計(jì)算機(jī)視覺中前景目標(biāo)檢測(cè)算法的研究.pdf

1、計(jì)算機(jī)視覺就是利用計(jì)算機(jī)通過圖像或視頻來分析處理周圍環(huán)境，模擬人類視覺系統(tǒng)的信息處理過程。計(jì)算機(jī)往往需要先對(duì)圖像或視頻中的前景目標(biāo)進(jìn)行檢測(cè)定位，以便進(jìn)行后續(xù)的識(shí)別、跟蹤和分析等一系列更高層次的處理。本文的重點(diǎn)研究?jī)?nèi)容是計(jì)算機(jī)視覺中前景目標(biāo)檢測(cè)的相關(guān)算法，具體分為基于圖像顯著性檢測(cè)的靜態(tài)圖像中的前景目標(biāo)檢測(cè)和基于背景建模的動(dòng)態(tài)視頻中的前景目標(biāo)檢測(cè)。圖像的視覺顯著性信息能夠描述在無意識(shí)情況下圖像的不同區(qū)域?qū)θ祟愐曈X系統(tǒng)產(chǎn)生的不同程度的刺激，

2、可以用來作為圖像中前景目標(biāo)檢測(cè)的依據(jù)。背景建模是從視頻圖像序列中分離出所要觀察目標(biāo)的最常用方法，背景建模的準(zhǔn)確與否，會(huì)對(duì)后續(xù)處理的準(zhǔn)確性造成很大的影響。
　　因此，本文圍繞上述兩部分的研究?jī)?nèi)容，提出了基于小波變換和區(qū)域融合的顯著性檢測(cè)算法以及基于樣本局部密度離群點(diǎn)檢測(cè)的背景建模算法。
　　基于小波變換和區(qū)域融合的顯著性檢測(cè)算法，首先利用小波分解并重建得到輸入圖像在不同通道不同尺度的特征圖，計(jì)算得到輸入圖像的局部顯著圖;然后利

3、用Mean-Shift算法對(duì)原始圖像進(jìn)行分割聚類，融合相似的區(qū)塊，并通過計(jì)算各區(qū)塊間的顏色距離矩陣得到輸入圖像的全局顯著圖;在合成最終顯著圖階段，將全局顯著值作為區(qū)域權(quán)重調(diào)制到相應(yīng)像素點(diǎn)的局部顯著值上，得到最終的顯著圖。通過對(duì)顯著性檢測(cè)模型得到的顯著圖的定性分析及計(jì)算準(zhǔn)確率、召回率和F-Measure的定量分析，得出我們提出的顯著性檢測(cè)模型具有很多優(yōu)勢(shì)，能得到更好的檢測(cè)結(jié)果。
　　基于樣本局部密度離群點(diǎn)檢測(cè)的背景建模算法，首先計(jì)算