視覺(jué)顯著性物體檢測(cè)方法及應(yīng)用研究.pdf

1、近年來(lái)，圖像的數(shù)量隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展呈現(xiàn)爆發(fā)式的增長(zhǎng)。為了從海量圖像數(shù)據(jù)中尋找自己所需的信息，人們迫切需要快速、準(zhǔn)確的圖像處理技術(shù)。人類視覺(jué)系統(tǒng)為了解決大腦處理能力有限的問(wèn)題，在接收?qǐng)鼍靶畔r(shí)會(huì)選擇重要的視覺(jué)信息進(jìn)行優(yōu)先處理。這種選擇性注意機(jī)制使人類能夠快速適應(yīng)外界的變化。受此機(jī)制的啟發(fā)，研究人員提出了視覺(jué)顯著性檢測(cè)方法來(lái)模擬人類的視覺(jué)注意機(jī)制。顯著性檢測(cè)算法能夠定位圖像中吸引人注意力的區(qū)域，非常適合用于排除圖像中無(wú)關(guān)內(nèi)容的干擾，從而

2、大大加快傳統(tǒng)圖像處理的速度。顯著性檢測(cè)目前已經(jīng)成為計(jì)算機(jī)視覺(jué)的熱門(mén)研究方向，并廣泛應(yīng)用在多個(gè)計(jì)算機(jī)視覺(jué)領(lǐng)域中，如目標(biāo)分割、物體識(shí)別和目標(biāo)跟蹤等。
　　人類視覺(jué)系統(tǒng)在觀察環(huán)境時(shí)可以分為快速的、與任務(wù)無(wú)關(guān)的自底向上的方式和慢速的、由任務(wù)驅(qū)動(dòng)的自頂向下的方式。由于自底向上的方式不需要高層知識(shí)的引導(dǎo)，因此大多數(shù)研究關(guān)注自底向上的顯著性檢測(cè)。本文主要針對(duì)自底向上的顯著性物體檢測(cè)展開(kāi)研究，通過(guò)分析已有的顯著性算法的缺點(diǎn)，并結(jié)合顯著性的生物學(xué)原

3、理，提出了兩種新穎的顯著性物體檢測(cè)算法，并成功應(yīng)用在目標(biāo)分割等計(jì)算機(jī)視覺(jué)應(yīng)用中。本文的主要研究工作和貢獻(xiàn)可概括如下:
　　1)基于人類視覺(jué)系統(tǒng)的顯著性物體選擇機(jī)制，提出了基于顯著性偏置的顯著性物體檢測(cè)算法，將區(qū)域顯著性計(jì)算和物體性計(jì)算明確區(qū)分開(kāi)。該方法首先計(jì)算每個(gè)區(qū)域?qū)儆谖矬w的概率（即物體性）來(lái)定位圖像中所有可能的物體區(qū)域，然后基于對(duì)比度計(jì)算每個(gè)區(qū)域的顯著性，最后通過(guò)非線性融合的方式實(shí)現(xiàn)區(qū)域顯著性對(duì)物體性的偏置，得到顯著性物體區(qū)域

4、。為了解決同類區(qū)域顯著值不一致的問(wèn)題，提出了基于顯著性擴(kuò)散的優(yōu)化方法，從初始顯著圖中選擇種子點(diǎn)，并利用區(qū)域特征學(xué)習(xí)區(qū)域間相似度，然后根據(jù)其他區(qū)域與種子點(diǎn)的相似性關(guān)系優(yōu)化每個(gè)區(qū)域的顯著值，得到更加一致的顯著性檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果驗(yàn)證了所提算法的有效性。
　　2)基于區(qū)域顯著性產(chǎn)生的生物學(xué)原理，提出了背景驅(qū)動(dòng)的顯著性檢測(cè)算法。通過(guò)分析已有的基于局部或全局對(duì)比度的顯著性檢測(cè)方法的局限性，發(fā)現(xiàn)背景在對(duì)比度計(jì)算中的重要作用，并從背景圖中分割出

5、背景區(qū)域作為對(duì)比度計(jì)算參考區(qū)域。背景圖可以利用任何背景先驗(yàn)得到，我們特別提出了基于卷積神經(jīng)網(wǎng)絡(luò)的背景學(xué)習(xí)模型來(lái)預(yù)測(cè)每個(gè)區(qū)域?qū)儆诒尘暗母怕?。?jì)算區(qū)域?qū)Ρ榷葧r(shí)采用顏色和紋理特征，并且根據(jù)特征的分布情況動(dòng)態(tài)確定兩者的權(quán)重。為了提高顯著性物體的完整性，提出了基于增強(qiáng)圖模型的優(yōu)化方法，在傳統(tǒng)的k-正則圖中嵌入背景先驗(yàn)，并添加特征空間中的非局部連接，然后利用節(jié)點(diǎn)間相似度在圖上傳播并優(yōu)化顯著值。在多個(gè)典型數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果證明了所提算法的有效性。

6、r>　　3)為了驗(yàn)證顯著性物體檢測(cè)的應(yīng)用價(jià)值，將所提出的檢測(cè)算法應(yīng)用于目標(biāo)分割和物體分類中。在目標(biāo)分割中，探討了顯著圖的自適應(yīng)分割、基于GrabCut的分割和基于用戶交互的分割方法，對(duì)比實(shí)驗(yàn)結(jié)果表明顯著性檢測(cè)可以促進(jìn)目標(biāo)分割的效果。在物體分類中，為了排除背景區(qū)域特征的干擾，在顯著圖分割出的前景區(qū)域中提取特征并進(jìn)行分類。通過(guò)比較不同顯著性檢測(cè)算法對(duì)分類性能的影響，表明顯著性檢測(cè)可以增強(qiáng)物體分類的性能，并且檢測(cè)效果越好，分類性能也越強(qiáng)。