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。
本發(fā)明是一種基于位置先驗信息的視頻時空域顯著度提取方法，基于前景位置信息，提出增強前景背景對比度算法和前景局部對比度算法；
其思路是結合幀內運動一致性提取視頻空域和時域的高層特征，并基于前一幀的時空域顯著度圖獲取當前視頻幀的前景區(qū)域位置信息，基于該位置先驗信息，對提取的中層特征采用增強的前景背景對比度算法計算分別得到空域、時域顯著度圖。最后通過交互式融合得到最終的時空域顯著度圖。
具體實現(xiàn)時，首先采用SLIC算法將該幀分割成大小相似、顏色高度一致的超像素集并使用最小方差量化算法減少It中出現(xiàn)頻率低的顏色；然后根據(jù)前一幀的時空域顯著度圖提取顯著度值大于0.4的聯(lián)通區(qū)域作為當前幀的前景區(qū)域Ft，初始幀的前景區(qū)域Ft默認為整幀視頻圖像；根據(jù)的最主要顏色的計算超像素的超像素重要度然后基于前景位置信息，利用前景背景對比度和前景局部對比度加權計算得到空域顯著度圖然后提取每幀的像素級運動矢量場，并進一步提取的運動直方圖和整幀運動直方圖根據(jù)超像素級直方圖和幀級直方圖差異計算得到運動區(qū)分度通過引入反映運動一致性的運動空間分布的更新運動區(qū)分度得到基于前景背景對比度方法，計算更新運動對比度的差異累積，得到時域顯著度圖最后對和進行非線性融合得到最終的時空域顯著度圖
圖1是本實施例的具體流程，本實施例采用MATLAB2012a作為仿真實驗平臺，在常用的視頻顯著度檢測視頻庫SegTrack，F(xiàn)BMS和DS2上進行測試。
以下針對上述實施例對本發(fā)明的做進一步的闡述，本發(fā)明的流程包括：
步驟1：針對一個特定的視頻幀It，采用SLIC算法將該幀分割成大小相似、顏色高度一致的超像素集使用最小方差量化算法減少It中出現(xiàn)頻率低的顏色，從而量化It的顏色。
步驟2：基于超像素的顏色具有高度相似性，每個超像素可由其出現(xiàn)頻率最高的顏色代表，則定義空域特征超像素重要度為其對應顏色與整幀其它超像素主要顏色的對比度，通過顏色直方圖對比度(HC)算法可以得到超像素重要度
步驟3：提取對應視頻幀It-1的時空域顯著度圖的聯(lián)通高亮區(qū)域作為It的前景區(qū)域Ft，It的其他部分為背景區(qū)域Bt。設定中像素點灰度值大于0.4為高亮值。
步驟4：對It中特定超像素計算其與其它超像素的超像素重要度特征值差異總和并相應加權空間位置關系，得到的空域對比度。特征值差異和空間關系計算方式跟前景位置信息相關，空域對比度算法分為前景背景對比度和局部前景對比度，具體實現(xiàn)包括以下子步驟：
步驟4.1：對于空域前景背景對比度計算，定義超像素距離背景區(qū)域的最短路徑為關鍵路徑背景區(qū)域超像素的關鍵路徑為該超像素跟其相鄰距離最短的背景區(qū)域超像素之間的歐氏距離，而前景區(qū)域超像素的關鍵路徑跟前景區(qū)域的面積相關，定義如下。
基于位置信息的空域特征差異為之間的超像素重要度差值ψ(i，j)加權單位階躍函數(shù)ε(ψ(i，j))，即ψ(i，j)大于0時，ε(ψ(i，j))值為1，反之則為0；ψ(i，j)依據(jù)超像素位于不同的區(qū)域，定義如下：
其中α參數(shù)用于抑制前景區(qū)域的超像素對于背景區(qū)域的超像素差異的累積，從而進一步抑制背景。前景背景對比度為超像素的空間特征差異加權空間位置關系，前景背景對比度表示如下，為超像素之間的歐氏距離。
步驟4.2：對于前景局部對比度計算，計算前景區(qū)域內超像素與其它超像素的超像素重要度特征值差異總和并相應加權空間位置關系，得到前景局部對比度計算如下：
步驟4.3：線性結合前景背景對比度和前景局部對比度結果，得到視頻空域顯著度圖線性系數(shù)η為0.5，表示如下
步驟5：采用LDOF光流法提取每一幀像素級運動矢量場，依據(jù)運動矢量場，提取每個超像素的運動直方圖和整幀運動直方圖通過計算超像素級運動直方圖和幀級運動直方圖之間的差異，得到每個超像素的運動區(qū)分度根據(jù)運動一致性，計算反映運動空間分布的同等運動區(qū)分度的空間方差，從而獲取更新運動區(qū)分度，基于更新運動區(qū)分度之間的特征差異，使用前景背景對比度算法得到時域顯著度，其具體實現(xiàn)包括以下步驟：
步驟5.1：依據(jù)SF方法，計算的空間方差則更新運動區(qū)分度為
步驟5.2：根據(jù)取得的更新運動區(qū)分度，采用前景背景對比度算法，計算時域每個超像素跟其他超像素的更新運動區(qū)分度的差異累積，從而得到時域顯著度圖
步驟6：計算時域顯著度圖和空域顯著度圖的乘積)p分別除以空域顯著度圖中所有超像素的空域顯著度值總和與時域顯著度圖中所有超像素的時域顯著度值總和得到時域到空域的一致性MCT和空域到時域的一致性MCS?；谶@兩個一致性參數(shù)采用選擇項和交互項非線性融合時、空域顯著度圖，具體實現(xiàn)包括以下子步驟：
步驟6.1：交互項根據(jù)MCT和MCS對和融合，融合方式如下：
步驟6.2：分別計算時域和空域中的所有超像素顯著度值的總和并加權每個超像素到前景區(qū)域中心的歐式距離，得到時域顯著度分布DIST和空域顯著度分布DISS。比較DIST和DISS的大小，為這兩者中較小值對應的顯著度圖。
步驟6.3：對交互項和選擇項進行融合，得到最終的時空域顯著度圖的公式如下，其中，λt等于sqrt(MCT·MCS)。
應當理解的是，本說明書未詳細闡述的部分均屬于現(xiàn)有技術。
應當理解的是，上述針對較佳實施例的描述較為詳細，并不能因此而認為是對本發(fā)明專利保護范圍的限制，本領域的普通技術人員在本發(fā)明的啟示下，在不脫離本發(fā)明權利要求所保護的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護范圍之內，本發(fā)明的請求保護范圍應以所附權利要求為準。