技術(shù)特征：

1.一種基于區(qū)域融合的顯著性人體區(qū)域檢測方法，其特征在于，包括以下步驟：

S1、獲取監(jiān)控區(qū)域的視頻流圖像作為輸入圖像；

S2、預(yù)分割輸入圖像以形成若干超像素區(qū)域單元，將各超像素區(qū)域單元內(nèi)所有像素的顏色用所對應(yīng)的各超像素區(qū)域單元內(nèi)所有像素的顏色向量的平均值來表示，以獲得初始融合圖

S3、以超像素區(qū)域單元為節(jié)點，根據(jù)融合準則Ψ依次執(zhí)行鄰接融合與全局融合，并依次在鄰接融合與全局融合過程中將各超像素區(qū)域單元內(nèi)所有像素的顏色用所對應(yīng)的各超像素區(qū)域單元內(nèi)所有像素的顏色向量的平均值來表示，將相似的超像素區(qū)域單元依次融合形成新的超像素區(qū)域單元，以依次構(gòu)建出鄰接融合圖及全局融合圖

S4、結(jié)合超像素區(qū)域單元間的顏色對比度、空間距離權(quán)重及背景概率權(quán)重分別在初始融合圖鄰接融合圖及全局融合圖上計算超像素區(qū)域單元的顯著值，以獲得三幅初始顯著圖；

S5、通過元胞自動機的置信遺傳機制對三幅初始顯著圖進行更新，得到三幅優(yōu)化顯著圖；

S6、對步驟S5中的三幅優(yōu)化顯著圖執(zhí)行累加求和運算，以獲得包含顯著性人體區(qū)域的集成顯著圖S。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S2具體為：

采用簡單線性迭代聚類算法，對輸入圖像執(zhí)行預(yù)分割，形成若干超像素區(qū)域單元；

計算各超像素區(qū)域單元內(nèi)所有像素的顏色向量的平均值以替換超像素區(qū)域單元內(nèi)所有像素的顏色向量，以獲得初始融合圖

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟S2中，輸入圖像經(jīng)過預(yù)分割后形成的超像素區(qū)域單元所包含的像素點數(shù)量為384～614個。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S3中的融合準則Ψ的計算公式為：

$\mathrm{\Ψ}\left(R_1,R_2\right)=\left\{\begin{array}{cc}ture& if\left(a\right)C\left(R_1,R_2\right)=\underset{R_i\∈{\mathrm{\Ω}}_1}{\min }\left(C\left(R_1,R_i\right)\right)=\underset{R_j\∈{\mathrm{\Ω}}_2}{\min }\left(C\left(R_2,R_j\right)\right);and\\ & \left(b\right)R_{1}and{R}_{2}areadjacent\\ false& otherwise\end{array}\right.,$

其中，Ω₁及Ω₂分別是超像素區(qū)域單元R₁及超像素區(qū)域單元R₂的鄰域集合；C(R₁，R₂)為超像素區(qū)域單元R₁及超像素區(qū)域單元R₂間顏色差值。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S4中的初始顯著圖的計算公式為：

$S_k\left(i\right)=\underset{j=1}{\overset{n_k}{\mathrm{\Σ}}}{C}_k\left(i,j\right)P_k\left(i,j\right)W_k^{bg}\left(j\right),$

其中，k＝1，2，3分別表示在初始融合圖鄰接融合圖及全局融合圖上計算各超像素區(qū)域單元的顯著值；

S_k(i)表示在圖中超像素區(qū)域單元i的顯著值，n_k是圖中超像素區(qū)域單元數(shù)量；

C_k(i，j)表示在圖中超像素區(qū)域單元i及超像素區(qū)域單元j間顏色差值；

P_k(i，j)表示在圖中超像素區(qū)域單元i及超像素區(qū)域單元j間經(jīng)過歸一化處理的空間歐式距離；

表示在圖中超像素區(qū)域單元j的背景概率權(quán)重。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述背景概率權(quán)重的計算公式為：

$W_{bg}^k\left(i\right)=1-\exp (-\frac{{\mathrm{BndCon}}^2\left(i\right)}{2{\mathrm{\σ}}_{BndCon}^2}),$

其中，BndCon(i)表示超像素區(qū)域單元的邊界連通性度量值，并具體采用如下公式計算：

${\mathrm{BndCon}}_k\left(i\right)=\frac{\underset{j=1}{\overset{n_k}{\mathrm{\Σ}}}\exp \left(-\frac{d_k^2\left(i,j\right)}{2{\mathrm{\σ}}_{clr}^2}\right)\·\mathrm{\δ}\left(j\right)}{\sqrt{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\exp \left(-\frac{d_k^2\left(i,j\right)}{2{\mathrm{\σ}}_{clr}^2}\right)}},$

其中，d_k(i，j)是圖中超像素區(qū)域單元i與超像素區(qū)域單元j間最短路徑長度；δ(·)在超像素區(qū)域單元j位于圖像邊界時取值為1，否則取值為0；n_k為超像素區(qū)域單元數(shù)量，參數(shù)σ_clr＝10。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S5中的元胞自動機的置信遺傳機制對三幅初始顯著圖進行更新的計算公式為：

$S_k^{t+1}=H_k^{*}\·S_k^t+\left(I-H_k^{*}\right)\·F_k^{*}\·S_k^t,$

其中，k＝1，2，3分別代表元胞自動機的置信遺傳機制對由初始融合圖鄰接融合圖及全局融合圖所獲得初始顯著圖進行更新，運算符“.”表示矩陣乘積運算，表示當(dāng)前狀態(tài)，表示更新后的狀態(tài)，I表示單位矩陣，及分別為影響因子矩陣F_k及置信度矩陣H_k；

所述步驟S5中，元胞自動機的置信遺傳機制對初始顯著圖的初始狀態(tài)進行15次遍歷更新。

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，

所述置信度矩陣的計算公式為：

$H_k^{*}=diag(h_1^{*},h_2^{*},...,h_N^{*}),$

其中，H_k＝diag(h₁，h₂，...，h_N)，并設(shè)定

所述影響因子矩陣F_k的計算公式為：

所述

其中，k＝1，2，3分別表示在初始融合圖鄰接融合圖及全局融合圖中，C_k(i，j)為兩相鄰超像素區(qū)域單元間的顏色差異值，NB_k(i)是超像素區(qū)域單元i的鄰域集合。

9.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟S6還包括：對集成顯著圖S的灰度值歸一化至區(qū)間[0，1]的步驟，并對歸一化處理后的集成顯著圖S進行高斯增強處理，所述高斯增強處理的計算公式為：

$S=1-\exp \left(\frac{-S^2}{2\×{\mathrm{\σ}}_s^2}\right),$

其中，σ_s＝0.5。

10.根據(jù)權(quán)利要求9所述的方法，其特征在于，所述步驟S6還包括：將集成顯著圖S轉(zhuǎn)換為256階灰度圖的步驟。