1.一种弱对比度下的车辆目标分割方法，其特征在于，具体包括如下步骤：

步骤1：对训练图像采用多示例学习的方法进行显著模型建模；然后利用显著模型对测试图像中的包和示例进行预测，得到测试图像的显著度图；具体包括：步骤11，对训练图像进行预处理，并提取图像亮度梯度特征、色彩梯度特征与纹理梯度特征；

步骤12，将多示例学习引入到图像显著性检测中，得到测试图像的显著性检测结果；

步骤2：将测试图像的显著度引入图割框架，依据示例特征矢量与示例包的标记对图割框架进行优化，求解图割优化的次优解，得到目标的精确分割。

2.如权利要求1所述的弱对比度下的车辆目标分割方法，其特征在于，所述步骤11中对训练图像进行预处理，并提取亮度梯度特征、色彩梯度特征与纹理梯度特征，具体包括步骤111～步骤113：步骤111，对训练图像进行色彩空间的转换及其各分量的量化预处理，得到归一化后的亮度分量L和色彩分量a、b；

步骤112，计算亮度分量L的矩阵对应的每一个像素点的亮度梯度；

步骤113，分别计算色彩分量a和色彩分量b的矩阵中每一个像素点的色彩梯度；

步骤114，计算每一个像素点的纹理梯度。

3.如权利要求2所述的弱对比度下的车辆目标分割方法，其特征在于，所述步骤111具体如下：首先，将训练图像进行伽马校正，以实现对图像色彩分量的非线性调整，将训练图像由RGB色彩空间转换至Lab色彩空间；再对训练图像在Lab色彩空间下的亮度分量L和两个色彩分量a、b进行归一化处理，得到归一化后的亮度分量L和色彩分量a、b。

4.如权利要求2所述的弱对比度下的车辆目标分割方法，其特征在于，所述步骤113具体包括步骤A-D：A、构建3个尺度的权值矩阵Wights＜＞；

B、构建3个尺度的索引地图矩阵Slice_map＜＞；每个尺度的索引地图矩阵Slice_map＜＞对应尺度的权值矩阵Wights＜＞具有相同的维度，即每个索引地图Slice_map＜＞矩阵也是行数和列数都为2r+1的方阵；选取8个方向(0°、22.5°、45°、67.5°、

90°、112.5°、135°、157.5°)将矩阵分为16个区域，每个区域中元素的取值与该区域的编号0～15相同；

C、将每个索引地图矩阵Slice_map＜＞与其对应尺度的权值矩阵Wights＜＞中的元素一一对应相乘得到对应尺度的矩阵，即邻域梯度算子；

D、利用邻域梯度算子，计算亮度分量L的矩阵中一个待求像素点的亮度梯度。

5.如权利要求4所述的弱对比度下的车辆目标分割方法，其特征在于，所述步骤A具体如下：分别构建3个尺度的权值矩阵Wights＜＞；所述的权值矩阵Wights＜＞是行数和列数均等于2r+1的方阵；权值矩阵Wights＜＞中的元素非0即1，等于1的元素分布在以方阵中心元素(r+1,r+1)为圆心、以r为半径的圆盘范围内，形成方阵的内切圆，方阵中其余元素均为0；3个尺度分别为r＝3、r＝5和r＝10。

6.如权利要求4所述的弱对比度下的车辆目标分割方法，其特征在于，所述步骤D具体如下：①对于某一个尺度，以步骤111得到的亮度分量L的矩阵中一待求像素点为中心，通过某一尺度的邻域梯度算子与待求像素点邻域范围内的每个亮度分量进行点乘，得到待求像素点邻域范围内的矩阵Neibor＜＞；选取竖直方向(90°)的直线作为分界线，将邻域梯度算子中的圆盘划分成左半圆和右半圆，左半圆包括第0扇区到第7扇区，右半圆包括第8扇区到第15扇区；每个半圆对应的矩阵Neibor＜＞的元素构成一个直方图并对其进行归一化，分别记为Slice_hist1＜＞和Slice_hist2＜＞；H1代表左边半圆区域所对应的直方图，H2代表右边半圆区域所对应的直方图，i为直方图的bin的取值，定义为[0,24]，即亮度范围。

②通过式(1)所示的卡方距离计算两个归一化直方图之间的差异，即得到某一尺度下一个待求像素点的竖直方向上的亮度梯度；

在计算完某一尺度竖直方向上的亮度梯度之后，分别选取其他方向所在直线作为分界线，得到该待求像素点某一尺度所有其他方向上的亮度梯度；再根据步骤D同样的方式计算得到该待求像素点其他尺度上的所有方向的亮度梯度。当完成该待求像素点所有尺度所有方向上的亮度梯度计算后，由公式(2)计算该待求像素点的最终亮度梯度：f(x,y,r,n_ori；r＝3,5,10；n_ori＝1,2,......8)-＞Brightness Gradient(x,y) (2)式中，f为一映射函数，(x,y)为任一待求像素点，r表示选取的尺度，n_ori表示选取的方向；Brightness Gradient(x,y)为像素点(x,y)的最终亮度梯度；f的对应法则为选择每个方向在3个尺度中的最大亮度梯度值作为该方向上的亮度梯度值，将8个方向上的亮度梯度求和得到像素点(x,y)的最终亮度梯度。

7.如权利要求2所述的弱对比度下的车辆目标分割方法，其特征在于，所述步骤114具体如下：A、构建多尺度纹理滤波器组集合Filters(x,y)(nf,filter,r,θ)，nf表示滤波器的个数，filter表示滤波器种类的集合，r表示尺度，θ表示选取的方向；

B、计算训练图像中每一个像素点相应的纹理滤波响应向量，即

具体如下：

将灰度图像Igray(x,y)与构建的多尺度纹理滤波器集合Filters(x,y)[nf,filter,r,θ]在像素点(x,y)为中心的相应尺度邻域内进行卷积，得到像素点(x,y)的纹理滤波响应向量。如尺度r＝5时，在以某一像素为中心的11*11邻域内进行卷积，即Igray(x,y)*Filters(nf,filter,r,θ)，其中nf＝17，filter＝(filcs,fil1,fil2)，r＝5，θ＝0°、

22.5°、45°、67.5°、90°、112.5°、135°、157.5°；得到像素点(x,y)的纹理滤波响应向量Tex(x,y)＝(fil1,fil2,fil3...,fil17)。

以上述方法分别计算r＝5、r＝10、r＝20时以某一像素点(x,y)为中心的相应尺度邻域的纹理特征向量，得到某一像素点(x,y)相应的纹理滤波响应向量Tex(x,y)＝(fil1,fil2,fil3...,fil51)。

C、构建纹理基元直方图；具体如下：

采用K-means方法对训练图像中所有像素点(x,y)的纹理滤波响应向量进行聚类，聚类过程中，取K＝32作为初始值，共得到32个聚类中心，将得到的32个聚类中心对应的纹理滤波响应向量取出作为纹理基元，当作纹理特征统计直方图中的32个bin标记以构建纹理基元直方图；

D、计算每一个像素点的纹理梯度；具体如下：

首先采用步骤112中的步骤A-C，得到3个尺度下的邻域梯度算子，对于某一尺度，以某一待求像素点(x,y)为中心，通过该尺度的邻域梯度算子中的每一个元素与其对应的纹理滤波响应向量进行相乘运算，得到该像素点的邻域矩阵组Neibor[＜＞]，选取竖直方向(90°)的直线作为分界线，将尺度邻域范围内的圆盘划分成左半圆和右半圆，左半圆包括第0扇区到第7扇区，右半圆包括第8扇区到第15扇区；每个半圆对应的邻域矩阵组Neibor[＜＞]的元素构成一个纹理基元直方图；H1代表左边半圆区域所对应的直方图，H2代表右边半圆区域所对应的直方图，由步骤C给出直方图的bin标记；与步骤112的步骤D中的②步骤相同，求得训练图像中每个待求像素点的最终纹理梯度，记为TextureGradient(x,y)。

8.如权利要求7所述的弱对比度下的车辆目标分割方法，其特征在于，所述步骤A具体如下：将训练图像转换成灰度图像，记为Igray(x,y)，并对灰度图像Igray(x,y)的每一个像素点(x,y)的灰度分量进行归一化；选取三种滤波器，分别为高斯二阶偏导滤波器及其希尔伯特变换后的滤波器与中心环绕滤波器；从8个方向以及3个尺度构建多尺度纹理滤波器集合，记为Filters(x,y)[nf,filter,r,θ]，其中，nf表示滤波器的个数，filter表示滤波器种类的集合，r表示尺度，θ表示选取的方向；nf＝51，filter＝(filcs,fil1,fil2)，r＝5、

10、20，θ＝0°、22.5°、45°、67.5°、90°、112.5°、135°、157.5°；多尺度纹理滤波器集合Filters(x,y)[nf,filter,r,θ]；如式5、6、7所示：

8个方向3个尺度的高斯二阶偏导滤波器：

8个方向3个尺度的高斯二阶偏导希尔伯特变换后的滤波器：

f2(x,y)＝Hilbert(f1(x,y)) (6)

3个尺度的中心环绕滤波器：

Gaussian_cs＜＞＝m_surround＜＞-m_center＜＞ (7)环绕滤波器、中心滤波器、高斯二阶偏导滤波器及其希尔伯特变换滤波器对应的标准差σ值分别为 2及

9.如权利要求1所述的弱对比度下的车辆目标分割方法，其特征在于，所述步骤12中将多示例学习引入至图像显著性检测得到测试图像的显著性检测结果，具体包括步骤121和步骤122：步骤121，利用步骤11中所述方法得到的亮度、色彩和纹理梯度特征，结合多示例学习EMDD算法实现对训练集的学习，得到学习好的显著性检测模型；

步骤122，将测试图像代入学习好的显著性检测模型得到测试图像的显著性检测结果。

10.如权利要求1所述的弱对比度下的车辆目标分割方法，其特征在于，所述步骤2具体包括如下步骤：步骤21，将步骤1得到的图像的显著性检测结果作为图割算法的输入，依据包的显著性标记与示例特征矢量构建如式(3)所示的权函数；并得到如式(4)所示的优化后的图割代价函数；

式(3)中，wij表示i示例包与j示例包对应区域的视觉特征相似性，Salien(i)与Salien(j)分别表示区域i与区域j归一化后的显著度值，σ为调节视觉特征差异的敏感参数，取值为10～20；区域i与其自身的相似权值为0；相似度矩阵W＝{wij}是对角线为

0的对称矩阵，且wij∈[0,1]；fi,fj分别表示i与j示例包中分别对应的示例特征矢量，即图像的亮度梯度特征、色彩梯度特征与纹理梯度特征向量合成4维的组合向量Mixvectori＝{BrightnessGradienti,ColorGradienti，TextureGradienti}，则Sim(fi,fj)＝||Mixvectori-Mixvectorj||2；式(4)所表示的图割框架中，D为N维对角矩阵，其对角线上元素U＝{U1,U2,...,Ui,...,Uj,...UN}为分割状态向量，每一个向量分量Ui表示区域i的分割状态；式(4)的分子表示区域i与区域j之间的视觉相似性，分母表示区域i内的视觉相似性；

步骤22，采用凝聚层次聚类算法，求解R(U)的最小值特征值所对应的分割状态向量，即得到图像的最优分割结果。