局最优解上更有优势。时域方面，采用从压缩码流中直接提取运动矢量作为时域特征，避免 了繁复且耗时的解码过程;空域方面，考虑的特征种类齐全，包括亮度、色度、纹理特征，时 空域信息结合更符合人眼视觉规律，自适应融合方式使得最终检测效果更加符合人眼主观 感知特性。同时，本发明不依赖于视频内容变化W及编码时参数设置的影响，具有良好的鲁 棒性W及较强的可扩展性，当加入其它特征时，同样可W使用本方法进行检测。
【附图说明】
[0047] 图1是本发明的整体流程图；
[0048] 图2是不同融合算法所获得的显著性图的ROC曲线图；
[0049] 图3是几个示例序列显著性点到中屯、点的欧式距离的分布直方图；
[0050] 图4是采用不同显著性检测方法获得的显著性图的对比图。
【具体实施方式】
[0051] W下结合附图对本发明实施例做进一步详述。
[0052] 一种基于蚁群的压缩域显著性检测方法，是考虑了蚁群算法的性质W及它与显著 性检测的关系，提出的全新的使用蚁群算法的压缩视频显著性检测算法。我们将压缩视频 的每一帖都转换为一个图，如此将显著性检测问题转换为一个基于图的排序问题，同时从 压缩视频码流中提取出四种不同的空域特征W及一种时域特征来构建蚁群算法中需要用 到的启发矩阵。与传统的显著性检测算法不同，蚁群算法是一种基于数值的启发性优化算 法，它具有随机性，正反馈，分布式协作W及最优化路径的特征，是一种解决显著性检测问 题的全新思路。
[0053] 如图1所示，本发明包括W下步骤：
[0054] 步骤1、将视频帖划分为块，并使用块构建图的节点，进而将帖建模成一个图。
[0055] 在本步骤中，首先将每一帖进行块的划分，为每一帖构建一个图G(V，E)，划分的块 被作为图中的节点V，转移概率P则被用于作为图的边E。由于本实施例中使用的视频均为 H. 264编码，我们将块大小设为4 X 4化.264中最小块），因此对于本实施例中352 X 288尺寸 的序列，我们可W首先划分为88X72个小块。对于划分获得的块，我们可W直接使用它们作 为结点构建图；此外，对于不同的视频帖，我们可W根据H. 264编码过程中的宏块划分结果， 对基础块进行组合，W此构建图。
[0056] 步骤2、直接从压缩码流中提取每个节点的时域和空域特征，构建时空域启发矩 阵。
[0057] 在本步骤中，首先提取压缩码流中空域和时域特征包括对应时域特征的运动矢量 MV，对应空域特征包括:对应于亮度的直流分量的亮度特征L，对应于色度Cb的直流分量的 色度特征Cl,对应于色度Cr的直流分量的色度特征C2, W及对应于亮度的所有交流分量的和 的纹理特征T。然后进行启发矩阵的构建，具体构建过程如下：
[0058] 针对每种特征fE化，U，V，T，MV}，按照下面公式获得时空域启发矩阵：
[0060]式中，f(i，j)和f(l，m)分别表示坐标为(i，j)的块和坐标为（l，m)的块的特征值。f ￡{1，11，￥，1'，1￥}，〇是一个控制启发矩阵强度的常数，本实施例中设其值为1。采用该公式是 由于该公式应用广泛，并且在显著性检测方面展现出了出色的效果（C. Yang, L. Zhang, H. Lu，X .民uan，and M.-H. Yang，（'Sal iency detectionvia graph-based manifold ranking，，，in Computer Vision and Pattern民ecognition(CVP民），2013IEEE Conference on.IE邸，2013,PP?3166-3173)O
[0061] 步骤3、使用蚁群算法，根据时空域启发矩阵分别获得时空域显著性图。具体实现 方法如下：
[0062] 对于一个单层的图G(V，E)，我们可W通过两个步骤完成完整的蚁群算法:妈蚁的 运动 W及信息素的更亲if (M.Dori邑O and M.Birattari , ('Ant colony optimization," in 化巧clopediaof Machine Learning. Springer ,2010,卵.36-39)。我们首先随机选一个节 点V并将一只妈蚁放到V的位置，我们将它的运动方向设为边E，并通过计算转移概率得到E 的值。妈蚁运动的同时会将信息素留在节点上，我们通过挥发和衰减可W对信息素矩阵进 行更新，进而获得显著性图。
[0063] 首先，在运单层的图G(V，E)上一次性随机洒出共K只妈蚁，并使每只妈蚁爬行L步。 运个过程记为构造过程，在一次计算中，该构造过程需要被重复执行脚欠。在第n次构造过程 中，第k只妈蚁从节点Q J)移动向节点（l，m)的概率可W通过转移概率进行计算，计算公式 如下：
[0065] 其中T和Tl分别指代信息素矩阵和启发矩阵。a和0是影响因子，根据相关论文，在本 实施例中，我们采用a = l，e = 0.1，Q (I,"指代当前节点的邻居节点。获得转移概率之后，妈 蚁即转向转移概率最大的方向爬行。
[0066] 当第k只妈蚁完成了第n个构造过程中的第1步爬行时，信息素矩阵会根据下面公 式进行更新：
[0068] 其中P是衰减率，最优路径指第k只妈蚁根据转移概率矩阵计算结果经过的所有节 点的集合。另外，AjW是通过启发矩阵决定的二脚三
[0069] 当第n个构造过程中的所有K只妈蚁均完成了 L步爬行之后，信息素矩阵会根据下 面法则进行更新：
[0070] T树'[1 一 [打）+ 皆T(O)
[0071] 其中tW指代每个构造过程中信息素矩阵最初的值，巧指代信息素挥发系数， 取G (0，1]，在本实施例中，我们采用巧=0.0吕。
[0072] 步骤4、根据人眼视觉特性和时空域显著性图的特征，自适应融合时域和空域显著 性图像，得到图像显著区域。具体方法为：
[0073] 利用启发矩阵，我们可W得到四个不同的空域显著性图（Sl，Su，Sv和St) W及一个 时域显著性图（Smv)。为了获得最终的显著性图，我们需要将运些显著性图通过一种适合人 眼视觉系统的方式进行融合。在（C.畑amaret,J.-C.化evet,and 0丄e Meur, "Spatio-temporal combinationof saliency maps and eye-tracking assessment of differentstrategies."in ICIP.Citeseer,2010,pp. 1077-1080)中，作者提出了众多具有 不同标准的融合方法。在运些方法中，相干归一化方法是基于先验知识的，因此在本文中不 作考虑。我们对其他立种融合方法进行了实验测试并且分别绘制了 ROC曲线，如图2所示。其 中，全局非线性归一化方法(G化NS方法）的结果明显优于其他几种融合方法。因此，我们采 用全局非线性归一化方法(GNLNS方法)进行自适应融合，进行自适应融合的公式如下：
[0075] 式中Mi为显著性图SMi中的最大值，HU是显著性图SMi中除最大值外所有其他值的 平均值，N是归一化运算符。
[0076] 下面按照本发明的方法进行实验，说明本实施例的实验效果。
[0077] 测试环境:Visual SUidio 2013，MATLAB 2013b
[0078] 测试序列：所选测试序列和其对应标准显著性图（groundtruth)来自S即数据库 (HadiHadizadeh,Mario J Enriquez,and Ivan V Bajic，"Eye-tracking database for a set of standard video sequences，，，Image Processing，IEEE Transactions on, vol?21，no?2，pp?898-903,2012?)和CRCNS数据库化?IttiandP?Baldi/'Aprincipled approach to detecting surprising eventsin video，，，in Computer Vision and Pattern 民ecognition,2005.CVP民2005. IEEE Computer Society Conference on, ￥〇1.1.1目邸，2005，口口.631-637)，其中包含的序列如下：
[0079] 表一测试序列I (SFU数据库）
[0081] 表二测试序列2(CRCNS数据库）
[008引测试指标；
[0084] (1)、本文使用了两种评价指标，分别为曲线下面积(简称AUC)和偏置性曲线下面 积(简称sAUC)，其中AUC为接收机工作特性曲线(简称ROC曲线)下覆盖的面积。ROC曲线是判 决过程中真正确率(简称TPR)随判决过程中假错误率(简称FPR)变化的曲线，其中ITR表示 将参考标准显著性图像中显著性点检测为显著性点的比例，FPR表示将非显著性点检测为 显著性点的比例，AUC值越大，表示视频显著性检测模型越好；
[0085] (2)、由于一些模型广泛使用中屯、偏置的原则，导致实验结果对数据库的依赖性非