基于随机森林学习的rgb-d显著物体检测方法
【技术领域】
[0001] 本发明设及显著性物体检测领域，更具体地，设及一种基于随机森林学习的RGB-D 显著性物体检测方法。 技术背景
[0002] 科技的发展和进步带来了数据量的激增。一方面图像、视频等资源呈爆炸式增长， 给人类生活带来了极大的便利。另一方面，运种增长也给信息处理带来了新问题，那就是信 息冗余。对于任何信息处理设备，如果不依靠有效的方法去除视觉数据中的冗余部分，是难 W达到实时处理数据的效果的。模仿人类高层次认知W及处理复杂信息的过程，如目标识 另IJ，图像分类，场景分析等，都依赖于大量数据的处理与学习。如何通过预处理提取数据的 最有效部分，去除冗余部分，从而使整个任务变得更高效，是一个值得研究的问题。
[0003] 人类感知系统具有独特的特性。人类观察一幅图像或一段视频时，会对最主要的 信息量大的区域产生注意力，并进一步对其进行分析处理。从生物学角度上讲，注意力是通 过视网膜中的两个部分共同作用产生的，那就是具有高分辨力的中央凹W及分辨力低的外 围。基于运种生理结构的视觉注意力可W指导人类区分场景中的重要部分W及进一步发现 细节信息。因此，研究者们希望智能系统(计算机)也能够参照人类处理视觉信息的原理，仿 照运种高效的方法对海量数据进行处理，尽量消除或降低信息冗余，从而能够抓住要点，方 便后续处理任务的进行。
[0004] 为了探寻视觉注意力的科学本质，并进一步模拟视觉注意力结构，科学家进行了 大量实验与研究。屯、理学家研究了与行为相关的视觉注意力。神经生理学家详细说明了神 经元如何自适应调整，W更好的表达目标。计算神经科学家建立了现实的神经网络模型，试 图来模拟和解释注意力行为。根据W上各领域的研究，机器人科学家与计算机视觉学者试 图设计合理的模型，来模拟生物视觉系统。他们的目的是，建立具有合理计算复杂度的智能 系统，使它们能够在一定程度上完成人类能够完成的视觉任务，甚至人类很难完成的任务。 [000引在计算机视觉领域，与视觉注意力相一致的研究课题就是视觉显著度的计算。为 了能让计算机模仿人的视觉注意机制对图像进行处理，需要建立一个有效的能在计算机上 实现的数学模型。然而，视觉的显著度是视觉输入信号的一个难W准确定义的特征属性。信 号的颜色、纹理、位置等属性，都是特征意义明显的，对区域的显著度有独立或者禪合的贡 献。从直观角度上看，显著度高的区域是指场景中一些与其邻域和全局对比度高的区域。运 种强烈的对比度使得视觉系统能够直接对突出的物体区域产生视觉注意力。排除屯、理层面 和主体自身的记忆、期望等因素，通常情况下，人类对对比度高的，或者具有语义含义的物 体或区域更容易产生视觉注意力。通用的显著度计算模型都是基于特征对比度的计算和先 验知识的利用，主要分为适用于场景驱动的自底向上的模型W及基于任务驱动的自顶向下 的模型。
【发明内容】
[0006] 本发明的目的是建立一种可w实现从图像区域特征向显著值的有效映射并将多 尺度分割中得到的多幅显著图有效融合成一幅显著图的方法。本发明的技术方案如下：
[0007] 一种基于随机森林学习的RGB-D显著物体检测方法，包括下面的步骤：
[0008] 1)首先利用随机森林的方法将图像进行Μ个尺度的分割；
[0009] 2)提取区域特征，包括纹理滤波器响应、颜色直方图特征和LBP算子特征；
[0010] 3)计算区域对比度描述子：图像的颜色和纹理信息用一个特征向量来描述每一个 区域，用V来表示，对于区域RESm，把和它直接邻接的几个区域当作一个整体，并且计算其 颜色和纹理特征/，区域对比度描述子就定义成该区域特征和它的邻域特征的差值，其中， 特征中包含的直方图的差值会按分布差别度来计算。
[0011] 4)计算区域对比度和区域背景度量描述子，如表一所示，其中d(Xl，X2) = (|xi广X21 ，...，I X 1 η - X 2 η I )，η是向量X 1和X 2的维度，II表示的是绝对值；
)是向量hi和h2的维度，Σ表示的是求和号。
[0012] 表一区域对比度和区域背景度量描述子特征组成
[0013]
[0014] 5)计算区域性质描述子，如表二所示：
[0015] 表二区域性质描述子特征组成
[0016]
[0017] 6)设计一个从大量训练样本中学习到的一个有效的区域显著性估计器，训练样本 包括一个显著性区域的集合W及相对应的显著值，它们都是通过对事先标注了显著区域的 图像进行多尺度分割后，选择不同区域来获得的。如果获得的一个区域所包含的像素超过 90%属于显著物体，本发明认为运是完全置信样本，将它对应的显著值设为1。如果获得的 一个区域所包含的像素超过90%属于背景，将它对应的显著值设为0。两个条件都不满足的 区域，排除在外不参与训练;对每一个区域用一个特征向量来表示，该特征向量包括区域对 比度，区域性质W及区域背景度量描述子。从训练数据W及给定的显著值中学习得到一个 随机森林回归器；
[0018] 7)对于一幅图像，利用随机森林回归器获得该图像的多个区域的显著图{Ai， A2, ...，Am}，需要一个合并器将它们融合到一起形成最终的显著图。
[0019] 本发明提出的基于随机森林学习的RGB-D显著物体检测算法对于不同的场景类型 和物体尺寸都能准确定位显著对象，并且给出与目标物体的真值几乎相等的显著性值。在 背景与显著区域区分度较小时此方法依然可W很好地发挥作用。
【附图说明】
[0020] 图1本发明算法和其他算法对比的PR曲线图
【具体实施方式】
[0021] 本发明将显著值估计抽象成一个回归问题。采用回归森林回归器将区域特征向量 映射成一个显著值。本发明所提出的算法主要包括Ξ个步骤。首先，从粗到精，对图像进行 多尺度的分割。然后，构建了一个随机森林回归器，其能够实现从图像区域特征向显著值的 有效映射。最后，将从多尺度分割中得到的多幅显著图有效的融合成一幅显著图。技术方案 如下：
[0022] 首先，本发明所提出的算法利用超像素分割的方法将图像进行分割。然后采用Ξ 种类型的特征来表示每个区域:区域对比度，区域性质和区域背景度量。该特征被送入一个 随机森林回归器f，得到一个显著值。尽管将区域分别进行计算看起来忽略了相邻区域的相 关性，但是，实际上有效的将运种关联性考虑在内。在多个尺度上进行区域显著值计算的更 精细分割中的相邻区域在更粗糖的分割中有可能是属于同一个区域的，运种内在的包含关 系有效的保持了空域的显著值连贯性。运个随机森林回归器是通过在大量数据上训练得来 的，能够有效区分各种特征并加 W有效的组合。最后，将计算得到的每个区域的显著图通过 融合的方法得到最终的显著图。过程如下：
[0023] 8)首先利用随机森林的方法将图像进行Μ个尺度的分割，每一个分割S= {Si， S2, . . .，Sm}都包含Κι个区域R。Si是最精细的分割，包含了最多的区域。Sm是最粗糖的分割，包 含的区域数目最少。采用过分割后，= .!/?,'，尽...，<；，其中Κι是分割产生的区域个数。
[0024] 9)其次从图像中提取区域特征，本发明采用了纹理滤波器响应、颜色直方图特征、 [00巧]LBP算子特征。
[0026] 10)