一種綜合先驗信息的從自然圖像中提取感興趣物體的新方法.pdf

1、感興趣的物體檢測和分割(統(tǒng)稱為感興趣物體的提取)一直是計算機視覺、圖像理解和模式識別等研究領域的重要關注點之一。它在物體識別、基于內(nèi)容的檢索、基于內(nèi)容的圖像和視頻編碼與壓縮以及視頻監(jiān)控等等領域有重要的應用。傳統(tǒng)的感興趣物體提取方法常常將感興趣物體假設為在自然圖像正中央的物體，或者是圖像中比較顯著的物體，這種弱假設往往忽略了感興趣物體具有主觀性的性質(zhì)，所以適用的范圍不大。受人腦處理這一問題所采用的策略的啟發(fā)，我們提出了基于樣本學習的方法定

2、義感興趣物體，從而避免了原來弱假設所帶來的目標模式不清晰的問題，也引出了本文的主要方法。 本文提出了一種新穎的從自然圖像中提取感興趣物體的框架。本框架包含兩個主要的階段： (1)學習階段。此階段通過樣本學習的方法定義感興趣物體并提取與之相關的先驗知識(包括物體形狀信息以及物體表觀信息)。在此階段，我們從大致對齊的感興趣物體的正樣本中，學習一個關于此類物體的活動基模型和對應的形狀草圖模板，同時對物體的表觀信息進行統(tǒng)計，獲得

3、感興趣物體的形狀和表觀先驗信息。 (2)提取階段。此階段將感興趣物體的先驗知識應用到統(tǒng)計推理機制中，綜合檢測和分割進行感興趣物體的提取。在此階段，用學習得到的活動基模型作初步檢測以確定候選區(qū)域。然后，我們對候選區(qū)域進行基于統(tǒng)計馬爾科夫鏈蒙特卡洛推理方法的圖像分割，并通過選取具有最大后驗概率比的分割結果作為最佳輸出結果。 本方法中的兩個階段有機的結合在一起，構成了一個整體：在學習階段獲得的先驗知識可以使目標模式(感興趣的物

4、體)更明確，并能指導提取階段的統(tǒng)計推理過程。因此，該方法能較精確的提取感興趣的物體。在公共數(shù)據(jù)集上測試的結果也表明了我們提出的方法表現(xiàn)比當前最好的算法所得到的結果還要好。 作為總結，本文的主要創(chuàng)新之處如下： 1、提出了一個新的關于感興趣物體提取問題的框架性解決方案。與傳統(tǒng)的依賴弱假設對感興趣物體位置初始化的方法不同，我們引入了感興趣物體的先驗知識的學習機制，從而清晰的定義了目標模式，提高了感興趣物體的定位準確度，同時更加