基于視覺顯著性的物體檢測方法研究.pdf

1、視覺顯著性機制是人眼視覺系統(tǒng)的重要組成部分,指人在面對復雜場景時,會將注意力快速集中在少數(shù)感興趣的區(qū)域,然后利用有限的處理能力對該區(qū)域進行優(yōu)先處理。傳統(tǒng)的基于局部特征的物體檢測方法是先對圖像采窗,再提取特征,最后用分類器判別。這種方法由于需要對圖像進行大量地采窗,并對每個窗分別進行特征提取和分類操作,計算量非常大。若將視覺顯著性機制應用到物體檢測中,能夠快速地提取與目標相關的顯著區(qū)域,對圖像中的顯著區(qū)域和非顯著區(qū)域進行不同的處理,可以減

2、少背景對物體檢測的干擾,將有限的計算資源用于處理感興趣區(qū)域,提高物體檢測的效率和準確率。
　　本文研究了將視覺顯著性機制應用到物體檢測中的方法,提出了一種基于圖像分類框架的自頂向下的視覺顯著性計算模型,學習了目標物體和背景噪聲的信息,能在提取目標物體的同時抑制背景噪聲。該模型包括特征提取、特征編碼、局部特征合并和顯著性檢測四個步驟。實驗結果表明,與已有的顯著性檢測模型相比,該模型能有效地檢測出與目標相關的顯著區(qū)域,并同時抑制與目標

3、物體無關的非顯著區(qū)域。
　　文章在上述模型的基礎上,提出了基于尺度選擇的特征合并算法。由于不同尺度的特征合并對顯著性檢測的結果有著重要的影響,該算法從多個尺度中選擇出一個最優(yōu)尺度來對圖像的局部特征進行表示。實驗結果表明,與其它尺度相比,最優(yōu)尺度上的特征合并能明顯提升顯著性檢測的結果。而與其它顯著性模型相比,本文模型在KLD和P-R曲線兩項評價標準的結果都是最優(yōu)的,在最優(yōu)尺度上的平均KLD值更小,表明該模型的顯著性檢測結果更接近于真