顯著性區(qū)域檢測方法研究.pdf

1、機器視覺的研究工作很早就引起了研究人員的重視，如今相關技術已經(jīng)融入了我們的日常生活。面對現(xiàn)實世界中的海量圖像信息，機器的處理效率往往達不到需求，而人眼實際上只對圖像中的某一小塊區(qū)域感興趣。因此若能用機器來模仿人眼的工作模式找出這些感興趣區(qū)域那么就可以提高視覺處理的效率。顯著性區(qū)域檢測的研究工作就是找到這樣一個可能的目標區(qū)域，縮小目標的尋找范圍，為后續(xù)的工作奠定基礎。可靠的顯著性區(qū)域檢測算法可以為諸如目標檢測、目標追蹤與識別等應用提供有價

2、值的參考信息。為了找到合適的顯著性區(qū)域檢測模型，本文從度量方法、特征融合和目標先驗信息的利用這三個方面對算法進行了研究。
　　由于顯著性區(qū)域檢測算法是遵循視覺顯著性模型的，為了對顯著性區(qū)域檢測的相關問題有一個更根本的認識，本文首先從神經(jīng)生理學和認知心理學兩個層面對與視覺顯著性相關的知識與原理進行了概括和總結。這些內容包括視覺信號在視神經(jīng)系統(tǒng)中的傳導過程、視覺通路在參與視覺信號分析時所擔負的作用，以及展現(xiàn)自底向上的視覺刺激與自頂向下

3、的調節(jié)過程的認知心理學現(xiàn)象。
　　為了度量圖像區(qū)域中的顯著性，本文提出了一種基于“擴散映射”的顯著性區(qū)域檢測算法。本方法在超像素分割的基礎上提取特征并以此建立圖模型，對歸一化后的圖模型數(shù)據(jù)運用擴散方法映射到流形空間，通過擴散距離來計算超像素之間的差異性和全局對比度信息，從而獲得顯著性圖。實驗結果證明，該流形空間上計算的顯著性圖很好的反應了圖像區(qū)域之間的差異性，有效的突顯出了顯著性區(qū)域。
　　針對顯著性區(qū)域檢測中的特征融合問題

4、，本文提出了一種基于“交叉擴散”的特征融合方法。顯著性區(qū)域檢測的計算都是以特征為基礎的，由于不同的特征下每個像素或區(qū)域的表述是不同的，所以依據(jù)不同特征得到的顯著性值也會有所不同。因此如果能合理的融合這些特征，使它們在顯著性表述上相互補充，就能改善最終的顯著性結果?！敖徊鏀U散”算法讓不同特征下獲取的相似性矩陣通過迭代計算相互融合，并以此融合結果得到狀態(tài)轉移矩陣作用到初始顯著性上。實驗表明，運用該算法進行的特征融合在絕大多數(shù)情況下都能讓初始

5、的顯著性結果得到改善。
　　自頂向下的顯著性區(qū)域檢測模型依賴于高層的目標先驗信息，本文提出了兩種將目標先驗信息用于顯著性計算的方法。其一，利用訓練樣本的標簽信息，使用有監(jiān)督的距離度量學習算法得到一個改善后的特征間的距離計算公式，通過全局對比度的計算得到一個增強后的顯著性結果。其二，利用一般性目標檢測算法得到樣本中泛目標的位置候選窗口集合，通過這些候選窗口的坐標信息得到目標的位置概率分布，以此概率分布值對已有的顯著性結果進行加權修正