本發(fā)明屬于計(jì)算機(jī)圖像處理領(lǐng)域，特別涉及一種基于視覺顯著性的人體區(qū)域檢測(cè)方法。

背景技術(shù)：

視覺顯著性可直觀地理解為視覺場(chǎng)景中語(yǔ)義元素所能引起視覺注意的能力，這種能力依賴于目標(biāo)元素所擁有的顯著屬性，諸如特殊性及稀有性等。在對(duì)圖像場(chǎng)景信息進(jìn)行處理時(shí)，可以通過顯著性區(qū)域檢測(cè)獲取優(yōu)先處理對(duì)象，以便于合理分配計(jì)算資源，降低計(jì)算量節(jié)約成本消耗。因此，檢測(cè)圖像顯著性區(qū)域具有較高的應(yīng)用價(jià)值。

Itti等人為代表的視覺注意理論提出者們，從人類視覺認(rèn)知的角度提議將視覺注意機(jī)制分為兩個(gè)類型：自上而下的目標(biāo)驅(qū)動(dòng)型顯著性檢測(cè)，以及自下而上的數(shù)據(jù)驅(qū)動(dòng)型顯著性檢測(cè)。自上而下的方法融入了更多的人類語(yǔ)義感知及模型訓(xùn)練，而自下而上的方法更注重于從諸如對(duì)比度、空間分布等圖像底層特征中檢測(cè)顯著性區(qū)域。

當(dāng)前的顯著性檢測(cè)多采用自下而上的方法，由底層數(shù)據(jù)出發(fā)計(jì)算分析顯著目標(biāo)或背景區(qū)域所具有的特征屬性，并將此屬性作為一種先驗(yàn)知識(shí)用其區(qū)分場(chǎng)景中的顯著目標(biāo)及背景。其中，對(duì)比度先驗(yàn)知識(shí)賴于其優(yōu)良的區(qū)分能力被大量的顯著性檢測(cè)算法所采用，并且衍生出諸如基于局部對(duì)比度及基于全局對(duì)比度的檢測(cè)算法。

近年來基于超像素的顯著性區(qū)域檢測(cè)算法得到廣泛使用。Yang等人以超像素為節(jié)點(diǎn)構(gòu)建連通圖同時(shí)結(jié)合邊界先驗(yàn)知識(shí)，采用基于圖的流形排序方法進(jìn)行顯著檢測(cè)。Yan等提出一種基于多尺度分割的顯著性區(qū)域檢測(cè)算法，在樹圖模型上融合三種尺度下顯著圖進(jìn)而得到最終顯著圖，該算法取得了良好的效果。Wei等人以各超像素到達(dá)圖像邊界的最短測(cè)地線距離來衡量其顯著性，測(cè)地線距離越長(zhǎng)超像素作為前景目標(biāo)的可能性越大。Zhu等對(duì)Wei的測(cè)地線先驗(yàn)知識(shí)進(jìn)一步優(yōu)化提出了具有更強(qiáng)魯棒性的邊界連通性先驗(yàn)知識(shí)，借助于該先驗(yàn)知識(shí)偵測(cè)背景區(qū)域進(jìn)而逆向獲取顯著前景目標(biāo)?；谶吔邕B通先驗(yàn)知識(shí)的顯著性區(qū)域檢測(cè)算法對(duì)圖像邊界上超像素的依賴程度較高，當(dāng)圖像邊界上超像素不含圖像內(nèi)部任何背景信息時(shí)，會(huì)嚴(yán)重影響顯著檢測(cè)效果。

有鑒于此，有必要對(duì)現(xiàn)有技術(shù)中的基于視覺顯著性的人體區(qū)域檢測(cè)方法予以改進(jìn)，以解決上述問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于公開一種基于視覺顯著性的人體區(qū)域檢測(cè)方法，用以提高對(duì)輸入圖像中的人體區(qū)域的顯著性檢測(cè)，以確定優(yōu)先處理對(duì)象，并合理分配計(jì)算資源，降低計(jì)算開銷。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于視覺顯著性的人體區(qū)域檢測(cè)方法，該方法包括以下步驟：

S1、獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像；

S2、對(duì)輸入圖像執(zhí)行預(yù)分割以形成超像素區(qū)域單元；

S3、統(tǒng)計(jì)超像素區(qū)域單元在多個(gè)顏色通道內(nèi)的灰度值概率分布，使用灰度值概率分布間的KL散度的調(diào)和平均值度量相鄰超像素區(qū)域單元間的顏色差異性；

S4、以超像素區(qū)域單元為節(jié)點(diǎn)構(gòu)建初始閉環(huán)連通圖，并對(duì)初始閉環(huán)連通圖作若干次鄰接擴(kuò)展，以構(gòu)建若干鄰接擴(kuò)展閉環(huán)連通圖，使用KL散度的調(diào)和平均值對(duì)初始閉環(huán)連通圖及鄰接擴(kuò)展閉環(huán)連通圖的邊作加權(quán)處理；

S5、基于超像素區(qū)域單元間的顏色差異性，同時(shí)結(jié)合空間距離權(quán)重及背景概率權(quán)重，在初始閉環(huán)連通圖及鄰接擴(kuò)展閉環(huán)連通圖上計(jì)算各超像素區(qū)域單元的顯著值，并使用顯著值為超像素區(qū)域單元賦值，以獲取初始人體顯著圖；

S6、平均融合初始人體顯著圖，并進(jìn)行引導(dǎo)圖濾波處理。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S1具體為：通過攝像機(jī)獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像，所述監(jiān)控區(qū)域位于攝像機(jī)的正下方。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S2具體為：采用簡(jiǎn)單線性迭代聚類算法，自適應(yīng)選擇緊湊度因子u，保持搜索步長(zhǎng)為常量將輸入圖像執(zhí)行預(yù)分割以形成超像素區(qū)域單元，所述超像素區(qū)域單元的內(nèi)部顏色與大小均一致；

其中，u為簡(jiǎn)單線性迭代聚類算法在種子點(diǎn)周圍完成一次迭代聚類后，類內(nèi)像素顏色的最大差值，Num為輸入圖像中的總像素?cái)?shù)，K為預(yù)分割的超像素區(qū)域單元的數(shù)量。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S2還包括：在輸入圖像中選取若干種子點(diǎn)，并在種子點(diǎn)周圍以2S×2S的區(qū)域內(nèi)進(jìn)行迭代聚類。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S3中，超像素區(qū)域單元的灰度值概率分布間的KL散度的調(diào)和平均值的計(jì)算公式為：

其中，為超像素區(qū)域單元p所包含的像素在對(duì)應(yīng)顏色通道內(nèi)的灰度值概率分布，γ為超像素區(qū)域單元q所包含的像素在對(duì)應(yīng)顏色通道內(nèi)的灰度值概率分布，表示超像素區(qū)域單元p在對(duì)應(yīng)顏色通道內(nèi)灰度值取i的像素所占的概率，γ(i)表示超像素區(qū)域單元q在對(duì)應(yīng)顏色通道內(nèi)灰度值取i的像素所占的概率，i∈[0，255]，為超像素區(qū)域單元p的灰度值概率分布相對(duì)于超像素區(qū)域單元q的灰度值概率分布的KL散度，為超像素區(qū)域單元q的灰度值概率分布相對(duì)于超像素區(qū)域單元p的灰度值概率分布的KL散度。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S4中，以各超像素區(qū)域單元為節(jié)點(diǎn)構(gòu)建初始閉環(huán)連通圖，然后對(duì)初始閉環(huán)連通圖進(jìn)行兩次鄰接擴(kuò)展，以形成初始閉環(huán)連通圖及兩幅鄰接擴(kuò)展閉環(huán)連通圖，并使用灰度值概率分布間KL散度的調(diào)和平均值對(duì)初始閉環(huán)連通圖及兩幅鄰接擴(kuò)展閉環(huán)連通圖的邊作加權(quán)處理。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S5中超像素區(qū)域單元的顯著值的計(jì)算公式為：

其中，D_HM(p，p_i)為相鄰超像素區(qū)域單元p與超像素區(qū)域單元p_i間的KL散度的調(diào)和平均值，D_sp(p，p_i)為歸一化處理后的相鄰超像素區(qū)域單元p與超像素區(qū)域單元p_t間的空間歐氏距離，常數(shù)σ_sp設(shè)置為0.25，為超像素區(qū)域單元p_i的背景概率權(quán)重，常數(shù)σ_E設(shè)置為2.5，E(p_i)為超像素區(qū)域單元p_i的邊界連通性度量值。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S5中的“使用顯著值為超像素區(qū)域單元賦值”具體為：對(duì)初始閉環(huán)連通圖及鄰接擴(kuò)展閉環(huán)連通圖中的各超像素區(qū)域單元分別進(jìn)行賦值。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S6具體包括以下子步驟：

S61、平均融合若干初始人體顯著圖，以產(chǎn)生融合顯著圖；

S62、將融合顯著圖作為引導(dǎo)圖，對(duì)融合顯著圖進(jìn)行引導(dǎo)濾波處理；

S63、采用OTSU算法對(duì)經(jīng)過引導(dǎo)濾波處理后的融合顯著圖進(jìn)行圖像二值化處理，以得到二值化圖像；

S64、將二值化圖像作為引導(dǎo)圖，對(duì)經(jīng)過引導(dǎo)濾波處理后的融合顯著圖進(jìn)行引導(dǎo)濾波處理，以獲取顯著的人體區(qū)域。

作為本發(fā)明的進(jìn)一步改進(jìn)，所述步驟S3中的“顏色通道”包括：R顏色通道、G顏色通道、B顏色通道。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：在本發(fā)明中，有效的降低了超像素區(qū)域單元間顏色差異性對(duì)其顯著一致性的過度影響，提高了對(duì)輸入圖像中具有顯著性特征的人體區(qū)域的檢測(cè)效果，從而獲得了更加精確且視覺效果也更加平滑的人體顯著圖，從而實(shí)現(xiàn)了高效的確定優(yōu)先處理對(duì)象，并合理分配計(jì)算資源，降低了后期對(duì)輸入圖像中對(duì)行人目標(biāo)進(jìn)行跟蹤和/或計(jì)數(shù)的計(jì)算開銷。

附圖說明

圖1為本發(fā)明一種基于視覺顯著性的人體區(qū)域檢測(cè)方法具體實(shí)施方式的流程示意圖；

圖2為圖1所示的獲取監(jiān)控區(qū)域的視頻流圖像的工作原理示意圖；

圖3為本發(fā)明所示的超像素區(qū)域在種子點(diǎn)周圍迭代聚類的搜索步長(zhǎng)及搜索區(qū)域設(shè)置的示意圖；

圖4為本發(fā)明所示的邊界連通性的一種幾何圖形解釋。

具體實(shí)施方式

下面結(jié)合附圖所示的各實(shí)施方式對(duì)本發(fā)明進(jìn)行詳細(xì)說明，但應(yīng)當(dāng)說明的是，這些實(shí)施方式并非對(duì)本發(fā)明的限制，本領(lǐng)域普通技術(shù)人員根據(jù)這些實(shí)施方式所作的功能、方法、或者結(jié)構(gòu)上的等效變換或替代，均屬于本發(fā)明的保護(hù)范圍之內(nèi)。

請(qǐng)參圖1至圖4所示出的本發(fā)明一種基于視覺顯著性的人體區(qū)域檢測(cè)方法的一種具體實(shí)施方式。

參圖1所示，通過本實(shí)施方式所示出的一種基于視覺顯著性的人體區(qū)域檢測(cè)方法可對(duì)包含行人目標(biāo)(或者行人區(qū)域)的原始圖像或者輸入圖像進(jìn)行行人目標(biāo)的顯著性進(jìn)行檢測(cè)，得到包含行人目標(biāo)的顯著圖，降低后期行人檢測(cè)或者行人跟蹤技術(shù)的計(jì)算開銷。

具體的，在本實(shí)施方式中，該基于視覺顯著性的人體區(qū)域檢測(cè)方法包括以下步驟。

首先，執(zhí)行步驟S1、獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像。

參圖2所示，本發(fā)明一種基于視覺顯著性的人體區(qū)域檢測(cè)方法是基于攝像機(jī)垂直拍攝并適用于室外情況和室內(nèi)情況。在本實(shí)施方式中，該步驟S1具體為：通過攝像機(jī)10獲取監(jiān)控區(qū)域30的視頻流圖像作為輸入圖像，所述監(jiān)控區(qū)域30位于攝像機(jī)10的正下方。

攝像機(jī)10設(shè)置在出入口20附近的正上方，行人可沿著箭頭201的方向上在出入口20中來回走動(dòng)。攝像機(jī)10所獲取的監(jiān)控區(qū)域30可完全覆蓋出入口20的全部區(qū)域。

在本實(shí)施方式中，該監(jiān)控區(qū)域30為矩形，當(dāng)然也可以為正方形或圓形或者其他形狀。攝像機(jī)10位于監(jiān)控區(qū)域30的中心點(diǎn)301的正上方，由此我們可以推導(dǎo)出，該監(jiān)控區(qū)域30位于攝像機(jī)10的正下方。

然后，執(zhí)行步驟S2、對(duì)輸入圖像執(zhí)行預(yù)分割形成超像素區(qū)域單元。

超像素預(yù)分割通常作為圖像分割算法的預(yù)處理步驟。所謂“超像素區(qū)域單元”或者“超像素”是指，具有相似紋理、顏色、亮度等特征的相鄰像素構(gòu)成的有一定視覺意義的不規(guī)則像素塊，其利用像素之間特征的相似性將輸入圖像中的像素進(jìn)行分組，用少量的超像素區(qū)域單元來代替大量的像素來表達(dá)輸入圖像中的特征，很大程度上降低了輸入圖像后期處理的復(fù)雜度。超像素預(yù)分割已經(jīng)廣泛用于圖像分割、目標(biāo)識(shí)別等計(jì)算機(jī)視覺領(lǐng)域。

簡(jiǎn)單線性迭代聚類算法(Simple LinearIterative Clustering，SLIC)算法，是K-means算法的拓展開發(fā)。在SLIC算法中，對(duì)于輸入圖像中對(duì)應(yīng)每個(gè)像素的(L，a，b)顏色值和(x，y)坐標(biāo)組成一個(gè)5維向量V[L，a，b，x，y]，兩個(gè)像素的相似性即可由它們的向量距離來度量，距離越大，相似性越小。

SLIC算法采用CIELab顏色空間歐式距離度量顏色差異，即對(duì)于灰度圖像顏色距離為：采用像素空間坐標(biāo)的歐式距離，即：度量空間距離。然后結(jié)合顏色距離及空間距離，取來計(jì)算像素間差異，并使用緊湊度因子u用來控制空間距離相對(duì)于顏色距離的權(quán)重，緊湊度因子u取值區(qū)間為[1，40]。緊湊度因子u為簡(jiǎn)單線性迭代聚類算法在種子點(diǎn)周圍完成一次迭代聚類后，類內(nèi)像素顏色的最大差值。

如圖3所示，SLIC算法將步長(zhǎng)近似為其中，Num為輸入圖像中的總像素?cái)?shù)，K為預(yù)分割的超像素區(qū)域單元的數(shù)量。優(yōu)選的，在本實(shí)施方式中，可在輸入圖像中選取若干種子點(diǎn)，并在種子點(diǎn)周圍以2S×2S的區(qū)域范圍內(nèi)進(jìn)行迭代聚類。

出于構(gòu)建連通圖的需要，超像素區(qū)域單元的外形越規(guī)則，所構(gòu)建的初始閉環(huán)連通圖及鄰接擴(kuò)展連通圖的效果越好。因此，在本實(shí)施方式中，在采用SLIC算法預(yù)分割輸入圖像時(shí)，本方法不在原固定區(qū)間[1，40]內(nèi)取u值而是自適應(yīng)選擇緊湊度因子u，即取為種子點(diǎn)周圍完成一次迭代聚類后，類內(nèi)像素顏色的最大差值，且隨迭代聚類的繼續(xù)，緊湊度因子u不斷更新。另外，保持搜索步長(zhǎng)為常量，以確保產(chǎn)生大小一致的超像素區(qū)域單元。

接下來，執(zhí)行步驟S3、統(tǒng)計(jì)超像素區(qū)域單元在多個(gè)顏色通道內(nèi)的灰度值概率分布，使用灰度值概率分布間的KL散度的調(diào)和平均值度量超像素區(qū)域單元間的顏色差異性。

在本實(shí)施方式中，對(duì)兩個(gè)超像素區(qū)域單元p及q作就步驟S3的具體過程作示范性說明。

假設(shè)兩超像素區(qū)域單元p及q所包含像素在相應(yīng)顏色通道內(nèi)的灰度值概率分布分別為和γ，則超像素區(qū)域單元的灰度值概率分布間的KL散度的調(diào)和平均值的計(jì)算公式為：

其中，

在本實(shí)施方式中，D_HM(p，q)為兩超像素區(qū)域單元p及q的灰度值概率分布間的KL散度的調(diào)和平均值，為超像素區(qū)域單元p所包含的像素在對(duì)應(yīng)顏色通道內(nèi)的灰度值概率分布，γ為超像素區(qū)域單元q所包含的像素在對(duì)應(yīng)顏色通道內(nèi)的灰度值概率分布，表示超像素區(qū)域單元p在對(duì)應(yīng)顏色通道內(nèi)灰度值取i的像素所占的概率，γ(i)表示超像素區(qū)域單元q在對(duì)應(yīng)顏色通道內(nèi)灰度值取i的像素所占的概率，i∈[0，255]，為超像素區(qū)域單元p的灰度值概率分布相對(duì)于超像素區(qū)域單元q的灰度值概率分布的KL散度，為超像素區(qū)域單元q的灰度值概率分布相對(duì)于超像素區(qū)域單元p的灰度值概率分布的KL散度。由于故采用二者的調(diào)和平均值作為一種有效的差異度量。

對(duì)于單通道灰度圖像，本發(fā)明直接采用上述方式計(jì)算KL散度調(diào)和平均值，然后用其度量相鄰超像素區(qū)域單元p及q間的顏色差異性。對(duì)于三通道RGB的輸入圖像，可分別求超像素區(qū)域單元p及q在R顏色通道、G顏色通道及B顏色通道內(nèi)的KL散度調(diào)和平均值，最后對(duì)三者求平均，以度量超像素區(qū)域單元p及q間的顏色差異性。當(dāng)然，可在上述三個(gè)顏色通道內(nèi)進(jìn)行適當(dāng)?shù)念伾疲詫?shí)現(xiàn)對(duì)輸入圖像中的主要顏色或者主要顏色區(qū)域有更好的適應(yīng)性，減低計(jì)算開銷。

然后，執(zhí)行步驟S4、以超像素區(qū)域單元為節(jié)點(diǎn)構(gòu)建初始閉環(huán)連通圖，并對(duì)初始閉環(huán)連通圖作若干次鄰接擴(kuò)展，以構(gòu)建若干鄰接擴(kuò)展閉環(huán)連通圖，使用KL散度的調(diào)和平均值對(duì)初始閉環(huán)連通圖及鄰接擴(kuò)展閉環(huán)連通圖的邊作加權(quán)處理。

在經(jīng)過預(yù)分割處理的輸入圖像上，以各超像素區(qū)域單元為節(jié)點(diǎn)構(gòu)建鄰接連通圖，同時(shí)對(duì)圖像邊界上的超像素區(qū)域單元兩兩直接鄰接連通形成初始的閉環(huán)連通圖G1，并用鄰接矩陣A描述初始閉環(huán)連通圖節(jié)點(diǎn)間鄰接情況。采用公式B_n＝(A+E)ⁿ計(jì)算鄰接矩陣A與單位矩陣E之和的n階乘冪運(yùn)算獲取矩陣B_n，再將B_n的非零元素置為1，對(duì)角元素取為零，得到n步可達(dá)矩陣A_n。

具體的，在本實(shí)施方式中，鄰接擴(kuò)展步長(zhǎng)n＝2或3(單位：超像素單元)，從而計(jì)算得到兩個(gè)鄰接擴(kuò)展矩陣A₂及A₃，二者分別對(duì)應(yīng)鄰接擴(kuò)展閉環(huán)連通圖G2與鄰接擴(kuò)展閉環(huán)連通圖G3，然后用KL散度調(diào)和平均值為G1、G2、G3的邊作加權(quán)處理。本實(shí)施方式中，對(duì)初始閉環(huán)連通圖G1僅進(jìn)行兩次鄰接擴(kuò)展，具體操作時(shí)可適當(dāng)增加次數(shù)，可對(duì)初始閉環(huán)連通圖G1作三次或者次數(shù)更多的鄰接擴(kuò)展，以形成數(shù)量更多的鄰接擴(kuò)展閉環(huán)連通圖。進(jìn)一步的，鄰接擴(kuò)展步長(zhǎng)n的單位也可為像素點(diǎn)，也可設(shè)定擴(kuò)展方向的區(qū)域，該區(qū)域包含多個(gè)像素點(diǎn)。例如，向分別向左上、右下、左下，右下分別進(jìn)行以兩個(gè)像素點(diǎn)區(qū)域?yàn)閱卧泥徑訑U(kuò)展。

然后，執(zhí)行步驟S5、基于超像素區(qū)域單元間的顏色差異性，同時(shí)結(jié)合空間距離權(quán)重及背景概率權(quán)重，在初始閉環(huán)連通圖及鄰接擴(kuò)展閉環(huán)連通圖上計(jì)算各超像素區(qū)域單元的顯著值，并使用顯著值為超像素區(qū)域單元賦值，以獲取初始人體顯著圖。

在本實(shí)施方式中，基于超像素區(qū)域單元間的顏色對(duì)比度計(jì)算各超像素區(qū)域單元的顯著值。在本發(fā)明中各超像素區(qū)域單元間的顏色對(duì)比度，采用超像素區(qū)域單元內(nèi)像素灰度值概率分布間KL散度的調(diào)和平均值進(jìn)行度量，而非傳統(tǒng)意義上的兩超像素區(qū)域單元間的平均色差，因此可進(jìn)一步提高對(duì)輸入圖像中具有視覺顯著性的行人區(qū)域的檢測(cè)與獲取。

通常，人們會(huì)更加注意到輸入圖像中行人目標(biāo)與周圍顏色對(duì)比度非常大的區(qū)域。因?yàn)榭臻g關(guān)系上相鄰區(qū)域的高對(duì)比度比很遠(yuǎn)區(qū)域的高對(duì)比度更容易突顯某一區(qū)域的視覺注意力。為此，本發(fā)明結(jié)合超像素區(qū)域單元間的空間距離權(quán)重計(jì)算各超像素區(qū)域單元的顯著值。

具體的，本發(fā)明通過計(jì)算各超像素區(qū)域單元和其它所有超像素區(qū)域單元間顏色對(duì)比度加權(quán)和來定義其顯著性值，權(quán)值由空間距離決定，較遠(yuǎn)的區(qū)域單元設(shè)定較小的權(quán)值。另外，考慮到計(jì)算顏色對(duì)比度加權(quán)和時(shí)，求和項(xiàng)中背景概率取值高的超像素區(qū)域單元應(yīng)當(dāng)提供較高的顏色對(duì)比度權(quán)重。故而，本發(fā)明同時(shí)考慮結(jié)合背景概率權(quán)重計(jì)算各超像素區(qū)域單元的顯著值。為此，本發(fā)明各超像素區(qū)域單元p的顯著值S(p)，按如下計(jì)算公式定義：

上述公式中，D_HM(p，p_i)為超像素區(qū)域單元p及超像素區(qū)域單元p_i間的KL散度的調(diào)和平均值，具體計(jì)算如前文所述。上述公式中，W_sp(p，p_i)為超像素區(qū)域單元p及超像素區(qū)域單元p_i之間空間距離權(quán)重。

具體的，其中D_sp(p，p_i)為相鄰超像素區(qū)域單元中心的空間歐氏距離且已經(jīng)過歸一化處理，σ_sp設(shè)置為0.25。上述公式中，表示超像素區(qū)域單元p_i的背景概率權(quán)重。

本發(fā)明以表示各超像素區(qū)域單元的背景概率權(quán)重，定義σ_E在本發(fā)明中取值為2.5。上述公式中，E(p)為超像素區(qū)域單元p的邊界連通性度量值，E(p)越大背景概率權(quán)重越大，漸趨于概率值1，反之則漸趨于0。

在本實(shí)施方式中，對(duì)E(p)采用公式計(jì)算，其中L(p)為超像素區(qū)域單元p與邊界的接觸長(zhǎng)度，R(p)為超像素區(qū)域單元p的擴(kuò)展區(qū)域面積。

如圖4所示，A、B、C、D為相應(yīng)四個(gè)超像素區(qū)域單元所能擴(kuò)展的區(qū)域，區(qū)域A的邊界接觸長(zhǎng)度為2，區(qū)域面積為40，邊界連通性度量值為0.32，相對(duì)與區(qū)域B、C、D，區(qū)域A更有可能作為前景區(qū)域，即相應(yīng)超像素區(qū)域單元的顯著值越高。本發(fā)明中，R(p)的計(jì)算公式如下：

其中，為相應(yīng)初始閉環(huán)連通圖或鄰接擴(kuò)展閉環(huán)連通圖上兩個(gè)不同超像素區(qū)域單元間的最短路徑長(zhǎng)度，其值經(jīng)過離差標(biāo)準(zhǔn)化方式歸一化處理，且D(p，p)＝0，D_HM(p_j，p_j+1)為超像素區(qū)域單元間KL散度的調(diào)和平均值。上述公式中超像素區(qū)域單元p_i對(duì)超像素區(qū)域單元p擴(kuò)展區(qū)域面積的貢獻(xiàn)值被限制在(0，1]內(nèi)，所以R(p)的取值區(qū)間為[1，N]。其中，N為超像素區(qū)域單元數(shù)量。σ(p)為計(jì)算超像素區(qū)域單元p擴(kuò)展區(qū)域面積時(shí)采用的控制參數(shù)，對(duì)于不同的p其取值不同，在本實(shí)施方式中，將σ(p)自適應(yīng)設(shè)置為對(duì)所有超像素區(qū)域單元p與其它超像素區(qū)域單元節(jié)點(diǎn)間最短路徑長(zhǎng)度值進(jìn)行二值化分割所需閾值的1/3，該閾值采用OTSU算法(即最大類間方差法)計(jì)算得到。

采用OTSU算法將一組數(shù)據(jù)分割為兩類時(shí)可以確保類間方差足夠大，而類內(nèi)差異較小。因此，該分割意味著錯(cuò)分概率最小。

超像素區(qū)域單元p與邊界的接觸長(zhǎng)度L(p)采用如下公式計(jì)算，其中δ函數(shù)在超像素區(qū)域單元p_i為邊界節(jié)點(diǎn)時(shí)，δ的值為1；否則，δ的值為0。

在本實(shí)施方式中，可根據(jù)各超像素區(qū)域單元p的顯著值S(p)為各超像素區(qū)域單元賦值，由于是在初始閉環(huán)連通圖及若干鄰接擴(kuò)展閉環(huán)連通圖上分別進(jìn)行計(jì)算，從而能夠獲得不同的若干初始人體顯著圖。

最后，執(zhí)行步驟S6、平均融合初始人體顯著圖，并進(jìn)行引導(dǎo)圖濾波處理。

平均融合獲得的若干初始人體顯著圖，產(chǎn)生融合顯著圖，然后對(duì)其進(jìn)行引導(dǎo)圖濾波優(yōu)化處理。引導(dǎo)圖濾波是一種快速的邊界保持平滑濾波算法，能夠在引導(dǎo)圖的導(dǎo)引下進(jìn)行濾波操作同時(shí)保持原圖的主要輪廓。本發(fā)明采用引導(dǎo)圖濾波方法對(duì)融合顯著圖進(jìn)行進(jìn)一步優(yōu)化處理。

該步驟S6具體包括以下子步驟。

子步驟S61、平均融合若干初始人體顯著圖，以產(chǎn)生融合顯著圖；

子步驟S62、將融合顯著圖作為引導(dǎo)圖，對(duì)融合顯著圖進(jìn)行引導(dǎo)濾波處理；

子步驟S63、采用OTSU算法對(duì)經(jīng)過引導(dǎo)濾波處理后的融合顯著圖進(jìn)行圖像二值化處理，以得到二值化圖像；

子步驟S64、將二值化圖像作為引導(dǎo)圖，對(duì)經(jīng)過引導(dǎo)濾波處理后的融合顯著圖進(jìn)行引導(dǎo)濾波處理，以獲取顯著的人體區(qū)域。

在本實(shí)施方式中，為解決單純用平均顏色差值度量各超像素區(qū)域單元間顏色差異的局限性，本發(fā)明提出采用超像素區(qū)域單元內(nèi)部相應(yīng)顏色通道內(nèi)灰度值概率分布間的KL散度的調(diào)和平均值對(duì)顏色差異進(jìn)行更有效的度量；為更好地反映超像素區(qū)域單元在空間上的鄰接關(guān)系及彼此間的相似度，本發(fā)明用超像素區(qū)域單元作節(jié)點(diǎn)構(gòu)建閉環(huán)連通圖，用KL散度的調(diào)和平均值為閉環(huán)連通圖的邊進(jìn)行加權(quán)。

同時(shí)，為避免由于空間距離累加而對(duì)超像素區(qū)域單元間顏色差異度量產(chǎn)生的過度影響，本發(fā)明提出對(duì)超像素區(qū)域單元間的鄰接區(qū)域進(jìn)行一定程度的擴(kuò)展；為提高顯著檢測(cè)的可靠性，降低單尺度顯著檢測(cè)易產(chǎn)生的顯著區(qū)域誤判幾率，本發(fā)明在若干經(jīng)過鄰接擴(kuò)展的閉環(huán)連通圖上計(jì)算各超像素區(qū)域單元的顯著值，從而得到若干幅顯著圖并進(jìn)行平均融合增強(qiáng)，而后進(jìn)一步采用引導(dǎo)濾波方式優(yōu)化顯著檢測(cè)效果。

上文所列出的一系列的詳細(xì)說明僅僅是針對(duì)本發(fā)明的可行性實(shí)施方式的具體說明，它們并非用以限制本發(fā)明的保護(hù)范圍，凡未脫離本發(fā)明技藝精神所作的等效實(shí)施方式或變更均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。

對(duì)于本領(lǐng)域技術(shù)人員而言，顯然本發(fā)明不限于上述示范性實(shí)施例的細(xì)節(jié)，而且在不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實(shí)現(xiàn)本發(fā)明。因此，無(wú)論從哪一點(diǎn)來看，均應(yīng)將實(shí)施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權(quán)利要求而不是上述說明限定，因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有變化囊括在本發(fā)明內(nèi)。不應(yīng)將權(quán)利要求中的任何附圖標(biāo)記視為限制所涉及的權(quán)利要求。

此外，應(yīng)當(dāng)理解，雖然本說明書按照實(shí)施方式加以描述，但并非每個(gè)實(shí)施方式僅包含一個(gè)獨(dú)立的技術(shù)方案，說明書的這種敘述方式僅僅是為清楚起見，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)將說明書作為一個(gè)整體，各實(shí)施例中的技術(shù)方案也可以經(jīng)適當(dāng)組合，形成本領(lǐng)域技術(shù)人員可以理解的其他實(shí)施方式。