1.改进背景先验和前景先验的二维码区域检测方法，其特征在于：包括以下步骤，S1、将输入的原始图像G进行凸包检测，并进行超像素分割：首先对图像进行凸包计算，以凸包为边界将图像划分为两部分，凸包内部区域即包含图像目标的前景区域，凸包外部区域即包含图像背景的背景区域，以凸包区域之外的超像素为背景种子，以凸包区域之内的超像素为前景种子，然后分别以背景种子和前景种子为先验知识，将图像分割成四种不同的超像素尺度；

S2、对每种超像素尺度下的图像分别进行多特征提取，计算新的权重值：计算每种超像素尺度下图像的Lab颜色特征、RGB特征和LBP纹理特征，依据图像的三种底层特征改进原有权重值，得到新的权重值；

S3、计算原始图像G的背景显著图：以背景种子为先验，结合新的权重值对于四种不同尺度下的图像计算相应尺度下四个方向的边界显著图，将每一种尺度下的图像四个方向的边界显著图进行线性加权计算得到该尺度下图像的背景显著图，线性融合四种尺度下的背景显著图得到最终的背景显著图；

S4、计算原始图像G的前景显著图：以前景种子为先验，结合新的权重值分别计算四种不同的超像素尺度下图像的前景显著图，融合四种尺度的前景显著图得到最终的前景显著图；

S5、计算原始图像G中二维码区域：融合步骤S3所得最终的背景显著图和步骤S4所得最终的前景显著图得到弱显著图，根据由弱显著图生成的训练样本，采用多核学习增强的方法训练得到强显著性模型，将此模型应用到所有测试样本中得到强显著性图；最后加权融合强显著图和弱显著图，得到最终显著图，依据显著性检测判断标准，将显著性目标在显著图中高亮显示，因此最终显著图中最为高亮的部分即为图像中二维码区域。

2.如权利要求1所述的改进背景先验和前景先验的二维码区域检测方法，其特征在于：步骤S1中，将图像G进行凸包检测以及超像素分割，具体为：

S11、通过Harris角点检测算法计算原图像G的角点，连接最外围角点形成能够包围所有角点的最小多边形即原图像G的凸包；

S12、将原图像G采用简单线性迭代聚类方法SLIC进行超像素分割，原图像G分割得到的超像素块集合记为X＝{x1,x2...,xT}，其对应的显著性值记为V＝{v1,v2...,vT}，T是分割的所述超像素块的个数。

3.如权利要求1所述的改进背景先验和前景先验的二维码区域检测方法，其特征在于：步骤S2中，对不同超像素尺度图像进行多特征提取，依据图像的三种底层特征改进原有权重值，得到新的权重值，具体为：改进流行排序算法中采用单一尺度单一特征计算权重值wij，给定一个m维特征，n个点T的数据集 同时通过设定向量Y＝{y1,y2,y3,…,yn} 来记录数

据的标记情况，当yi＝1时表示对应的数据xi为查询节点，当yj＝0时表示数据xj为待排序的*节点；每个待排序数据xi的排序值由函数f确定；接下来，在X上构造一个图G＝(V,E)，V是数* *据集X对应的图的结点，依据关联矩阵W ＝[w ij]n×n计算图的边缘E；计算图的度矩阵D＝*diag{d11,…,dnn}，其中dii＝∑wij，依据图像的三种底层特征改进wij，得到新的权重值wij：其中，i,j∈V；dk(ci,cj)是超像素ci和cj在特征空间下的欧式距离，F1是RGB空间颜色特征，F2是Lab空间颜色特征，F3是LBP空间纹理特征，σ是常数，根据颜色空间中的距离计算权重。

4.如权利要求1‑3任一项所述的改进背景先验和前景先验的二维码区域检测方法，其特征在于：步骤S1中，四种超像素尺度分别为100、150、200、250。

5.如权利要求4所述的改进背景先验和前景先验的二维码区域检测方法，其特征在于：步骤S3中，计算原始图像G的背景显著图，具体为，

查询节点从凸包外部区域的上、下、左、右四个方向的背景节点中选取，背景点向量由公式(1)筛选的点组成，计算得到以上边界节点为查询种子的排序结果为其中，D为图的度矩阵D＝diag{d11,…,dnn}，dii＝∑wij，参数α为控制平衡常数，W*为关* *联矩阵，W＝[w ij]n×n，i是上边界节点的标号，在式(2)中令yi＝1，yi指示相应节点xi的状态，即xi是否为查询节点，计算得出以上边界节点为查询种子的排序结果 以上边界节点为背景特征的图像显著值通过排序结果 得出： 其中i＝1,2,...,N；

由此得到以上边界节点为先验的边界显著图St；同理，以其他三个方向包括下、左、右的边界节点作为背景特征的显著值Sb、Sl、Sr通过上式计算得出；将每个尺度下的边界显著图St、Sb、Sl、Sr进行线性融合得到该尺度下的背景显著图Sfusion，最终背景显著图Sb_fusion由四种不同尺度的背景显著图线性整合得到：其中，Sfusion1表示将原图分割成100个超像素时的显著图，Sfusion2表示将原图分割成150个超像素时的显著图，Sfusion3表示将原图分割成200个超像素时的显著图，Sfusion4表示将原图分割成250个超像素时的显著图。

6.如权利要求5所述的改进背景先验和前景先验的二维码区域检测方法，其特征在于：步骤S4中，计算原始图像G的前景显著图，具体为，

以前景种子为查询节点进行流形排序，其前景特征从凸包内部区域节点获取，式中，令yi＝1，yi指示相应节点xi的状态，即xi是否为查询节点，计算得到排序向量 由此以前景节点为前景特征的前景估计显著图：其中i＝1,2,...,N

由此得到不同尺度下以前景特征为先验的显著图Sqian100,Sqian150,Sqian200,Sqian250，融合四种不同尺度的显著图得到最终前景显著图Sq_fusion：Sq_fusion＝1/4*(Sqian100+Sqian150+Sqian200+Sqian250)。

7.如权利要求1所述的改进背景先验和前景先验的二维码区域检测方法，其特征在于：步骤S5中，计算原始图像G的二维码区域，具体为，

S51、通过多个支持向量机SVM以及多个核函数进行组合形成强分类器，对于输入图像，计算其弱显著图Sweaksal，多核增强算法MKB依据训练样本对弱显著图通过强分类器进行分类，由公式(4)计算得到：Sweaksal＝λ1*Sq_fusion+λ2*Sb_fusion   (4)其中，λ1、λ2为加权因子；

S52、可靠的训练样本集合 通过弱显著图Sweaksal计算得到，其中ri为训练样本，li为对应的二值标签，H表示训练样本数量，由公式(5)计算得到多个SVM核函数 的线性加权和：其中βm对应核函数的权重，M表示弱分类器中核函数种类，M＝Nf×Nk，Nf表示图像特征的数量，Nk表示核函数的数量，km是SVM核函数；

针对不同特征集合，目标函数转换为公式(6)：

T T

其中，α＝[α1l1,α2l2,…,αHlH]，km(r)＝[km(r,r1),km(r,r2),…km(r,rH)] ，表示标准SVM中的偏置常数；

通过证明可知，决策函数最终被定义为：

其中，zj(r)表示训练学习之后的单核SVM目标函数，βj由自适应增强AdaBoost方法计算得到，J表示需要迭代的次数，单个SVM定义为弱分类器，对于弱分类器和核函数进行组合得到强分类器Y(r)；将生成的训练样本通过强分类器即公式(7)进行分类计算，从而生成超像素方式的显著图；然后通过图割方法Graph Cut对检测结果进行优化，提高检测结果的准确性；最后利用引导滤波器进一步增强显著图效果得到最终显著图Sst；通过4种不同超像素尺度计算显著值，得到四个尺度的显著图Sstm1，Sstm2，Sstm3，Sstm4，融合得到最终的强显著图Sstrong：Sstrong＝1/4*(Sstm1+Sstm2+Sstm3+Sstm4)  (8)依据弱显著图与强显著图之间的关联性，线性融合弱显著图和强显著图得到最终的显著图Sfinal：Sfinal＝σSstrong+(1‑σ)Sweaksal，其中，σ为组合平衡因子。