一種紅外圖像目標(biāo)顯著性評(píng)估方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理和人工智能技術(shù)領(lǐng)域,具體涉及一種紅外圖像目標(biāo)顯著性評(píng) 估方法。
【背景技術(shù)】
[0002] 隨著紅外熱成像技術(shù)的快速發(fā)展,基于熱成像儀的視頻監(jiān)控系統(tǒng)已經(jīng)廣泛應(yīng)用于 日常生活中,例如居家安全、智能交通和工業(yè)控制。在高級(jí)的視頻監(jiān)控系統(tǒng)中,無(wú)論是普通 的攝像頭還是紅外的熱像儀,首要任務(wù)就是對(duì)感興趣目標(biāo)的快速準(zhǔn)確定位。目前最常見(jiàn)的 目標(biāo)檢測(cè)技術(shù)是滑動(dòng)窗口方法,利用一定的分類器,通過(guò)逐像素掃描整個(gè)圖像金字塔。通常 這樣的方法一張圖片會(huì)產(chǎn)生數(shù)百萬(wàn)個(gè)窗口,如果是進(jìn)行多分類,窗口數(shù)目還會(huì)翻倍?;瑒?dòng)窗 口方法最主要的問(wèn)題就是計(jì)算成本太高,核心分類器的復(fù)雜度不斷增加造成處理速度過(guò) 慢。
[0003] 近年來(lái),利用潛在目標(biāo)集合進(jìn)行目標(biāo)檢測(cè)的方法越來(lái)越受到關(guān)注,這種方法量化 了窗口包含潛在目標(biāo)的可能性,可以不分類別地檢測(cè)目標(biāo)。利用顯著性評(píng)價(jià)算法作為預(yù)處 理步驟的目標(biāo)檢測(cè)器,已經(jīng)在Pascal和ImageNet數(shù)據(jù)集中取得了最好的檢測(cè)效果。目前現(xiàn) 有的目標(biāo)顯著性評(píng)估方法都是針對(duì)可見(jiàn)光圖像,不能直接應(yīng)用于紅外圖像。而且,已有方法 主要是在可見(jiàn)光圖像中尋找顯著的區(qū)域,沒(méi)有可用的研究來(lái)評(píng)估紅外熱圖像中的顯著性。 熱成像圖片顯示所有目標(biāo)、背景和場(chǎng)景的紅外輻射強(qiáng)度。觀察發(fā)現(xiàn)紅外圖片中感興趣的目 標(biāo)整體區(qū)域總是比周?chē)膮^(qū)域更亮或更暗,這種現(xiàn)象的主要原因是,目標(biāo)和其周?chē)h(huán)境有 一個(gè)明顯的溫度差,而目標(biāo)內(nèi)部的溫度分布相對(duì)均勻。這樣的特性在活動(dòng)目標(biāo)上更為突出, 如人和熱血?jiǎng)游?。而本發(fā)明能夠很好地解決上面的問(wèn)題。
【發(fā)明內(nèi)容】
[0004] 本發(fā)明目的在于解決了顯著性評(píng)價(jià)作為預(yù)處理進(jìn)行紅外熱圖像中感興趣目標(biāo)的 快速準(zhǔn)確定位問(wèn)題,提出了一種紅外圖像目標(biāo)顯著性評(píng)估方法,該方法應(yīng)用于智能視頻監(jiān) 控系統(tǒng)中,實(shí)現(xiàn)了對(duì)紅外熱圖像中目標(biāo)進(jìn)行顯著性評(píng)估。
[0005] 本發(fā)明解決其技術(shù)問(wèn)題所采取的技術(shù)方案是:一種紅外圖像目標(biāo)顯著性評(píng)估方 法,該方法包括如下步驟:
[0006] 步驟1:對(duì)輸入的紅外圖像進(jìn)行多層多尺度超像素分割:使用SLIC算法作為基礎(chǔ)分 割器對(duì)紅外圖像進(jìn)行多層多尺度超像素分割,得到多尺度的超像素分割結(jié)果;
[0007] 步驟2:建立潛在目標(biāo)集合:在各層超像素分割結(jié)果中,合并相鄰兩個(gè)超像素,并與 單個(gè)超像素組成潛在目標(biāo)集合;
[0008] 步驟3:計(jì)算顯著性并排序:設(shè)計(jì)了一種基于超像素的中心環(huán)繞特征來(lái)度量圖中各 個(gè)區(qū)域的顯著性,并計(jì)算每個(gè)候選窗口的顯著性分?jǐn)?shù);然后對(duì)候選窗口的顯著性分?jǐn)?shù)進(jìn)行 排序,分?jǐn)?shù)越高表示越顯著,即越可能包含感興趣目標(biāo)。
[0009] 本發(fā)明步驟1中對(duì)輸入的紅外圖像進(jìn)行多層多尺度超像素分割的主要步驟是:初 始化超像素的層數(shù)n、超像素的尺度集合{Si,&,…,Sn},并建立一個(gè)空的潛在目標(biāo)集合C = Φ ;然后使用SLIC(Simple Linear Iterative Clustering)算法作為基礎(chǔ)分割器在每一個(gè) 尺度Si下進(jìn)行超像素分割得到分割結(jié)果Segj。
[0010] 本發(fā)明步驟2中首先在每一個(gè)尺度Si下尋找jegj中單個(gè)超像素相鄰的超像素,并 以此建立單個(gè)超像素的鄰居集合N丨;然后根據(jù)鄰居集合N)中單個(gè)超像素的相鄰關(guān)系,組合 相鄰的超像素得到兩個(gè)相鄰超像素對(duì)的集合Seg);最后對(duì)Segf中相鄰超像素對(duì),計(jì)算其對(duì) 應(yīng)的鄰居超像素集合Nf,并將每個(gè)尺度S,下的數(shù)據(jù)存到潛在目標(biāo)集合中去
[0011] 本發(fā)明步驟3中計(jì)算顯著性分?jǐn)?shù)并排序,具體過(guò)程如下:設(shè)計(jì)一種基于超像素的中 心環(huán)繞特征來(lái)度量圖中各個(gè)區(qū)域的顯著性;根據(jù)所定義特征計(jì)算每個(gè)潛在目標(biāo)窗口的顯著 性分?jǐn)?shù)γ ;然后將顯著性分?jǐn)?shù)γ進(jìn)行排序,這樣分?jǐn)?shù)排名靠前的潛在目標(biāo)窗口就可以作為 感興趣目標(biāo)的候選。
[0012] 本發(fā)明是采用基于超像素的中心環(huán)繞特征用于度量圖中各個(gè)區(qū)域的顯著性,使用 了多層多尺度超像素分割機(jī)制對(duì)輸入紅外圖像進(jìn)行多尺度超像素分割,求得多層多尺度的 圖像分割結(jié)果。
[0013] 對(duì)于各層分割結(jié)果,本發(fā)明只合并相鄰兩個(gè)超像素,并與單個(gè)超像素組成潛在目 標(biāo)集合,然后使用上述中心環(huán)繞特征對(duì)所有潛在目標(biāo)進(jìn)行度量,最后對(duì)得到的顯著性分?jǐn)?shù) 進(jìn)行排序,分?jǐn)?shù)排名靠前對(duì)應(yīng)的潛在目標(biāo)窗口就可以作為感興趣目標(biāo)候選窗口。
[0014] 有益效果:
[0015] 1、本發(fā)明可以快速有效地定位紅外圖像中的感興趣目標(biāo),在準(zhǔn)確性和計(jì)算速度上 具有較大的優(yōu)勢(shì)。
[0016] 2、本發(fā)明設(shè)計(jì)的基于超像素的中心環(huán)繞特征可以有效地度量圖中各個(gè)區(qū)域的顯 著性,而且計(jì)算簡(jiǎn)單。
【附圖說(shuō)明】
[0017] 圖1為本發(fā)明的方法流程圖。
【具體實(shí)施方式】
[0018] 下面結(jié)合說(shuō)明書(shū)附圖對(duì)本發(fā)明創(chuàng)造作進(jìn)一步的詳細(xì)說(shuō)明。
[0019]如圖1所示,本發(fā)明提供了一種紅外圖像目標(biāo)顯著性評(píng)估方法,該方法包括如下步 驟:
[0020]步驟1:對(duì)輸入的紅外圖像進(jìn)行多層多尺度超像素分割。初始化超像素的層數(shù)η、超 像素的尺度集合{Si,&,…,Sn},并建立一個(gè)空的潛在目標(biāo)集合C= Φ ;對(duì)比當(dāng)下流行的幾種 超像素分割算法的性能,包括計(jì)算目標(biāo)邊界的檢測(cè)率、目標(biāo)分割的準(zhǔn)確性和超像素緊致性 三個(gè)參數(shù),發(fā)現(xiàn)SLIC算法是最簡(jiǎn)單、最規(guī)則且最快速有效的超像素分割方法,并且算法計(jì)算 復(fù)雜度與超像素個(gè)數(shù)多少無(wú)關(guān),這對(duì)多層多尺寸的超像素分割有很大益處;使用SLIC算法 為超像素分割的基準(zhǔn)算法,在每一個(gè)尺度3 1進(jìn)行超像素分割得到分割結(jié)果Seg。
[0021] 步驟2:建立潛在目標(biāo)集合。通常僅用一個(gè)尺度的超像素分割很難即準(zhǔn)確的檢測(cè)到 小尺寸目標(biāo)又準(zhǔn)確的檢測(cè)到大尺寸目標(biāo);因此超像素分割算法都是在一定規(guī)則下進(jìn)行相鄰 超像素組合來(lái)進(jìn)行目標(biāo)檢測(cè),初始化的超像素是從某一尺度下的超像素分割中挑選的;這 種處理方式往往很耗時(shí)而且很容易導(dǎo)致差錯(cuò)傳播;觀察發(fā)現(xiàn)一個(gè)大的目標(biāo)通常既可以由少 量大尺寸的超像素描述,又可以由大量小尺寸的超像素描述,這之間呈線性關(guān)系,因此本發(fā) 明方法采用多層多尺度超像素分割替代多次迭代組合;對(duì)于各層分割結(jié)果,本發(fā)明方法只 合并相鄰兩個(gè)超像素