CN110826472B

CN110826472B - 图像检测方法及装置

Info

Publication number: CN110826472B
Application number: CN201911060518.3A
Authority: CN
Inventors: 贾振红; 宋森森
Original assignee: Xinjiang University
Current assignee: Xinjiang University
Priority date: 2019-11-01
Filing date: 2019-11-01
Publication date: 2023-06-27
Anticipated expiration: 2039-11-01
Also published as: CN110826472A

Abstract

本发明公开了一种图像检测方法及装置，涉及图像处理技术领域，主要目的在于在图像检测的过程中，解决图像目标的检测结果准确性较低的问题而发明。本发明的方法包括：根据待检测图像的底层特征，利用预设模型获取所述待检测图像的目标先验数据；通过低秩矩阵分解对所述待检测图像的底层特征进行处理，得到目标特征及背景冗余信息；根据所述目标先验数据对所述待检测图像中的目标特征及背景特征按照监督信息方向分离，得到初步图像目标；利用优化中智学算法对所述初步图像目标进行优化，得到图像目标以完成图像检测，所述优化中智学算法是对中智学理论重新数学公式定义得到的。本发明主要适用于对自然图像的图像目标进行检测。

Description

图像检测方法及装置

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像检测方法及装置。

背景技术

随着技术的不断发展，图像作为网络中传输的重要形式，已在网络的数据传输中广发使用，而随着图像使用的逐步增多，图像的采集、处理、及检测等图像处理技术也逐步受到人们的重视。

而随着图像处理技术的不断革新，基于中智学算法等图像处理技术已逐步开始使用。其中，中智集(英文名称：Neutrosophic Set，简称NS)是一种基于中智学理论的图像处理方法，可以将图像中的像素点进行分组，并基于分组特点进行图像的分割以便将分割后的图像目标进行检测。然而，在实际应用中发现，现有的依靠中智学算法进行图像的检测方式在图像中存在目标小超过背景或者多个目标时，其检测结果易受到干扰，且由于在进行检测时现有的处理方式对于目标与背景进行分离时，二者间的模糊区域在分离时的准确性较低，因此，导致现有的图像检测的准确性易受图像中内容中不确定性影响，从而导致图像目标检测结果的准确性较低。

发明内容

鉴于上述问题，本发明提供一种图像检测方法及装置，主要目的在于在图像检测的过程中，解决图像检测结果准确性较低的问题。

为解决上述技术问题，第一方面，本发明提供了一种图像检测方法，该方法包括：

根据待检测图像的底层特征，利用预设模型获取所述待检测图像的目标先验数据；

通过低秩矩阵分解对所述待检测图像的底层特征进行处理，得到目标特征及背景冗余信息；

根据所述目标先验数据对所述待检测图像中的目标特征及背景特征按照监督信息方向分离，得到初步图像目标；

利用优化中智学算法对所述初步图像目标进行优化，得到图像目标以完成图像检测，所述优化中智学算法是对中智学理论重新数学公式定义得到的。

可选的，在所述根据待检测图像的底层特征，利用预设模型获取所述待检测图像的目标先验数据之前，所述方法还包括：

对所述待检测图像进行底层特征提取，其中，所述待检测图像的底层特征包括颜色特征、局部信息熵、引导滤波、梯度及位置特征；所述颜色特征是基于L*a*b*颜色空间的三个颜色分量和颜色体积确定的。

可选的，所述预设模型包括前景模型及背景模型；

所述根据待检测图像的底层特征，利用预设模型获取所述待检测图像的目标先验数据，包括：

通过所述前景模型从所述底层特征中提取像素级的目标特征；

通过所述背景模型从所述底层特征中提取超像素级的目标特征；

将所述像素级的目标特征及超像素级的目标特征进行融合，得到所述目标先验数据。

可选的，在利用优化中智学算法对所述初步图像目标进行优化，得到图像目标以完成图像检测之前，所述方法还包括：

对所述中智学算法进行重新定义，得优化中智学算法公式，其中，所述优化中智学算法公式为：

其中，ω,δ和γ,ζ控制曲线的陡峭程度；f(x_i,x_j)表示相似函数；g(x_j)代表待处理图像的数据；

优化后融合公式定义为

其中，w_i,j表示图像的像素间的权重值。

可选的，通过低秩矩阵分解对所述待检测图像的底层特征进行处理，得到目标特征及背景冗余信息包括：

通过低秩矩阵对所述待检测图像的底层特征进行分解，得到保持特征信息的目标特征矩阵S及冗余信息矩阵L；

根据预设迭代算法对所述目标特征矩阵S及冗余信息矩阵L进行迭代计算，得到目标特征及冗余信息；

其中，所述预设迭代算法的公式为：

S^t+1=(I-μW^-1)·S^t+η·(diag(L·(1-P_s))+diag(W·S^t))*diag(P_s·S^t)^-1

其中S表示目标特征矩阵，L表示图像冗余信息矩阵；W表示超像素权重矩阵；P_s表示目标先验知识；μ表示损失系数；η表示调整系数。

第二方面，本发明还提供了一种图像检测装置，该装置包括：

获取单元，用于根据待检测图像的底层特征，利用预设模型获取所述待检测图像的目标先验数据；

处理单元，通过低秩矩阵分解对所述待检测图像的底层特征进行处理，得到目标特征及背景冗余信息；

分离单元，用于根据所述目标先验数据对所述待检测图像中的目标特征及背景特征按照监督信息方向分离，得到初步图像目标；

优化单元，用于利用优化中智学算法对所述初步图像目标进行优化，得到图像目标以完成图像检测，所述优化中智学算法是对中智学理论重新数学公式定义得到的。

可选的，所述装置还包括：

提取单元，用于对所述待检测图像进行底层特征提取，其中，所述待检测图像的底层特征包括颜色特征、局部信息熵、引导滤波、梯度及位置特征；所述颜色特征是基于L*a*b*颜色空间的三个颜色分量和颜色体积确定的。

可选的，所述预设模型包括前景模型及背景模型；

所述获取单元，包括：

第一提取模块，用于通过所述前景模型从所述底层特征中提取像素级的目标特征；

第二提取模块，用于通过所述背景模型从所述底层特征中提取超像素级的目标特征；

融合模块，用于将所述像素级的目标特征及超像素级的目标特征进行融合，得到所述目标先验数据。

可选的，，所述装置还包括：

算法优化单元，用于所述中智学理论进行重新定义，得优化中智学算法公式，其中，所述优化中智学算法公式为：

优化后融合公式定义为

其中，w_i,j表示图像的像素间的权重值。

可选的，所述处理单元包括：

分解模块，用于通过低秩矩阵对所述待检测图像的底层特征进行分解，得到保持特征信息的目标特征矩阵S及冗余信息矩阵L；

迭代计算模块，用于根据预设迭代算法对所述目标特征矩阵S及冗余信息矩阵L进行迭代计算，得到目标特征及冗余信息；

其中，所述预设迭代算法的公式为：

S^t+1=(I-μW^-1)·S^t+η·(diag(L·(1-P_s))+diag(W·S^t))*diag(P_s·S^t)^-1

为了实现上述目的，根据本发明的第三方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述的图像检测方法。

为了实现上述目的，根据本发明的第四方面，提供了一种电子设备，所述电子设备包括一个或多个处理器及存储器，其中存储器用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个实现如上述所述的图像检测方法。

借由上述技术方案，本发明提供的图像检测方法及装置，对于现有技术在进行图像检测时，存在图像目标的检测结果的准确性较低的问题，本发明通过根据待检测图像的底层特征，利用预设模型获取所述待检测图像的目标先验数据，再通过低秩矩阵分解对所述待检测图像的底层特征进行处理，得到目标特征及背景冗余信息，之后根据所述目标先验数据对所述待检测图像中的目标特征及背景特征按照监督信息方向分离，得到初步图像目标，最后利用优化中智学算法对所述初步图像目标进行优化，得到图像目标以完成图像检测。从而在图像检测过程中，能够在对待检测图像中的目标特征及背景特征进行分离时，结合了目标先验数据，从而使分离后的结果更为准确，为后续的图像检测时的图像目标的检测结果的准确性奠定了基础，并且基于其优化过程中是利用了基于中智学标准算法优化后的中智学理论重新定义的公式进行的，可以使得在从初步图像目标中进行优化时，优化结果能够排除不确定性因素干扰，进一步确保了检测结果的准确性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的一种图像检测方法流程图；

图2示出了本发明实施例提供的另一种图像检测方法流程图；

图3示出了本发明实施例提供的一种图像检测过程中的具体流程的示意图；

图4示出了本发明实施例提供的一种图像检测装置的组成框图；

图5示出了本发明实施例提供的另一种图像检测装置的组成框图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

为了提高图像检测过程中对图像目标检测的准确性，本发明实施例提供了一种图像检测方法，如图1所示，该方法包括：

101、根据待检测图像的底层特征，利用预设模型获取所述待检测图像的目标先验数据。

在本发明实施例中，基于图像目标检测时，需要将图像中目标以外的其他图像及特征进行分割和处理的，从而根据剩余的目标进行分析和检测的，因此，在本步骤中需要在获取到需要检测的图像后(即所述待检测图像)，对该图像的底图特征进行操作，从而得到目标先验数据。其中，所述目标先验数据可以理解为在后续进行图像中的目标图像及非目标图像进行分离时的经验数据，其中，本发明实施例中的预设模型可以为任意一种或多种的分离模型，例如，当分离的方式是按照背景和目标进行分离的，则所述预设模型可以为背景图像模型及目标图像模型，在此多余所述预设模型的种类和数量的选取不做限定，可以根据实际的分离方式选取。

102、通过低秩矩阵分解对所述待检测图像的底层特征进行处理，得到目标特征及背景冗余信息。

在实际的操作过程中，由于图像中除图像目标之外，还涉及很多非必要的图像，这些图像我们可以理解为图像中的冗余，是图像检测、识别过程中的干扰图像，因此，在本发明实施例中，当获取到待检测图像中的底层特征后还需要从这个特征中分出需要进行后续检测的目标特征以及无用的冗余特征。故此，本步骤中可以利用低秩矩阵对待检测图像的底层特征进行处理，来得到目标特征及冗余信息。其中，所述低秩矩阵可以理解为一种基于数学方式来对图像中的有效像素及非有效像素进行矩阵分类的方法，在分类的过程中一般分为两个矩阵，在本发明实施例中的两个矩阵可以为一个目标特征的矩阵，另一个为非目标特征的矩阵，该非目标特征的矩阵则为冗余信息矩阵。

103、根据所述目标先验数据对所述待检测图像中的目标特征及背景特征按照监督信息方向分离，得到初步图像目标。

由于在排除了冗余信息后，待检测图像中实际上存在目标特征和背景特征两种数据，因此，在本步骤中还需要将这两种特征进行分离，而分离的过程中为了确保分离的准确性，可以在分离过程中通过步骤101得到的目标先验数据作为经验数据，采用监督算法按照监督信息方向进行分离，从而带到分离出背景特征的图像目标，即初步图像目标。

104、利用优化中智学算法对所述初步图像目标进行优化，得到图像目标以完成图像检测。

其中，所述优化中智学算法是对中智学理论重新数学公式定义得到的。

由于现有的中智学算法在进行图像中噪点不确定性(即像素点或者区域不确定属于目标区域还是背景区域)优化的过程中，存在准确性较低的问题，在本发明实施例中，可以通过对中智学算法进行重新定义，并利用优化重新定义后的优化中智学算法对初步图像目标进行优化，从而实现将初步图像目标中不确定性滤除，继而得到优化后的图像作为图像目标。

借由上述方案，本发明实施例提供了一种图像检测方法，，对于现有技术在进行图像检测时，存在图像目标的检测结果的准确性较低的问题，本发明通过根据待检测图像的底层特征，利用预设模型获取所述待检测图像的目标先验数据，再通过低秩矩阵分解对所述待检测图像的底层特征进行处理，得到目标特征及背景冗余信息，之后根据所述目标先验数据对所述待检测图像中的目标特征及背景特征按照监督信息方向分离，得到初步图像目标，最后利用优化中智学算法对所述初步图像目标进行优化，得到图像目标以完成图像检测。从而在图像检测过程中，能够在对待检测图像中的目标特征及背景特征进行分离时，结合了目标先验数据，从而使分离后的结果更为准确，为后续的图像检测时的图像目标的检测结果的准确性奠定了基础，并且基于其优化过程中是利用了中智学理论重新定义的公式进行的，可以使得在从初步图像目标中进行优化时，优化结果能够排除图像中不确定性等干扰，进一步确保了检测结果的准确性。

进一步的，作为对图1所示实施例的细化及扩展，本发明实施例还提供了另一种图像检测方法，如图2所示，其具体步骤包括：

201、对待检测图像进行底层特征提取。

其中，所述待检测图像的底层特征包括颜色特征、局部信息熵、引导滤波、梯度及位置特征，所述颜色特征是基于L*a*b*颜色空间的三个颜色分量和颜色体积确定的。

具体的，当获取到待检测图像之后，可以选取其图像特征作为所述底层特征。其中，颜色特征主要是通过L、a、b三个颜色空间的颜色分量和颜色体积确定的，然后获取局部信息熵以及引导滤波、梯度、位置特征等多种特征作为所述底层特征。在本发明实施例中，在执行时，本发明是实施例的执行步骤的具体形式可参照图3所示。

202、根据待检测图像的底层特征，利用预设模型获取所述待检测图像的目标先验数据。

所述预设模型包括前景模型及背景模型。

具体的，本步骤可以为：首先，通过所述前景模型从所述底层特征中提取像素级的目标特征；然后，通过所述背景模型从所述底层特征中提取超像素级的目标特征；最后，将所述像素级的目标特征及超像素级的目标特征进行融合，得到所述目标先验数据。

其中，本发明实施例中，前景模型可以定义为：

其中，G1,G2和G3分别表示图像的三个特征子图。

背景模型定义为：

其中C(k)表示超像素图像的对比度；

表示超像素图像各区域之间的权重关系。

其中G1,G2和G3分别表示图像的三个特征子图。

其中，在进行上述过程中具体方式可以按照下述方式进行：通过预设前景模型函数对所述待检测图像进行处理，得到基于像素的目标显著图；然后，通过预设图像边界背景模型函数对初始超像素的待检测图像进行处理，得到基于超像素的目标显著图；最后，通过融合函数将基于超像素的目标显著图和基于像素的目标显著图进行融合，生成图像目标的先验数据。

其中，目标先验数据可以通过前景和背景模型的融合公式得到，其公式为P_s＝C_f,b*(P_f∩b+P_f-b)，其中，C_f,b表示斯皮尔曼相关系数；P_f-b表示前景与背景的差别；P_f∩b表示前景和背景的相似度。

另外，在融合过程中，具体可通过下述方式进行：首先，通过重新定义的中智学集理论对显著图进行模糊处理，得到T、I和F三个分量，然后，通过所述函数对图像进行像素级的全局处理，其函数为∑_i,jw_i,j(x_i-x_j)²

最后，通过所述函数对三个分量进行融合处理处理，得到基于超像素的图像特征，其函数为

这样，通过这种融合算法，能够通过对像素进行像素级的全局处理得到的特征，与基于超像素的特征进行融合，可以使得后续在进行优化时，能够有更好的图像平滑性，从而提高了图像目标的整体质量和精度。

203、通过低秩矩阵分解对所述待检测图像的底层特征进行处理，得到目标特征及背景冗余信息。

具体的，本步骤为：首先，通过低秩矩阵对所述待检测图像的底层特征进行分解，得到保持特征信息的目标特征矩阵S及冗余信息矩阵L；然后，根据预设迭代算法对所述目标特征矩阵S及冗余信息矩阵L进行迭代计算，得到目标特征及冗余信息；

其中，所述预设迭代算法的公式为：

S^t+1=(I-μW^-1)·S^t+η·(diag(L·(1-P_s))+diag(W·S^t))，diag(P_s·S^t)^-1

这样，通过迭代计算能够将目标特征矩阵S和冗余信息矩阵L中的数据进行不断的迭代优化处理，从而将最终得到的目标特征矩阵和冗余信息矩阵确定为最后的目标特征和背景冗余信息。

204、根据所述目标先验数据对所述待检测图像中的目标特征及背景特征按照监督信息方向分离，得到初步图像目标。

基于前述步骤中得到了目标先验数据，该目标先验数据可以作为本步骤汇总进行基于监督信息方向将目标特征及背景特征进行分离的经验数据，因此，在本步骤中可以基于该目标先验数据，并通过监督算法对当前待检测图像中的目标特征及背景特征进行分离，从而实现在待检测图像中将无需检测的背景图像进行分离的效果，得到分离了背景图像后的所述初步图像目标。

205、对所述中智学理论进行重新定义，得优化中智学算法公式。

其中，所述优化中智学算法公式为：

因此，在前述步骤中进行目标先验数据融合时的公式则可以为：

其中，w_i,j表示图像的像素间的权重值。这样，由于优化后的公式能够改善对图像不确定性的影响，因此，能够为后续在利用优化后的中智学算法在对初步图像优化时有更好的优化效果奠定基础，从而提高了整体的图像目标的检测效果。

需要说明的是，在本发明实施例中在对所述中智学理论进行重新定义的过程可以如本步骤所述的步骤顺序进行，还可以根据实际需要选取其执行时机，例如可以在步骤201之前进行，或步骤202等其他步骤执行之前执行，仅需要确保在进行步骤206中利用该优化的中智学算法进行初步图像目标的优化之间执行即可。

206、利用优化中智学算法对所述初步图像目标进行优化，得到图像目标以完成图像检测。

基于现有的中智学算法在进行图像中不确定性(即像素点或者区域不确定属于目标区域还是背景区域)优化的过程中，存在优化效果较差的问题，在本发明实施例中，可以通过利用前述步骤205中得到的优化智学算法，对初步图像目标进行优化。由于优化后的算法能够更好的从而实现将初步图像目标中的不确定性影响进行筛除、优化的算法能够减少显著图中不确定性，可以获取良好的显著检测效果，使得得到的图像目标更为准确，继而提高了图像检测的检测效果。

进一步的，作为对上述图1、2所示方法的实现，本发明实施例还提供了一种图像检测装置，用于对上述所示的方法进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图4所示，其中包括：

获取单元41，可以用于根据待检测图像的底层特征，利用预设模型获取所述待检测图像的目标先验数据；

处理单元42，通过低秩矩阵分解对所述待检测图像的底层特征进行处理，得到目标特征及背景冗余信息；

分离单元43，可以用于根据所述获取单元41获取的目标先验数据对所述处理单元42处理后的待检测图像中的目标特征及背景特征按照监督信息方向分离，得到初步图像目标；

优化单元44，可以用于利用优化中智学算法对所述分离单元43得到的初步图像目标进行优化，得到图像目标以完成图像检测，所述优化中智学算法是对中智学理论重新数学公式定义得到的。

进一步的，如图5所示，所述装置还包括：

提取单元45，可以用于对所述待检测图像进行底层特征提取以便所述获取单元41进行目标先验数据获取，其中，所述待检测图像的底层特征包括颜色特征、局部信息熵、引导滤波、梯度及位置特征；所述颜色特征是基于L*a*b*颜色空间的三个颜色分量和颜色体积确定的。

进一步的，如图5所示，所述预设模型包括前景模型及背景模型；

所述获取单元41，包括：

第一提取模块411，可以用于通过所述前景模型从所述底层特征中提取像素级的目标特征；

第二提取模块412，可以用于通过所述背景模型从所述底层特征中提取超像素级的目标特征；

融合模块413，可以用于将所述第一提取模块411提取的像素级的目标特征及第二提取模块412提取的超像素级的目标特征进行融合，得到所述目标先验数据。

进一步的，如图5所示，所述装置还包括：

算法优化单元46，可以用于对所述中智学理论进行重新定义，得优化中智学算法公式，以便所述优化单元44根据所述优化中智学算法对所述初步图像目标进行优化，其中，所述优化中智学算法公式为：

优化后融合公式定义为

其中，w_i,j表示图像的像素间的权重值。

进一步的，如图5所示，所述处理单元42包括：

分解模块421，可以用于通过低秩矩阵对所述待检测图像的底层特征进行分解，得到保持特征信息的目标特征矩阵S及冗余信息矩阵L；

迭代计算模块422，可以用于根据预设迭代算法对所述分解模块421得到的目标特征矩阵S及冗余信息矩阵L进行迭代计算，得到目标特征及冗余信息；

其中，所述预设迭代算法的公式为：

S^t+1=(I-μW^-1)·S^t+η·(diag(L·(1-P_s))+diag(W·S^t))，diag(P_s·S^t)^-1

借由上述技术方案，本发明实施例提供一种图像检测方法及装置。对于现有技术在进行图像检测时，存在图像目标的检测结果的准确性较低的问题，本发明通过根据待检测图像的底层特征，利用预设模型获取所述待检测图像的目标先验数据，再通过低秩矩阵分解对所述待检测图像的底层特征进行处理，得到目标特征及背景冗余信息，之后根据所述目标先验数据对所述待检测图像中的目标特征及背景特征按照监督信息方向分离，得到初步图像目标，最后利用优化中智学算法对所述初步图像目标进行优化，得到图像目标以完成图像检测。从而在图像检测过程中，能够在对待检测图像中的目标特征及背景特征进行分离时，结合了目标先验数据，从而使分离后的结果更为准确，为后续的图像检测时的图像目标的检测结果的准确性奠定了基础，并且基于其优化过程中是利用了中智学理论重新定义的公式进行的，可以使得在从初步图像目标中进行优化时，优化结果能够滤除不确定性，进一步确保了检测结果的准确性。

所述的图像检测装置包括处理器和存储器，上述获取单元、处理单元分离单元以及优化单元等作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高图像检测的准确性。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述图像检测方法。

本发明实施例提供了一种电子设备，所述电子设备包括一个或多个处理器及存储器，其中存储器用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个实现如上述所述的图像检测方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述图像检测方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：根据待检测图像的底层特征，利用预设模型获取所述待检测图像的目标先验数据；通过低秩矩阵分解对所述待检测图像的底层特征进行处理，得到目标特征及背景冗余信息；根据所述目标先验数据对所述待检测图像中的目标特征及背景特征按照监督信息方向分离，得到初步图像目标；利用优化中智学算法对所述初步图像目标进行优化，得到图像目标以完成图像检测，所述优化中智学算法是对中智学理论重新数学公式定义得到的。

进一步的，在所述根据待检测图像的底层特征，利用预设模型获取所述待检测图像的目标先验数据之前，所述方法还包括：

进一步的，所述预设模型包括前景模型及背景模型；

进一步的，在利用优化中智学算法对所述初步图像目标进行优化，得到图像目标以完成图像检测之前，所述方法还包括：

对所述中智学理论进行重新定义，得优化中智学算法公式，其中，所述优化中智学算法公式为：

优化后融合公式定义为

其中，w_i,j表示图像的像素间的权重值。

进一步的，通过低秩矩阵分解对所述待检测图像的底层特征进行处理，得到目标特征及背景冗余信息包括：

其中，所述预设迭代算法的公式为：

S^t+1=(I-μW^-1)·S^t+η·(diag(L·(1-P_s))+diag(W·S^t))，diag(P_s·S^t)^-1

本发明实施例中的设备可以是服务器、PC、PAD、手机等。

本发明实施例还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：根据待检测图像的底层特征，利用预设模型获取所述待检测图像的目标先验数据；通过低秩矩阵分解对所述待检测图像的底层特征进行处理，得到目标特征及背景冗余信息；根据所述目标先验数据对所述待检测图像中的目标特征及背景特征按照监督信息方向分离，得到初步图像目标；利用优化中智学算法对所述初步图像目标进行优化，得到图像目标以完成图像检测，所述优化中智学算法是对中智学理论重新数学公式定义得到的。

进一步的，所述预设模型包括前景模型及背景模型；

/>

优化后融合公式定义为

其中，w_i,j表示图像的像素间的权重值。

其中，所述预设迭代算法的公式为：

S^t+1=(I-μW^-1)·S^t+η·(diag(L·(1-P_s))+diag(W·S^t))，diag(P_s·S^t)^-1

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。