崔盼盼

摘 要：我們提出一個從超像素組來生成對象分割的建議。我們的目標是對圖像中的所有對象準確分割。我們的方法在超像素集結(jié)合了全局和局部搜索。局部搜索通過貪婪地合并相鄰超像素去建立一個自底向上的分層次分割。通過分層得到的區(qū)域直接提供了我們區(qū)域建議的一部分。全局搜索通過從層次結(jié)構(gòu)中間層獲得的超像素組上采用圖割法生成建議的另一部分。實驗結(jié)果表明，我們提出的分割建議在準確性和消耗上都有很大的改進。

關(guān)鍵詞：超像素組；局部搜索；全局搜索；物體分割

最近幾年，對于圖像中自動檢測和識別對象的研究已經(jīng)有了很大的提升。比較傳統(tǒng)的方法有采用滑動窗口框架及直方圖的方向梯度HOG。后來也出現(xiàn)了如多級串聯(lián)結(jié)構(gòu)或通過采樣不一致的邊界盒子和獨立分類方式或進一步考慮了使用計算量小的特性和分類器。雖然，他們的性能比傳統(tǒng)的方法好，但仍然存在分割慢、效率低、耗費大的缺陷。這里，我們描述一個通過超像素組生成分割的快速方法。該方法可以用作一般物體分類識別框架的第一階段，去限制傳遞給進一步的處理階段的區(qū)域數(shù)量，使分割更快完成。

1 方法概述

本節(jié)將詳細描述我們的方法。我們首先將給定的圖像過分割成超像素，之后得到分割提案，使用局部搜索和全局搜索兩種方式進行超像素合并，最終得到分割圖。

1.1 生成超像素和特征提取

作為該方法的第一階段，我們使用SLIC方法來生成超像素。SLIC方法產(chǎn)生相對緊湊大致相等大小的超像素。我們設(shè)置參數(shù)，進行過分割。一旦生成超像素，我們計算它們的特征向量。我們使用SIFT描述符號（在密集常規(guī)網(wǎng)格上計算得到的）和RGB值（從每個像素中提取的）。

1.2 超像素優(yōu)化

在第二階段，我們計算每一對相鄰超像素的相似性得分。超像素對（i，j）的這個分數(shù)定義為：

1.3 局部搜索

局部搜索的方法類似于貪婪超像素合并技術(shù)，不過我們使用了不同的特征。在這種方法中，每一對相鄰超像素被分配一個分數(shù)，代表超像素的視覺相似性。最相似的一對然后合并成一個單一超像素并保存為一個分割建議。這個新超像素與相鄰超像素相似的分數(shù)被更新。合并過程不斷迭代最終收集所有的分割建議。

1.4 全局搜索

為了克服局部搜索方法的局限性，我們提出，當決定下一個對象的建議時，同時考慮所有超像素。我們通過在圖上定義一個優(yōu)化問題。在這個圖上，每個superpixel代表一個節(jié)點，在每一對相鄰superpixels之間有一個的聯(lián)系。詳細如下：對每個超像素，定義一個標簽li標簽可以帶一個值{ fg，bg}，分別代表前景和背景。此外，定義能量函數(shù)的一般形式：

2 實驗與分析

使用上述的方法，我們每一階段得到一個實驗結(jié)果，如圖1所示：

從左到右分別為：原始圖像；SLIC生成的初始超像素；超像素優(yōu)化；最終建議。

3 結(jié)論

在本文中，我們提出了一種在超像素組上的基于全局和局部搜索的圖像分割建議。該方法的主要創(chuàng)新之一是結(jié)合全局與和局部超像素組技術(shù)，以這樣一種方式可以用相對較少的地區(qū)獲得對象的高召回率。

我們實驗表明生成的區(qū)域建議對各種各樣的對象提供了準確的分割。考慮到以后的工作，我們需要不斷優(yōu)化結(jié)構(gòu)模型，以便生成適用更大數(shù)據(jù)集的分割策略。

參考文獻：

[1] A. Vedaldi， V. Gulshan， M. Varma， and A. Zisserman. Multi plekernels for object detection. In ICCV，2009.

[2] P.F.Felzenszwalb， R. B. Girshick， D. A. McAllester， and D. Ramanan. Object detection with discriminatively trained part-based models. TPAMI，2010.

[3] B. Alexe， T. Deselaers， and V. Ferrari. What is an object？ In CVPR，2010.

[4] E. Rahtu， J. Kannala， and M. Blaschko. Learning a category independent object detection cascade. In ICCV，2011.

[5] K.E.A. van de Sande，J.R.R.Uijlings，T.Gevers，and A.W.M. Smeulders. Segmentation as selective search for object recognition. In ICCV，2011.

[7] I.Endres and D.Hoiem.Category independent object proposals.In ECCV，2010.

[6] J. Carreira and C. Sminchisescu. Constrained parametric min-cuts for automatic object segmentation.In CVPR，2010.