1.一种基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，包括下列步骤：步骤1：对原图像进行超像素聚类，并提取每个超像素的颜色、纹理和边缘特征，据此构成特征矩阵；

步骤2：基于梯度下降法学习得到特征变换矩阵；

步骤3：利用全卷积神经网络学习得到高层语义先验知识；

步骤4：利用特征变换矩阵和高层语义先验知识矩阵对特征矩阵进行变换；

步骤5：利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解，并根据分解得到的稀疏噪声计算显著图。

2.根据权利要求1所述基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，其特征在于，步骤1中，利用mean-shift聚类算法对原图像进行聚类，提取每个像素的颜色、边缘和纹理共53维特征，据此构成特征矩阵。

3.根据权利要求1所述基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，其特征在于，步骤2中，基于梯度下降法利用MSRA标记的数据库学习得到特征变换矩阵T。

4.根据权利要求1所述基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，其特征在于，步骤3中，基于FCN网络利用MSRA数据库训练的得到FCN-8s模型，对于每一幅待处理图像，利用训练好的FCN-8s模型进行处理，输出基于FCN的语义先验知识，据此构建相应的高层语义先验知识矩阵P∈RN×N：其中pri表示FCN测试结果图像中超像素pi内所有像素的均值。

5.根据权利要求1所述基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，其特征在于，步骤4中，利用学习得到的特征变换矩阵T和高层语义先验知识P对特征矩阵F进行变换，得到特征变换后的矩阵，A＝TFP

d×N d×d N×N

其中，F∈R 是特征矩阵，T∈R 是学习的到的特征变换矩阵，P∈R 是高层先验知识矩阵。

6.根据权利要求1所述基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法，其特征在于，步骤5中，利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解，求解如下公式：s.t.A＝L+S

其中，A∈Rd×N是特征变换后的矩阵，L∈Rd×N表示低秩矩阵，S∈Rd×N表示稀疏矩阵，||·||*表示矩阵的核范数，即矩阵的所有奇异值之和，||·||1表示矩阵的 范数，即矩阵中所有元素的绝对值之和，由如下公式计算出显著图：Sal(pi)＝||S*(：，i)||1

其中，S*是稀疏矩阵的最优解，Sal(pi)表示超像素pi的显著值，||S*(：，i)||1表示S*的第i列向量的 范数，即向量中所有元素的绝对值之和。