技術(shù)特征：

1.一種基于前景聚集度和背景先驗(yàn)的顯著性物體檢測方法，其特征在于：其具體方法步驟如下：

步驟一：圖像預(yù)處理；針對(duì)后續(xù)步驟，首先，通過構(gòu)建輸入圖像的高斯混合模型將輸入圖像分為多層，并利用哈希變換得到各層的二進(jìn)制碼；再者，通過超像素分割將輸入圖像分割為許多顏色相似，保邊界的超像素，并計(jì)算各超像素的平均位置和平均顏色；另外提取輸入圖像中包含顯著目標(biāo)的凸包，以凸包中心作為中心先驗(yàn)；

步驟二：基于前景聚集度的顯著性；首先以各層二進(jìn)制碼間的相似程度作為相似性測度，將輸入圖像的高斯混合模型各層進(jìn)行分類，再通過計(jì)算各類基于中心先驗(yàn)的聚集度作為權(quán)重對(duì)進(jìn)行融合得到聚集度特征；再計(jì)算各超像素結(jié)合中央先驗(yàn)的全局對(duì)比度，得到對(duì)比度特征；最后將聚集度特征與對(duì)比度特征相乘，作為前景聚集度顯著圖；

步驟三：基于背景先驗(yàn)的顯著性；首先取得與圖像邊界相連的超像素作為背景種子；然后，對(duì)步驟二中得到的前景顯著圖二值化，將被標(biāo)記為1的超像素作為前景種子點(diǎn)，計(jì)算其他超像素與前景種子的相似程度，并確定閾值；將邊界超像素中與前景種子相似度大于閾值的部分超像素從背景種子中剔除，則得到最終背景種子集；最后，通過計(jì)算各超像素與背景種子的對(duì)比度，從而得到背景顯著性；

步驟四：顯著性優(yōu)化融合；將融合問題視為優(yōu)化問題，構(gòu)建一個(gè)包含前景項(xiàng)、背景項(xiàng)和平滑項(xiàng)的代價(jià)函數(shù)，將前景背景結(jié)合在一起，通過最小化代價(jià)函數(shù)得到最終的顯著圖；

所述的步驟四中，首先構(gòu)建一個(gè)代價(jià)函數(shù)，將前景背景結(jié)合在一起：

Foreground代表前景項(xiàng)，Background代表背景項(xiàng)，Smoothness為平滑項(xiàng)；其中S(i)為第i個(gè)超像素的最終顯著性均值，通過最小化代價(jià)函數(shù)得到最終的顯著圖；α是平衡前景顯著性與背景顯著性對(duì)最終顯著性影響力大小的權(quán)重，λ是調(diào)節(jié)平滑項(xiàng)作用大小的權(quán)重，即調(diào)節(jié)最終顯著性的平滑程度；

最后通過最小化代價(jià)函數(shù)，得到最終的顯著性S；

通過以上步驟，本檢測方法結(jié)合圖像前景聚集度和背景先驗(yàn)，能夠較好地突出前景和抑制背景，則比較準(zhǔn)確地檢測出圖像目標(biāo)，對(duì)于其他圖像處理領(lǐng)域如目標(biāo)分割、目標(biāo)跟蹤和目標(biāo)檢索都有實(shí)際應(yīng)用價(jià)值。

2.根據(jù)權(quán)利要求1所述的一種基于前景聚集度和背景先驗(yàn)的顯著性物體檢測方法，其特征在于：在步驟一中所述的“利用哈希變換得到各層的二進(jìn)制碼”，其作法如下：首先構(gòu)建輸入圖像的高斯混合模型，用高斯混合模型的各成分對(duì)應(yīng)代表一種顏色，則將輸入圖像的顏色分為6類，同時(shí)得到各像素點(diǎn)屬于各類的概率；像素屬于各層的概率能用圖像來表示，則相對(duì)于將輸入圖像分解為了6部分，即用灰度值表示隸屬度的6層灰度圖像；然后將這6幅圖像均降采樣到大小為8×8的圖像，計(jì)算其灰度均值，將灰度值大于均值像素的標(biāo)記為1，否則為0，從而得到每層圖像對(duì)應(yīng)的64位二進(jìn)制碼。

3.根據(jù)權(quán)利要求1所述的一種基于前景聚集度和背景先驗(yàn)的顯著性物體檢測方法，其特征在于：在步驟二中所述的“將輸入圖像的高斯混合模型各層進(jìn)行分類”，其作法如下：首先以高斯混合模型各層圖像對(duì)應(yīng)的二進(jìn)制碼之間的歐氏距離的倒數(shù)作為相似度測度，利用Alex Rodriguez的聚類方法將這6層圖像聚為3類，分別代表圖像中的前景、背景和陰影部分，則各像素點(diǎn)屬于這三類中第K類的概率為：

$p\left(K\right|I_x)=\underset{k\∈K}{\Σ}p\left(k\right|I_x)$

其中p(k|I_x)是像素I_x屬于高斯混合模型第k個(gè)成分的概率，且這第k個(gè)成分屬于第K類，相當(dāng)于將屬于第K類的幾層圖像加和。

4.根據(jù)權(quán)利要求1所述的一種基于前景聚集度和背景先驗(yàn)的顯著性物體檢測方法，其特征在于：在步驟二中所述的“再通過計(jì)算各類基于中心先驗(yàn)的聚集度作為權(quán)重對(duì)進(jìn)行融合得到聚集度特征”，其計(jì)算的過程如下：以聚集度為權(quán)重將分類得到的三類圖像加和，得到聚集度特征圖：

$S_C=\underset{K}{\Σ}p\left(K\right|I_x)*Comp\left(K\right)$

Comp(K)即為第K類圖像對(duì)應(yīng)的聚集度：

$Comp\left(K\right)={\left(\frac{{\mathrm{\Σ}}_{I_x}\left|\right|x-\mathrm{\μ}|{|}^2\·p\left(K\right|I_x)}{{\mathrm{\Σ}}_{I_x}p\left(K\right|I_x)}\right)}^{-1}.$

5.根據(jù)權(quán)利要求1所述的一種基于前景聚集度和背景先驗(yàn)的顯著性物體檢測方法，其特征在于：在步驟三中所述的“計(jì)算其他超像素與前景種子的相似程度”，其計(jì)算方法如下：

$Sim\left(i\right)=1-\underset{j\∈FS}{\Σ}\left|\right|S_{fg}\left(i\right)-S_{fg}\left(j\right)\left|\right|$

FS代表前景種子點(diǎn)集。

6.根據(jù)權(quán)利要求1所述的一種基于前景聚集度和背景先驗(yàn)的顯著性物體檢測方法，其特征在于：在步驟三中所述的“將邊界超像素中與前景種子相似度大于閾值的部分超像素從背景種子中剔除”，其剔除的過程如下：

通過OSTU算法確定相似度的閾值T，將邊界超像素中與前景種子相似度大于閾值T的部分超像素從背景種子中剔除，則得到最終背景種子集BS；最后，以各超像素與背景種子的對(duì)比度作為到背景顯著性：

$S_{bg}\left(i\right)=\underset{j\∈BS}{\Σ}\left|\right|c_i-c_j\left|\right|\·(1-||{\mathrm{\μ}}_i-{\mathrm{\μ}}_j|\left|\right).$