本發(fā)明實(shí)施例涉及計(jì)算機(jī)視覺(jué)
技術(shù)領(lǐng)域：
，具體涉及一種基于低秩矩陣表示的圖像前景物體檢測(cè)方法及檢測(cè)系統(tǒng)，但絕不限于此。
背景技術(shù)：
：作為計(jì)算機(jī)視覺(jué)的一個(gè)重要研究領(lǐng)域，圖像前景物體檢測(cè)(ImageForegroundObjectDetection)是實(shí)現(xiàn)圖像內(nèi)容理解的一個(gè)重要步驟。它可以為圖像內(nèi)容理解提供快速感知和預(yù)處理。所謂前景物體檢測(cè)就是從圖像中快速檢測(cè)并提取出最能夠吸引人類(lèi)視覺(jué)注意的語(yǔ)義物體，它是計(jì)算機(jī)視覺(jué)領(lǐng)域的底層問(wèn)題之一，同時(shí)也是神經(jīng)學(xué)、認(rèn)知學(xué)、心理學(xué)、圖像處理等諸多領(lǐng)域的研究?jī)?nèi)容。顯著物體檢測(cè)的研究具有廣泛應(yīng)用價(jià)值，它可以在圖像壓縮、圖像檢索、物體檢測(cè)與識(shí)別以及圖像高層語(yǔ)義理解等研究問(wèn)題上發(fā)揮作用，也可以在視頻監(jiān)控、安全生產(chǎn)、輔助醫(yī)療、影視娛樂(lè)等實(shí)際問(wèn)題中得到應(yīng)用。近年來(lái)，圖像前景物體檢測(cè)呈現(xiàn)快速發(fā)展的趨勢(shì)，研究者們提出了許多有效的計(jì)算模型和算法。從人類(lèi)視覺(jué)認(rèn)知的角度，可以將這些算法分為兩類(lèi)，一類(lèi)是下意識(shí)的、自底向上(Bottom-up)的算法，另一類(lèi)是有明確意識(shí)指導(dǎo)的、自頂向下(Top-down)的算法。自底向上的前景物體檢測(cè)算法主要通過(guò)視覺(jué)選擇性注意機(jī)制發(fā)現(xiàn)圖像中能夠吸引人類(lèi)視覺(jué)注意的語(yǔ)義物體。這種方法由視覺(jué)數(shù)據(jù)(即圖像本身)驅(qū)動(dòng)，與具體目標(biāo)任務(wù)無(wú)關(guān)，因而通常檢測(cè)速度較快。利用對(duì)比度分析、上下文分析以及統(tǒng)計(jì)分析等方式實(shí)現(xiàn)前景物體的檢測(cè)。自低向上的算法具有計(jì)算效率高、生物啟發(fā)式、不需要外部人工干預(yù)等良好的特點(diǎn)。與自低向上的算法不同，自頂向下的檢測(cè)算法往往由檢測(cè)任務(wù)驅(qū)動(dòng)，有明確的檢測(cè)目標(biāo)。這類(lèi)方法大多利用有監(jiān)督的學(xué)習(xí)算法實(shí)現(xiàn)目標(biāo)物體的檢測(cè)和提取，同時(shí)，也有部分算法通過(guò)集成高層先驗(yàn)感知(例如：中心先驗(yàn)、顏色先驗(yàn)、背景先驗(yàn)、稀疏先驗(yàn)等)輔助檢測(cè)。一般來(lái)說(shuō)，自頂向下的檢測(cè)算法可靠性強(qiáng)，但是其泛化和拓展性較弱。目前主流的圖像前景物體檢測(cè)方法存在如下兩個(gè)問(wèn)題：(1)檢測(cè)得到的結(jié)果中包含一些離散的像素和區(qū)域塊，因而檢測(cè)的前景物體區(qū)域連續(xù)性較差，無(wú)法獲得完整的前景物體；(2)當(dāng)圖像的背景較復(fù)雜，或者圖像的前景物體和背景區(qū)域之間表觀(guān)相似時(shí)，已有的檢測(cè)技術(shù)很難將圖像前景物體檢測(cè)出來(lái)。有鑒于此，特提出本發(fā)明。技術(shù)實(shí)現(xiàn)要素：本發(fā)明實(shí)施例的主要目的在于提供一種基于低秩矩陣表示的圖像前景物體檢測(cè)方法，其至少部分地解決了如何從前景和背景表觀(guān)相似的圖像中完整地檢測(cè)前景物體的技術(shù)問(wèn)題。此外，還提供一種基于低秩矩陣表示的圖像前景物體檢測(cè)系統(tǒng)。為了實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明的一個(gè)方面，提供了以下技術(shù)方案：一種基于低秩矩陣表示的圖像前景物體檢測(cè)方法，所述方法至少可以包括：提取待處理圖像的特征，利用特征聚類(lèi)的方式對(duì)所述待處理圖像進(jìn)行子區(qū)域劃分；計(jì)算每一子區(qū)域的特征均值，以獲得所述子區(qū)域的特征表示，并將所述全部子區(qū)域的特征表示排列成矩陣，以獲得所述待處理圖像的特征矩陣；利用低秩矩陣表示方法，將所述特征矩陣分解成低秩矩陣與稀疏矩陣；針對(duì)所述稀疏矩陣的每一列計(jì)算l∞范數(shù)，以獲得對(duì)應(yīng)子區(qū)域的顯著性值，并基于所述子區(qū)域的顯著值來(lái)構(gòu)成所述待處理圖像的顯著圖；對(duì)所述顯著圖進(jìn)行自適應(yīng)閾值劃分，從而獲得所述待處理圖像的前景物體區(qū)域。進(jìn)一步地，所述提取待處理圖像的特征，利用特征聚類(lèi)的方式對(duì)所述待處理圖像進(jìn)行子區(qū)域劃分，具體可以包括：提取所述待處理圖像的以下一種或幾種特征：RGB顏色特征、梯度直方圖HOG特征和甘伯Gabor紋理特征；對(duì)所述特征進(jìn)行最大-最小歸一化處理；利用剛性劃分策略將所述待處理圖像進(jìn)行區(qū)域分割，并將區(qū)域中心點(diǎn)作為聚類(lèi)的初始中心；利用K-均值聚類(lèi)算法迭代調(diào)整聚類(lèi)中心，以使所述區(qū)域內(nèi)歸一化后特征的差異最??；根據(jù)特征歐氏距離最短原則，將所述待處理圖像的每一像素劃分到對(duì)應(yīng)的所述聚類(lèi)中心，從而對(duì)所述待處理圖像進(jìn)行所述子區(qū)域劃分。進(jìn)一步地，所述計(jì)算每一子區(qū)域的特征均值，以獲得所述子區(qū)域的特征表示，并將所述全部子區(qū)域的特征表示排列成矩陣，以獲得所述待處理圖像的特征矩陣，具體可以包括：計(jì)算所述子區(qū)域內(nèi)特征的均值，以獲得表達(dá)所述子區(qū)域的特征表示；根據(jù)所述子區(qū)域在所述待處理圖像平面上出現(xiàn)的位置，按照從左到右、從上到下的順序，將所述全部子區(qū)域特征表示依次拼接成所述特征矩陣。進(jìn)一步地，所述利用低秩矩陣表示方法，將所述特征矩陣分解成低秩矩陣與稀疏矩陣，具體可以包括：計(jì)算所述子區(qū)域間的相似度矩陣；根據(jù)所述子區(qū)域間的相似度矩陣，確定拉普拉斯矩陣；使用所述拉普拉斯矩陣，并利用低秩矩陣表示方法將所述特征矩陣分解成所述低秩矩陣與所述稀疏矩陣。進(jìn)一步地，所述針對(duì)所述稀疏矩陣的每一列計(jì)算l∞范數(shù)，以獲得對(duì)應(yīng)子區(qū)域的顯著性值，并基于所述子區(qū)域的顯著值來(lái)構(gòu)成所述待處理圖像的顯著圖，具體可以包括：根據(jù)以下公式，針對(duì)所述稀疏矩陣的每一列計(jì)算l∞范數(shù)，以獲得對(duì)應(yīng)所述子區(qū)域的顯著性值：Sal(Pi)＝||si||∞其中，所述Pi表示子區(qū)域；所述Sal(·)表示顯著性值；所述si表示稀疏矩陣的第i列；i＝1......N；對(duì)所述待處理圖像所有子區(qū)域的顯著值進(jìn)行最大-最小歸一化；根據(jù)以下公式，將歸一化后的顯著值賦值于所述待處理圖像平面上對(duì)應(yīng)的像素：Map(x,y)＝Sal(Pi)其中，所述(x,y)表示所述待處理圖像子區(qū)域Pi內(nèi)包含像素對(duì)應(yīng)的位置；所述Map(·,·)表示待處理圖像的顯著圖。進(jìn)一步地，所述對(duì)所述顯著圖進(jìn)行自適應(yīng)閾值劃分，從而獲得所述待處理圖像的前景物體區(qū)域，具體可以包括：利用Otsu's閾值劃分方法將所述顯著圖分割成二進(jìn)制圖像，并用標(biāo)記為第一標(biāo)號(hào)的像素表示所述待處理圖像物體所在區(qū)域；根據(jù)所述二進(jìn)制圖像中標(biāo)記為所述第一標(biāo)號(hào)的像素出現(xiàn)的位置，來(lái)計(jì)算所述待處理圖像的連通區(qū)域；統(tǒng)計(jì)每一所述連通區(qū)域內(nèi)包含像素的個(gè)數(shù)，并確定包含像素個(gè)數(shù)最多的連通區(qū)域所含的像素個(gè)數(shù)；基于所述每一連通區(qū)域內(nèi)包含像素的個(gè)數(shù)及所述包含像素個(gè)數(shù)最多的連通區(qū)域所含的像素個(gè)數(shù)，并利用最大連通區(qū)域原則，來(lái)提取前景物體區(qū)域。進(jìn)一步地，所述根據(jù)所述二進(jìn)制圖像中標(biāo)記為所述第一標(biāo)號(hào)的像素出現(xiàn)的位置，來(lái)計(jì)算所述待處理圖像的連通區(qū)域，具體可以包括：逐行掃描所述二進(jìn)制圖像，將每一行中標(biāo)記為所述第一標(biāo)號(hào)的連續(xù)像素序列記為一團(tuán)簇，并記下所述團(tuán)簇的起點(diǎn)和終點(diǎn)位置；針對(duì)除了第一行之外的所有行內(nèi)的團(tuán)簇，執(zhí)行以下操作：如果當(dāng)前團(tuán)簇與前一行中的所有團(tuán)簇的起點(diǎn)和終點(diǎn)區(qū)間沒(méi)有重合區(qū)域，則給所述當(dāng)前團(tuán)簇賦予一數(shù)字標(biāo)號(hào)，數(shù)字標(biāo)號(hào)從1開(kāi)始依次計(jì)數(shù)；如果所述當(dāng)前團(tuán)簇僅與所述前一行中一團(tuán)簇的起點(diǎn)和終點(diǎn)區(qū)間有重合，則將所述前一行對(duì)應(yīng)團(tuán)簇的數(shù)字標(biāo)號(hào)賦予所述當(dāng)前團(tuán)簇；如果所述當(dāng)前團(tuán)簇與所述前一行中的2個(gè)以上團(tuán)簇的起點(diǎn)和終點(diǎn)區(qū)間有重合區(qū)域，則將該些團(tuán)簇的數(shù)字標(biāo)號(hào)中最小的一數(shù)字標(biāo)號(hào)賦予所述當(dāng)前團(tuán)簇；同時(shí)，將所述前一行的有重合區(qū)域的多個(gè)團(tuán)簇的數(shù)字標(biāo)號(hào)寫(xiě)入等價(jià)對(duì)；將每一所述等價(jià)對(duì)中的團(tuán)簇，標(biāo)記為同一團(tuán)簇；對(duì)所述每一團(tuán)簇依次標(biāo)記數(shù)字標(biāo)號(hào)，并將所述數(shù)字標(biāo)號(hào)對(duì)應(yīng)到所述待處理圖像中，形成所述待處理圖像的所述連通區(qū)域。為了實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明的另一個(gè)方面，還提供了一種基于低秩矩陣表示的圖像前景物體檢測(cè)系統(tǒng)。其中，所述系統(tǒng)至少包括：劃分模塊，用于提取待處理圖像的特征，利用特征聚類(lèi)的方式對(duì)所述待處理圖像進(jìn)行子區(qū)域劃分；第一處理模塊，用于計(jì)算每一子區(qū)域的特征均值，以獲得所述子區(qū)域的特征表示，并將所述全部子區(qū)域的特征表示排列成矩陣，以獲得所述待處理圖像的特征矩陣；分解模塊，用于利用低秩矩陣表示方法，將所述特征矩陣分解成低秩矩陣與稀疏矩陣；第二處理模塊，用于針對(duì)所述稀疏矩陣的每一列計(jì)算l∞范數(shù)，以獲得對(duì)應(yīng)子區(qū)域的顯著性值，并基于所述子區(qū)域的顯著值來(lái)構(gòu)成所述待處理圖像的顯著圖；自適應(yīng)閾值劃分模塊，用于對(duì)所述顯著圖進(jìn)行自適應(yīng)閾值劃分，從而獲得所述待處理圖像的前景物體區(qū)域。進(jìn)一步地，所述劃分模塊具體包括：提取單元，用于提取所述待處理圖像的以下一種或幾種特征：RGB顏色特征、梯度直方圖HOG特征和甘伯Gabor紋理特征；歸一化單元，用于對(duì)所述特征進(jìn)行最大-最小歸一化處理；分割單元，用于利用剛性劃分策略將所述待處理圖像進(jìn)行區(qū)域分割，并將區(qū)域中心點(diǎn)作為聚類(lèi)的初始中心；調(diào)整單元，用于利用K-均值聚類(lèi)算法迭代調(diào)整聚類(lèi)中心，以使所述區(qū)域內(nèi)歸一化后特征的差異最小；劃分單元，用于根據(jù)特征歐氏距離最短原則，將所述待處理圖像的每一像素劃分到對(duì)應(yīng)的所述聚類(lèi)中心，從而對(duì)所述待處理圖像進(jìn)行所述子區(qū)域劃分。進(jìn)一步地，所述分解模塊具體包括：計(jì)算單元，用于計(jì)算所述子區(qū)域間的相似度矩陣；確定單元，用于根據(jù)所述子區(qū)域間的相似度矩陣，確定拉普拉斯矩陣；分解單元，用于使用所述拉普拉斯矩陣，并利用低秩矩陣表示方法將所述特征矩陣分解成所述低秩矩陣與所述稀疏矩陣。與現(xiàn)有技術(shù)相比，上述技術(shù)方案至少具有以下有益效果：本發(fā)明實(shí)施例提出一種基于低秩矩陣表示的圖像前景物體檢測(cè)方法及檢測(cè)系統(tǒng)。其中，該方法首先提取待處理圖像的特征，并利用特征聚類(lèi)的方式對(duì)待處理圖像進(jìn)行子區(qū)域劃分；接著計(jì)算每一子區(qū)域的特征均值，以獲得子區(qū)域的特征表示，并將全部子區(qū)域的特征表示排列成矩陣，以獲得待處理圖像的特征矩陣；然后，利用低秩矩陣表示方法，將特征矩陣分解成低秩矩陣與稀疏矩陣；再針對(duì)稀疏矩陣的每一列計(jì)算l∞范數(shù)，以獲得對(duì)應(yīng)子區(qū)域的顯著性值，并基于子區(qū)域的顯著值來(lái)構(gòu)成待處理圖像的顯著圖；最后，對(duì)顯著圖進(jìn)行自適應(yīng)閾值劃分，從而獲得待處理圖像的前景物體區(qū)域。本發(fā)明實(shí)施例通過(guò)對(duì)圖像前景和背景區(qū)域分別建模，增大了前景和背景在特征空間中的差異，使得兩者更易分離，因而檢測(cè)得到的前景物體區(qū)域更加完整，且可以處理前景物體和背景區(qū)域表觀(guān)相似的圖像，提高了圖像前景物體檢測(cè)方法的魯棒性。當(dāng)然，實(shí)施本發(fā)明的任一產(chǎn)品不一定需要同時(shí)實(shí)現(xiàn)以上所述的所有優(yōu)點(diǎn)。本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書(shū)中闡述，并且，部分地從說(shuō)明書(shū)中變得顯而易見(jiàn)，或者通過(guò)實(shí)施本發(fā)明而了解。本發(fā)明的目的和其它優(yōu)點(diǎn)可通過(guò)在所寫(xiě)的說(shuō)明書(shū)、權(quán)利要求書(shū)以及附圖中所特別指出的方法來(lái)實(shí)現(xiàn)和獲得。附圖說(shuō)明附圖作為本發(fā)明的一部分，用來(lái)提供對(duì)本發(fā)明的進(jìn)一步的理解，本發(fā)明的示意性實(shí)施例及其說(shuō)明用于解釋本發(fā)明，但不構(gòu)成對(duì)本發(fā)明的不當(dāng)限定。顯然，下面描述中的附圖僅僅是一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)說(shuō)，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他附圖。在附圖中：圖1為根據(jù)一示例性實(shí)施例示出的基于低秩矩陣表示的圖像前景物體檢測(cè)方法的流程示意圖；圖2為根據(jù)一示例性實(shí)施例示出的提取待處理圖像的特征并利用特征聚類(lèi)的方式對(duì)待處理圖像進(jìn)行子區(qū)域劃分的流程示意圖；圖3為根據(jù)一示例性實(shí)施例示出的利用低秩矩陣表示方法將特征矩陣分解成低秩矩陣與稀疏矩陣的流程示意圖；圖4為根據(jù)一示例性實(shí)施例示出的對(duì)顯著圖進(jìn)行自適應(yīng)閾值劃分從而獲得待處理圖像的前景物體區(qū)域的流程示意圖；圖5為根據(jù)一示例性實(shí)施例示出的基于低秩矩陣表示的圖像前景物體檢測(cè)系統(tǒng)的結(jié)構(gòu)示意圖；圖6為根據(jù)一示例性實(shí)施例示出的劃分模塊的結(jié)構(gòu)示意圖；圖7為根據(jù)一示例性實(shí)施例示出的分解模塊的結(jié)構(gòu)示意圖。這些附圖和文字描述并不旨在以任何方式限制本發(fā)明的保護(hù)范圍，而是通過(guò)參考特定實(shí)施例為本領(lǐng)域技術(shù)人員說(shuō)明本發(fā)明的概念。具體實(shí)施方式下面結(jié)合附圖以及具體實(shí)施例對(duì)本發(fā)明實(shí)施例解決的技術(shù)問(wèn)題、所采用的技術(shù)方案以及實(shí)現(xiàn)的技術(shù)效果進(jìn)行清楚、完整的描述。顯然，所描述的實(shí)施例僅僅是本申請(qǐng)的一部分實(shí)施例，并不是全部實(shí)施例?；诒旧暾?qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性勞動(dòng)的前提下，所獲的所有其它等同或明顯變型的實(shí)施例均落在本發(fā)明的保護(hù)范圍內(nèi)。本發(fā)明實(shí)施例可以按照權(quán)利要求中限定和涵蓋的多種不同方式來(lái)具體化。需要說(shuō)明的是，在下面的描述中，為了方便理解，給出了許多具體細(xì)節(jié)。但是很明顯，本發(fā)明的實(shí)現(xiàn)可以沒(méi)有這些具體細(xì)節(jié)。還需要說(shuō)明的是，在沒(méi)有明確限定或不沖突的情況下，本發(fā)明中的各個(gè)實(shí)施例及其中的技術(shù)特征可以相互組合而形成技術(shù)方案。目前，現(xiàn)有技術(shù)檢測(cè)的前景物體區(qū)域連續(xù)性較差，無(wú)法獲得完整的前景物體，而且當(dāng)圖像的背景較復(fù)雜，或者圖像的前景物體和背景區(qū)域之間表觀(guān)相似時(shí)，很難將圖像前景物體檢測(cè)出來(lái)。為此，本發(fā)明實(shí)施例提出一種基于低秩矩陣表示的圖像前景物體檢測(cè)方法。如圖1所示，該方法可以通過(guò)步驟S100至步驟S140來(lái)實(shí)現(xiàn)。步驟S100：提取待處理圖像的特征，并利用特征聚類(lèi)的方式對(duì)待處理圖像進(jìn)行子區(qū)域劃分。具體地，如圖2所示，本步驟可以通過(guò)步驟S101至步驟S105來(lái)實(shí)現(xiàn)。步驟S101：提取待處理圖像的以下一種或幾種特征：RGB顏色特征、梯度直方圖HOG特征和甘伯Gabor紋理特征。步驟S102：對(duì)特征進(jìn)行最大-最小歸一化處理。在具體操作過(guò)程中，本步驟可以根據(jù)以下公式將特征數(shù)據(jù)變換為0-1之間的數(shù)值：x*=x-minx-max]]>其中，x表示待處理圖像的特征數(shù)據(jù)；min和max分別表示特征數(shù)據(jù)的最小值與最大值；x*表示歸一化之后的特征數(shù)據(jù)。步驟S103：利用剛性劃分策略將待處理圖像進(jìn)行區(qū)域分割，并將區(qū)域中心點(diǎn)作為聚類(lèi)的初始中心。步驟S104：利用K-均值聚類(lèi)算法迭代調(diào)整聚類(lèi)中心，以使區(qū)域內(nèi)歸一化后特征的差異最小。步驟S105：根據(jù)特征歐氏距離最短原則，將待處理圖像的每一像素劃分到對(duì)應(yīng)的聚類(lèi)中心，從而對(duì)待處理圖像進(jìn)行子區(qū)域劃分。下面以一優(yōu)選實(shí)施例來(lái)對(duì)利用特征聚類(lèi)的方式對(duì)待處理圖像進(jìn)行子區(qū)域劃分的過(guò)程進(jìn)行詳細(xì)說(shuō)明。將待處理圖像分割成N個(gè)子區(qū)域{Pi}i＝1,…N，設(shè){ci}i＝1,…N表示區(qū)域中心點(diǎn)，將{ci}i＝1,…N作為聚類(lèi)的初始中心。然后，利用K-均值聚類(lèi)算法(K-means)迭代調(diào)整{ci}i＝1,…N，以使得N個(gè)區(qū)域內(nèi)特征差異最小。再根據(jù)特征歐氏距離最短原則，將待處理圖像的每一像素劃分到對(duì)應(yīng)的聚類(lèi)中心{ci}i＝1,…N，從而將待處理圖像劃分成N個(gè)子區(qū)域(即N個(gè)小區(qū)域)。優(yōu)選地，N取位于200至300之間的一個(gè)整數(shù)，例如：N取值為250。步驟S110：計(jì)算每一子區(qū)域的特征均值，以獲得子區(qū)域的特征表示，并將全部子區(qū)域的特征表示排列成矩陣，以獲得待處理圖像的特征矩陣。在實(shí)際應(yīng)用中，本步驟可以通過(guò)步驟S111和步驟S112來(lái)實(shí)現(xiàn)。步驟S111：計(jì)算子區(qū)域內(nèi)特征的均值，以獲得表達(dá)子區(qū)域的特征表示。步驟S112：根據(jù)子區(qū)域在待處理圖像平面上出現(xiàn)的位置，按照從左到右、從上到下的順序，將全部子區(qū)域特征表示依次拼接成特征矩陣。作為示例，設(shè){Pi}i＝1,…N表示子區(qū)域；{fi}i＝1,…N表示子區(qū)域的特征表示；N表示子區(qū)域數(shù)量。通過(guò)步驟S112的處理后可以得到特征矩陣其中D表示特征的維度。步驟S120：利用低秩矩陣表示方法，將特征矩陣分解成低秩矩陣與稀疏矩陣。具體地，如圖3所示，本步驟可以通過(guò)步驟S121至步驟S123來(lái)實(shí)現(xiàn)。步驟S121：計(jì)算子區(qū)域間的相似度矩陣。在具體操作過(guò)程中，可以根據(jù)以下公式，確定相鄰子區(qū)域之間的相似度：wi,j=exp(-||ci-cj||2σc2)exp(-||fi-fj||2σf2)]]>其中，σc與σf表示高斯函數(shù)的標(biāo)準(zhǔn)差變量；ci表示子區(qū)域中心點(diǎn)的坐標(biāo)位置(也即表示聚類(lèi)中心)；fi表示子區(qū)域的特征表示；N表示子區(qū)域數(shù)量；i,j的取值為0,…,N。將不相鄰子區(qū)域之間的相似度設(shè)置為零。通過(guò)確定出相鄰子區(qū)域之間的相似度和不相鄰子區(qū)域之間的相似度，就可以得到子區(qū)域間的相似度矩陣W＝[wi,j]N×N。步驟S122：根據(jù)子區(qū)域間的相似度矩陣，確定拉普拉斯矩陣。具體地，本步驟可以根據(jù)以下公式來(lái)確定拉普拉斯矩陣：L＝D-W其中，D＝diag{d1,1,...,di,i,...,dN,N}表示對(duì)角矩陣；N表示子區(qū)域數(shù)量；di,i＝∑jwi,j；W表示相似度矩陣；wi,j表示相似度矩陣中的元素；i,j的取值為0,...,N。步驟S123：使用拉普拉斯矩陣，并利用低秩矩陣表示方法將特征矩陣分解成低秩矩陣與稀疏矩陣。具體地，本步驟可以根據(jù)以下公式來(lái)實(shí)現(xiàn)：minZ,S||Z||*+αTr(ZLZT)+β||S||2,1s.t.F=FZ+S]]>其中，S表示稀疏矩陣；Z表示低秩矩陣；||·||*表示核范數(shù)(即矩陣非零奇異值的和)；||·||2,1表示組稀疏范數(shù)，且定義為si表示稀疏矩陣的第i列；Tr表示求矩陣的跡；α和β分別表示矩陣分解算法的參數(shù)。本步驟中得到的低秩矩陣可以用來(lái)表達(dá)圖像背景區(qū)域，稀疏矩陣可以用來(lái)表達(dá)圖像前景物體區(qū)域。步驟S130：針對(duì)稀疏矩陣的每一列計(jì)算l∞范數(shù)，以獲得對(duì)應(yīng)子區(qū)域的顯著性值，并基于子區(qū)域的顯著值來(lái)構(gòu)成待處理圖像的顯著圖。具體地，本步驟可以通過(guò)步驟S131至步驟S133來(lái)實(shí)現(xiàn)。步驟S131：根據(jù)以下公式，針對(duì)稀疏矩陣的每一列計(jì)算l∞范數(shù)，以獲得對(duì)應(yīng)子區(qū)域的顯著性值：Sal(Pi)＝||si||∞其中，Pi表示子區(qū)域；Sal(·)表示顯著性值；si表示稀疏矩陣的第i列；i＝1......N。步驟S132：對(duì)待處理圖像所有子區(qū)域的顯著值進(jìn)行最大-最小歸一化。在實(shí)際應(yīng)用中，本步驟可以參考步驟S102示例性示出的方法來(lái)實(shí)現(xiàn)，在此不再贅述。步驟S133：根據(jù)以下公式，將歸一化后的顯著值賦值于待處理圖像平面上對(duì)應(yīng)的像素：Map(x,y)＝Sal(Pi)其中，Pi表示子區(qū)域；(x,y)表示待處理圖像子區(qū)域Pi內(nèi)包含像素對(duì)應(yīng)的位置；Map(·,·)表示待處理圖像的顯著圖。步驟S140：對(duì)顯著圖進(jìn)行自適應(yīng)閾值劃分，從而獲得待處理圖像的前景物體區(qū)域。具體地，如圖4所示，本步驟可以通過(guò)步驟S141至步驟S144來(lái)實(shí)現(xiàn)。步驟S141：利用Otsu's閾值劃分方法將顯著圖分割成二進(jìn)制圖像，并用標(biāo)記為第一標(biāo)號(hào)的像素表示待處理圖像物體所在區(qū)域。其中，二進(jìn)制圖像例如可以為0-1二進(jìn)制圖像。本步驟在將顯著圖分割成0-1二進(jìn)制圖像后，可以用標(biāo)記為0的像素表示待處理圖像背景所在的區(qū)域，可以用標(biāo)記為1(其可以相當(dāng)于步驟S141中的第一標(biāo)號(hào))的像素表示待處理圖像物體所在的區(qū)域，當(dāng)然，在實(shí)際應(yīng)用中，也可以用與此處相反的方式來(lái)標(biāo)記。步驟S142：根據(jù)二進(jìn)制圖像中標(biāo)記為第一標(biāo)號(hào)的像素出現(xiàn)的位置，來(lái)計(jì)算待處理圖像的連通區(qū)域。以二進(jìn)制圖像為0-1二進(jìn)制圖像為例，用標(biāo)記為0的像素表示待處理圖像背景所在的區(qū)域，用標(biāo)記為1的像素表示待處理圖像物體所在的區(qū)域，則本步驟中根據(jù)標(biāo)記為1的像素出現(xiàn)的位置，計(jì)算待處理圖像的連通區(qū)域。具體地，本步驟可以通過(guò)步驟S1421至步驟S1424來(lái)實(shí)現(xiàn)。步驟S1421：逐行掃描二進(jìn)制圖像，將每一行中標(biāo)記為第一標(biāo)記的連續(xù)像素序列記為一個(gè)團(tuán)簇，并記下該團(tuán)簇的起點(diǎn)和終點(diǎn)位置。以二進(jìn)制圖像為0-1二進(jìn)制圖像為例，則本步驟中將每一行中標(biāo)記為1的連續(xù)像素序列記為一個(gè)團(tuán)簇。步驟S1422：針對(duì)除了第一行之外的所有行內(nèi)的團(tuán)簇，執(zhí)行以下操作：如果該當(dāng)前團(tuán)簇與前一行中的所有團(tuán)簇的起點(diǎn)和終點(diǎn)區(qū)間沒(méi)有重合區(qū)域，則給該當(dāng)前團(tuán)簇賦予一個(gè)數(shù)字標(biāo)號(hào)，這里的數(shù)字標(biāo)號(hào)從1開(kāi)始依次計(jì)數(shù)；如果該當(dāng)前團(tuán)簇僅與前一行中一個(gè)團(tuán)簇的起點(diǎn)和終點(diǎn)區(qū)間有重合，則將前一行對(duì)應(yīng)團(tuán)簇的數(shù)字標(biāo)號(hào)賦予當(dāng)前團(tuán)簇；如果該當(dāng)前團(tuán)簇與前一行中的2個(gè)以上(包含2個(gè))團(tuán)簇的起點(diǎn)和終點(diǎn)區(qū)間有重合區(qū)域，則將這些團(tuán)簇的數(shù)字標(biāo)號(hào)中最小的一個(gè)數(shù)字標(biāo)號(hào)賦予當(dāng)前團(tuán)簇；同時(shí)，將上一行的有重合區(qū)域的多個(gè)團(tuán)簇的數(shù)字標(biāo)號(hào)寫(xiě)入等價(jià)對(duì)。其中，將上一行的有重合區(qū)域的多個(gè)團(tuán)簇的數(shù)字標(biāo)號(hào)寫(xiě)入等價(jià)對(duì)，說(shuō)明它們屬于同一類(lèi)。步驟S1423：將每一等價(jià)對(duì)中的團(tuán)簇，標(biāo)記為同一個(gè)團(tuán)簇。步驟S1424：對(duì)每一個(gè)團(tuán)簇依次標(biāo)記數(shù)字標(biāo)號(hào)，并將該數(shù)字標(biāo)號(hào)對(duì)應(yīng)到待處理圖像中，形成待處理圖像的連通區(qū)域。步驟S143：統(tǒng)計(jì)每一個(gè)連通區(qū)域內(nèi)包含像素的個(gè)數(shù)，并確定包含像素個(gè)數(shù)最多的連通區(qū)域所含的像素個(gè)數(shù)。步驟S144：基于每一個(gè)連通區(qū)域內(nèi)包含像素的個(gè)數(shù)及包含像素個(gè)數(shù)最多的連通區(qū)域所含的像素個(gè)數(shù)，并利用最大連通區(qū)域原則，來(lái)提取前景物體區(qū)域。作為示例，假設(shè)：Ri表示每一個(gè)連通區(qū)域內(nèi)包含像素的個(gè)數(shù)；Rmax表示包含像素個(gè)數(shù)最多的連通區(qū)域(即最大連通區(qū)域)內(nèi)的像素個(gè)數(shù)；f(Ri)表示像素區(qū)域；則根據(jù)以下公式來(lái)確定可能的前景物體區(qū)域：f(Ri)=0Ri≤λRmax1otherwise]]>其中，λ表示預(yù)設(shè)參數(shù)，優(yōu)選地，λ取0.6。然后，將標(biāo)記為1的像素區(qū)域確定為檢測(cè)得到的前景物體區(qū)域。上述實(shí)施例中雖然將各個(gè)步驟按照上述先后次序的方式進(jìn)行了描述，但是本領(lǐng)域技術(shù)人員可以理解，為了實(shí)現(xiàn)本實(shí)施例的效果，不同的步驟之間不必按照這樣的次序執(zhí)行，其可以同時(shí)(并行)執(zhí)行或以顛倒的次序執(zhí)行，這些簡(jiǎn)單的變化都在本發(fā)明的保護(hù)范圍之內(nèi)?；谂c方法實(shí)施例相同的技術(shù)構(gòu)思，本發(fā)明實(shí)施例還提供一種基于低秩矩陣表示的圖像前景物體檢測(cè)系統(tǒng)。該系統(tǒng)可以執(zhí)行上述方法實(shí)施例。如圖5所示，該系統(tǒng)50可以包括劃分模塊51、第一處理模塊52、分解模塊53、第二處理模塊54和自適應(yīng)閾值劃分模塊55。其中，劃分模塊51用于提取待處理圖像的特征，利用特征聚類(lèi)的方式對(duì)待處理圖像進(jìn)行子區(qū)域劃分。第一處理模塊52用于計(jì)算劃分模塊51劃分出的每一子區(qū)域的特征均值，以獲得子區(qū)域的特征表示，并將全部子區(qū)域的特征表示排列成矩陣，以獲得待處理圖像的特征矩陣。分解模塊53用于利用低秩矩陣表示方法，將通過(guò)第一處理模塊52得到的特征矩陣分解成低秩矩陣與稀疏矩陣。第二處理模塊54用于針對(duì)通過(guò)分解模塊53得到的稀疏矩陣的每一列計(jì)算l∞范數(shù)，以獲得對(duì)應(yīng)子區(qū)域的顯著性值，并基于子區(qū)域的顯著值來(lái)構(gòu)成待處理圖像的顯著圖。自適應(yīng)閾值劃分模塊55用于對(duì)通過(guò)第二處理模塊54得到的顯著圖進(jìn)行自適應(yīng)閾值劃分，從而獲得待處理圖像的前景物體區(qū)域。如圖6所示，在一個(gè)可選的實(shí)施例中，在上述實(shí)施例的基礎(chǔ)上，劃分模塊60具體可以包括：提取單元61、歸一化單元62、分割單元63、調(diào)整單元64和劃分單元65。其中，提取單元61用于提取待處理圖像的以下一種或幾種特征：RGB顏色特征、梯度直方圖HOG特征和甘伯Gabor紋理特征。歸一化單元62用于對(duì)通過(guò)提取單元61提取的特征進(jìn)行最大-最小歸一化處理。分割單元63用于利用剛性劃分策略將待處理圖像進(jìn)行區(qū)域分割，并將區(qū)域中心點(diǎn)作為聚類(lèi)的初始中心。調(diào)整單元64用于利用K-均值聚類(lèi)算法迭代調(diào)整聚類(lèi)中心，以使區(qū)域內(nèi)歸一化后特征的差異最小。劃分單元65用于根據(jù)特征歐氏距離最短原則，將待處理圖像的每一像素劃分到對(duì)應(yīng)的通過(guò)調(diào)整單元64調(diào)整的聚類(lèi)中心，從而對(duì)待處理圖像進(jìn)行所述子區(qū)域劃分。如圖7所示，在一個(gè)可選的實(shí)施例中，在上述實(shí)施例的基礎(chǔ)上，分解模塊70具體可以包括：計(jì)算單元72、確定單元74和分解單元76。其中，計(jì)算單元72，用于計(jì)算子區(qū)域間的相似度矩陣。確定單元74，用于根據(jù)由計(jì)算單元72得到的子區(qū)域間的相似度矩陣，確定拉普拉斯矩陣。分解單元76用于使用由確定單元74得到的拉普拉斯矩陣，并利用低秩矩陣表示方法將特征矩陣分解成低秩矩陣與稀疏矩陣。需要說(shuō)明的是，上述實(shí)施例提供的基于低秩矩陣表示的圖像前景物體檢測(cè)系統(tǒng)在進(jìn)行圖像前景物體檢測(cè)時(shí)，僅以上述各功能模塊的劃分進(jìn)行舉例說(shuō)明，在實(shí)際應(yīng)用中，可以根據(jù)需要而將上述功能分配由不同的功能模塊來(lái)完成，即將系統(tǒng)的內(nèi)部結(jié)構(gòu)劃分成不同的功能模塊，以完成以上描述的全部或者部分功能。本領(lǐng)域技術(shù)人員可以理解，上述基于低秩矩陣表示的圖像前景物體檢測(cè)系統(tǒng)還包括一些其他公知結(jié)構(gòu)，例如處理器、控制器、存儲(chǔ)器等，為了不必要地模糊本公開(kāi)的實(shí)施例，這些公知的結(jié)構(gòu)未在圖5-7中示出。應(yīng)該理解，圖5-7中的各個(gè)模塊的數(shù)量?jī)H僅是示意性的。根據(jù)實(shí)際需要，各模塊可以具有任意的數(shù)量。上述系統(tǒng)實(shí)施例可以用于執(zhí)行上述方法實(shí)施例，其技術(shù)原理、所解決的技術(shù)問(wèn)題及產(chǎn)生的技術(shù)效果相似，所屬
技術(shù)領(lǐng)域：
的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的系統(tǒng)的具體工作過(guò)程及有關(guān)說(shuō)明，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過(guò)程，在此不再贅述。應(yīng)指出的是，上面分別對(duì)本發(fā)明的系統(tǒng)實(shí)施例和方法實(shí)施例進(jìn)行了描述，但是對(duì)一個(gè)實(shí)施例描述的細(xì)節(jié)也可應(yīng)用于另一個(gè)實(shí)施例。對(duì)于本發(fā)明實(shí)施例中涉及的模塊、步驟的名稱(chēng)，僅僅是為了區(qū)分各個(gè)模塊或者步驟，不視為對(duì)本發(fā)明的不當(dāng)限定。本領(lǐng)域技術(shù)人員應(yīng)該理解：本發(fā)明實(shí)施例中的模塊或者步驟還可以再分解或者組合。例如上述實(shí)施例的模塊可以合并為一個(gè)模塊，也可以進(jìn)一步拆分成多個(gè)子模塊。本發(fā)明的上述方法實(shí)施例和系統(tǒng)實(shí)施例可以通過(guò)計(jì)算機(jī)系統(tǒng)和編程語(yǔ)言來(lái)實(shí)現(xiàn)。該計(jì)算機(jī)系統(tǒng)包括中央處理單元(CPU)，其可以根據(jù)存儲(chǔ)在只讀存儲(chǔ)器(ROM)中的程序或者從存儲(chǔ)部分加載到隨機(jī)訪(fǎng)問(wèn)存儲(chǔ)器(RAM)中的程序而執(zhí)行各種適當(dāng)?shù)膭?dòng)作和處理。在RAM中，還存儲(chǔ)有系統(tǒng)操作所需的各種程序和數(shù)據(jù)。CPU、ROM以及RAM通過(guò)總線(xiàn)彼此相連。輸入/輸出(I/O)接口也連接至總線(xiàn)。編程語(yǔ)言包括但不限于Matlab語(yǔ)言和C++語(yǔ)言。以上對(duì)本發(fā)明實(shí)施例所提供的技術(shù)方案進(jìn)行了詳細(xì)的介紹。雖然本文應(yīng)用了具體的個(gè)例對(duì)本發(fā)明的原理和實(shí)施方式進(jìn)行了闡述，但是，上述實(shí)施例的說(shuō)明僅適用于幫助理解本發(fā)明實(shí)施例的原理；同時(shí)，對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)，依據(jù)本發(fā)明實(shí)施例，在具體實(shí)施方式以及應(yīng)用范圍之內(nèi)均會(huì)做出改變。需要說(shuō)明的是，本文中涉及到的流程圖或框圖不僅僅局限于本文所示的形式，其還可以進(jìn)行其他劃分和/或組合。還需要說(shuō)明的是：附圖中的標(biāo)記和文字只是為了更清楚地說(shuō)明本發(fā)明，不視為對(duì)本發(fā)明保護(hù)范圍的不當(dāng)限定。再需要說(shuō)明的是，本發(fā)明的說(shuō)明書(shū)和權(quán)利要求書(shū)及上述附圖中的術(shù)語(yǔ)“第一”、“第二”等是用于區(qū)別類(lèi)似的對(duì)象，而不是用于描述或表示特定的順序或先后次序。應(yīng)該理解這樣使用的數(shù)據(jù)在適當(dāng)?shù)那闆r下可以互換，以便這里描述的本發(fā)明的實(shí)施例能夠以除了在這里圖示或描述的那些以外的順序?qū)嵤?。術(shù)語(yǔ)“包括”、“所含”或者任何其它類(lèi)似用語(yǔ)旨在涵蓋非排他性的包含，從而使得包括一系列要素的過(guò)程、方法、物品或者設(shè)備/裝置不僅包括那些要素，而且還包括沒(méi)有明確列出的其它要素，或者還包括這些過(guò)程、方法、物品或者設(shè)備/裝置所固有的要素。如本文中所使用的，術(shù)語(yǔ)“模塊”、“單元”可以指代在計(jì)算系統(tǒng)上執(zhí)行的軟件對(duì)象或例程?？梢詫⒈疚闹兴枋龅牟煌K實(shí)現(xiàn)為在計(jì)算系統(tǒng)上執(zhí)行的對(duì)象或過(guò)程(例如，作為獨(dú)立的線(xiàn)程)。雖然優(yōu)選地以軟件來(lái)實(shí)現(xiàn)本文中所描述的系統(tǒng)和方法，但是以硬件或者軟件和硬件的組合的實(shí)現(xiàn)也是可以的并且是可以被設(shè)想的。本發(fā)明的各個(gè)步驟可以用通用的計(jì)算裝置來(lái)實(shí)現(xiàn)，例如，它們可以集中在單個(gè)的計(jì)算裝置上，例如：個(gè)人計(jì)算機(jī)、服務(wù)器計(jì)算機(jī)、手持設(shè)備或便攜式設(shè)備、平板型設(shè)備或者多處理器裝置，也可以分布在多個(gè)計(jì)算裝置所組成的網(wǎng)絡(luò)上，它們可以以不同于此處的順序執(zhí)行所示出或描述的步驟，或者將它們分別制作成各個(gè)集成電路模塊，或者將它們中的多個(gè)模塊或步驟制作成單個(gè)集成電路模塊來(lái)實(shí)現(xiàn)。因此，本發(fā)明不限于任何特定的硬件和軟件或者其結(jié)合。本發(fā)明提供的方法可以使用可編程邏輯器件來(lái)實(shí)現(xiàn)，也可以實(shí)施為計(jì)算機(jī)程序軟件或程序模塊(其包括執(zhí)行特定任務(wù)或?qū)崿F(xiàn)特定抽象數(shù)據(jù)類(lèi)型的例程、程序、對(duì)象、組件或數(shù)據(jù)結(jié)構(gòu)等等)，例如根據(jù)本發(fā)明的實(shí)施例可以是一種計(jì)算機(jī)程序產(chǎn)品，運(yùn)行該計(jì)算機(jī)程序產(chǎn)品使計(jì)算機(jī)執(zhí)行用于所示范的方法。所述計(jì)算機(jī)程序產(chǎn)品包括計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該介質(zhì)上包含計(jì)算機(jī)程序邏輯或代碼部分，用于實(shí)現(xiàn)所述方法。所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)可以是被安裝在計(jì)算機(jī)中的內(nèi)置介質(zhì)或者可以從計(jì)算機(jī)主體上拆卸下來(lái)的可移動(dòng)介質(zhì)(例如：采用熱插拔技術(shù)的存儲(chǔ)設(shè)備)。所述內(nèi)置介質(zhì)包括但不限于可重寫(xiě)的非易失性存儲(chǔ)器，例如：RAM、ROM、快閃存儲(chǔ)器和硬盤(pán)。所述可移動(dòng)介質(zhì)包括但不限于：光存儲(chǔ)介質(zhì)(例如：CD－ROM和DVD)、磁光存儲(chǔ)介質(zhì)(例如：MO)、磁存儲(chǔ)介質(zhì)(例如：磁帶或移動(dòng)硬盤(pán))、具有內(nèi)置的可重寫(xiě)非易失性存儲(chǔ)器的媒體(例如：存儲(chǔ)卡)和具有內(nèi)置ROM的媒體(例如：ROM盒)。本發(fā)明并不限于上述實(shí)施方式，在不背離本發(fā)明實(shí)質(zhì)內(nèi)容的情況下，本領(lǐng)域普通技術(shù)人員可以想到的任何變形、改進(jìn)或替換均落入本發(fā)明的保護(hù)范圍。當(dāng)前第1頁(yè)1 2 3