1.一种基于显著性先验信息的目标提取方法，其特征是，首先检测显著性点与显著性边，再将显著性点与显著性边进行融合，作为先验信息加到神经网络中，同时对网络训练学习，最后通过训练好的网络结构实现高精度的目标提取。

2.如权利要求1所述的一种基于显著性先验信息的目标提取方法，其特征是，主要包含以下几个步骤：

1）对图像的显著性点进行检测；

2）对图像的显著性边进行检测；

3）将图像的显著性点和显著性边进行融合，构成显著性融合图；

4）将融合后的显著性特征作为先验信息添加到神经网络中，构成基于显著性先验信息的神经网络；

5）在数据集的样本中进行随机选取，构成网络所需的训练集和测试集；

6）利用训练集采用多样化的方式训练基于显著性先验信息的神经网络；

7）利用测试集使用训练完成的基于显著性先验信息的神经网络进行目标提取，提取出准确的目标区域。

3.如权利要求2所述的一种基于显著性先验信息的目标提取方法，其特征是，所述步骤

2），对图像的显著性边进行检测：给定一幅图像，首先用定向边缘森林（OEF）边界检测器来计算边界响应，该边界检测器非常有效地检测目标边界并且在计算上更省，同时使用非最大抑制（NMS）的OEF检测的稀疏变体；利用稀疏边缘图来形成概率，其中每个边缘（边缘段）被分配显著性值，从而为其提供独特性评分。

4.如权利要求2所述的一种基于显著性先验信息的目标提取方法，其特征是，所述步骤

3），将图像的显著性点和显著性边进行融合，构成显著性融合图：将任务表述为所述的能量最小化问题；确保单个权重的范围在0到1之间，一个超像素的所有权重的总和等于1；为所考虑的元素选择适当的权重，以鼓励或阻止其在最终的融合显著图中的作用。

5.如权利要求2所述的一种基于显著性先验信息的目标提取方法，其特征是，所述步骤

4），将融合后的显著性特征作为先验信息添加到神经网络中，构成基于显著性先验信息的神经网络：VGG16不再使用全连接层，将模型中的3个全连接层全部替换为卷积层，使网络通过完全卷积的方式运行，同时将5个池化层的步长均改为1，以便获得更精细的特征；不仅如此，构建了一个小型反卷积网络，包含5个反卷积层，3个反池化层，1个目标窗口的提取层，实现端到端全自动提取任务的实现；同时使用残差网络结构，以避免由于增加网络深度带来的退化问题；在网络的每个卷积层之后应用dropout，使用的激活函数为ReLU。

6.如权利要求2所述的一种基于显著性先验信息的目标提取方法，其特征是，所述步骤

6），利用训练集采用多样化的方式训练基于显著性先验信息的神经网络：本发明采用分阶段、分层次等多样化的训练方式进行网络的训练，实现快速收敛并防止过度拟合；同时根据目标函数以及设定的损失函数进行预测。

7.如权利要求2所述的一种基于显著性先验信息的目标提取方法，其特征是，融合显著性点和显著性边的特征，将其作为先验信息加到神经网络中，利用了卷积神经网络的优势，并充分考虑了图像的低级以及高级语义信息等特征，从而快速准确的提取出目标区域。