1.一种基于PSO的RGBD图的协同显著目标检测方法，其特征在于，该方法包括以下步骤：

S1、输入RGB图，深度图和相应的RGBD单幅图的显著图；利用gPb–owt–ucm分割法进行区域分割，得到候选目标区域；

S2、利用PSO方法得到每个粒子的最佳聚类中心数目和最优特征；

S3、通过初始种群进行聚类得到得到显著图；

S4、利用聚类质量选出最优的粒子，更新显著图。

2.根据权利要求1所述的基于PSO的RGBD图的协同显著目标检测方法，其特征在于，所述步骤S1具体过程为：产生候选目标区域，给定一组RGBD图片 产生初始显著图，然后使用gPb-owt-ucm分割法对原RGB图进行超像素分割，共分成Q个区域；每个区域定义为并且每个区域的显著值为该区域所有像素显著值的平均值；最后，通过设定一个阈值T，显著值大于T的超像素被选择出来作为候选目标区域，T设为0.25。

3.根据权利要求1所述的基于PSO的RGBD图的协同显著目标检测方法，其特征在于，所述步骤S2具体过程为：对于每一块目标候选区域，提取颜色、深度、几何纹理的特征来进行聚类。

4.根据权利要求3所述的基于PSO的RGBD图的协同显著目标检测方法，其特征在于，所述特征包括：(a)在RGB、HSV、Lab三种颜色空间上各通道的平均颜色值，共9维；(b)分别在颜色图和深度图上的纹理特征，共6维；(c)超像素的平均深度值及深度范围，共2维；(d)关于超像素几何形状的特征共7维。

5.根据权利要求1所述的基于PSO的RGBD图的协同显著目标检测方法，其特征在于，所述步骤S3具体为：首先初始化一个含有30个个体的种群，每一个个体就是一种聚类的模式，里面包含了聚类中心的个数以及选择用来聚类的特征这两种信息；使用二进制编码，每一位表示一维特征，0表示不选择这维特征聚类，1表示选中该维特征聚类；然后根据初始的种群进行聚类；在第n次聚类过程中，对这一次的聚类结果中的每一个类 (j表示第j个类)，我们计算其聚类级别的协同显著值(CCS)：其中 表示在类 中的所有超像素的平均初始显著值， 表示在类 中所有超像素与聚类中心 在特征空间上的欧式距离的平均值，将 归一化到[0，1]之间得到越低，那么在类 中各区域间的相似性就越高， 是协同出现率，它表示类所涵盖的图片数。

6.根据权利要求1所述的基于PSO的RGBD图的协同显著目标检测方法，其特征在于，在所述步骤S4中利用聚类质量(CQ)选出最优的粒子的具体过程为：CCS表示聚类级别的显著值，将CCS的显著值分配到图片级别得到WCS；在计算完CCS以及WCS之后，找到一个适应度值去评价每个粒子的好坏，因此通过计算CQ值来评价各粒子的好坏；CQ值的定义如下：其中 表示聚类划分率，J是CCS最大值所在类的索引下标；J越

大，说明前景部分被更好的突出了； 表示属于类 的区域个数的方差， 越小就意味着所有的图片趋向于突出相近个数的显著区域；通过一个自适应阈值，在第n次聚类过程中的每一个WCS图都能被二值化成两个部分(前景和背景)，RNn表示所有二值化图的平均区域数，RNn越小表示在WCS图中显著区域越集中，背景被统一抑制，这说明WCS图的质量就越好；

基于(2)公式计算的CQ值如果越大，聚类过程就越好。

7.根据权利要求6所述的基于PSO的RGBD图的协同显著目标检测方法，其特征在于，在所述步骤S4中更新显著图的具体方法为：更新粒子的历史最优位置和群体的全局最优位置，比较粒子的位置评价值与它的历史位置最优值，如果优于该粒子的历史最优值，则用目前位置替代该粒子的历史最优位置；比较粒子的目前位置评价值与群体全局最优值，如果目前评价值好于群体全局最优值，则用目前值替换群体全局最优值；然后根据PSO算法来更新粒子的位置和速度，如此反复的迭代，在达到设定的最大迭代次数后，停止迭代，输出此时全局最优解对应的粒子、CCS图、WCS图以及CQ值；此时的WCS图即为最优的聚类过程得到的协同显著图。

8.根据权利要求7所述的基于PSO的RGBD图的协同显著目标检测方法，其特征在于，所述最大迭代次数我们根据实验经验设为40-60次。

9.根据权利要求8所述的基于PSO的RGBD图的协同显著目标检测方法，其特征在于，所述最大迭代次数最优为50次。