顯著性區(qū)域檢測(cè)方法研究.pdf

1、機(jī)器視覺(jué)的研究工作很早就引起了研究人員的重視，如今相關(guān)技術(shù)已經(jīng)融入了我們的日常生活。面對(duì)現(xiàn)實(shí)世界中的海量圖像信息，機(jī)器的處理效率往往達(dá)不到需求，而人眼實(shí)際上只對(duì)圖像中的某一小塊區(qū)域感興趣。因此若能用機(jī)器來(lái)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(jué)處理的效率。顯著性區(qū)域檢測(cè)的研究工作就是找到這樣一個(gè)可能的目標(biāo)區(qū)域，縮小目標(biāo)的尋找范圍，為后續(xù)的工作奠定基礎(chǔ)。可靠的顯著性區(qū)域檢測(cè)算法可以為諸如目標(biāo)檢測(cè)、目標(biāo)追蹤與識(shí)別等應(yīng)用提供有價(jià)

2、值的參考信息。為了找到合適的顯著性區(qū)域檢測(cè)模型，本文從度量方法、特征融合和目標(biāo)先驗(yàn)信息的利用這三個(gè)方面對(duì)算法進(jìn)行了研究。
　　由于顯著性區(qū)域檢測(cè)算法是遵循視覺(jué)顯著性模型的，為了對(duì)顯著性區(qū)域檢測(cè)的相關(guān)問(wèn)題有一個(gè)更根本的認(rèn)識(shí)，本文首先從神經(jīng)生理學(xué)和認(rèn)知心理學(xué)兩個(gè)層面對(duì)與視覺(jué)顯著性相關(guān)的知識(shí)與原理進(jìn)行了概括和總結(jié)。這些內(nèi)容包括視覺(jué)信號(hào)在視神經(jīng)系統(tǒng)中的傳導(dǎo)過(guò)程、視覺(jué)通路在參與視覺(jué)信號(hào)分析時(shí)所擔(dān)負(fù)的作用，以及展現(xiàn)自底向上的視覺(jué)刺激與自頂向下

3、的調(diào)節(jié)過(guò)程的認(rèn)知心理學(xué)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(kuò)散映射”的顯著性區(qū)域檢測(cè)算法。本方法在超像素分割的基礎(chǔ)上提取特征并以此建立圖模型，對(duì)歸一化后的圖模型數(shù)據(jù)運(yùn)用擴(kuò)散方法映射到流形空間，通過(guò)擴(kuò)散距離來(lái)計(jì)算超像素之間的差異性和全局對(duì)比度信息，從而獲得顯著性圖。實(shí)驗(yàn)結(jié)果證明，該流形空間上計(jì)算的顯著性圖很好的反應(yīng)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(duì)顯著性區(qū)域檢測(cè)中的特征融合問(wèn)題

4、，本文提出了一種基于“交叉擴(kuò)散”的特征融合方法。顯著性區(qū)域檢測(cè)的計(jì)算都是以特征為基礎(chǔ)的，由于不同的特征下每個(gè)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(huì)有所不同。因此如果能合理的融合這些特征，使它們?cè)陲@著性表述上相互補(bǔ)充，就能改善最終的顯著性結(jié)果。“交叉擴(kuò)散”算法讓不同特征下獲取的相似性矩陣通過(guò)迭代計(jì)算相互融合，并以此融合結(jié)果得到狀態(tài)轉(zhuǎn)移矩陣作用到初始顯著性上。實(shí)驗(yàn)表明，運(yùn)用該算法進(jìn)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(jié)果得到改善。
　　自頂向下的顯著性區(qū)域檢測(cè)模型依賴于高層的目標(biāo)先驗(yàn)信息，本文提出了兩種將目標(biāo)先驗(yàn)信息用于顯著性計(jì)算的方法。其一，利用訓(xùn)練樣本的標(biāo)簽信息，使用有監(jiān)督的距離度量學(xué)習(xí)算法得到一個(gè)改善后的特征間的距離計(jì)算公式，通過(guò)全局對(duì)比度的計(jì)算得到一個(gè)增強(qiáng)后的顯著性結(jié)果。其二，利用一般性目標(biāo)檢測(cè)算法得到樣本中泛目標(biāo)的位置候選窗口集合，通過(guò)這些候選窗口的坐標(biāo)信息得到目標(biāo)的位置概率分布，以此概率分布值對(duì)已有的顯著性結(jié)果進(jìn)行加權(quán)修正