RGB--D圖像的顯著目標檢測方法研究及其應用.pdf

1、長期以來，計算機視覺一直是神經(jīng)生物科學、心理學和人類感知方面的探索熱點。主要指的是在早期視覺處理階段上，低層次的測量刺激人眼的注意。意識到，早期人們看見一張圖片時把預測顯著性當成一項任務，近年來，已經(jīng)延伸到物體水平上的顯著性檢測，將顯著物體從背景分離開來。研究的熱點側重于物體級的模型檢測研究，比如物體檢測和識別，圖像檢索和分類，內容感知等等。
　　2D顯著目標檢測:為了在二維RGB圖像上進行顯著物體檢測，大多數(shù)現(xiàn)有的算法可以分為兩

2、種:局部和全局。局部的檢測方法通過測量特定窗口中的區(qū)域相對于其鄰域的稀少性來檢測目標。Itti等人首先提出關于圖像的計算機視覺研究機制。并研究出關于特征值的計算中心-領域差異性的的算法。Harel等人研究一張圖在圖片中采用隨機行走計算顯著值。為了突出整體的前景目標，使用多尺度的對比算法以及多角度進行融合的方法。局部對比方法缺少全局關系和結構，對高頻內容和噪聲比較敏感。全局方法通過圖像的整體稀疏性來估算圖像區(qū)域的顯著性大小。Achanta

3、等人通過計算RGB彩色圖像中關于像素水平上顏色差異性得到目標顯著性。然而這個定義只占1％的顏色平均值，在復雜背景下容易導致性能下降。Goferman等人通過低層次角度和全局關系為背景，提出了改進的突出顯著目標檢測的方法，設計一個全局對比模型，計算三維圖像之間的不同點。
　　3D顯著目標檢測:與二維顯著性研究的進展相反，獲取深度信息的限制給研究帶來了限制。Niu等人使用雙目圖像估算視差圖，且僅僅使用深度數(shù)據(jù)來進行顯著目標的識別。因而

4、其檢測結果依賴于視差圖估算的質量，對后續(xù)計算機視覺的研究存在一定的阻礙。隨后Lang等人收集了600張RGB和RGB-D圖像，在其中進行了比較研究二維和三維場景中，眼睛固定的預測，而不是物體的預測。
　　隨著計算機視覺得到很多專家和學者們越來越多的重視和興趣，深度信息被證明其三維布局和形狀特征在視覺研究中帶來更多的圖像信息，具有有效性。依據(jù)Kinect主動距式傳感器的生產(chǎn)水平的提高，使用設備獲得RGB彩色圖和深度信息的也變得越來越

5、方便，研究者們和專家們進而轉向對三維圖RGB-D進行顯著目標檢測的關注和探索也越來越多。而大部分顯著性檢測的工作側重于2維圖像上方法的研究，并沒有很好的利用深度信息RGB-D的顯著性方法。
　　本文首先提出了融合顯著深度特征的RGB-D圖像顯著目標檢測的方法。該方法首先對原始深度圖進行了預處理得到深度顯著圖。將其和顏色特征一起結合成綜合特征，具體預處理包括以下方面:背景頂點區(qū)域、構圖交點、緊密度的多角度融合形成深度顯著圖;其次，從

6、前景角度，將綜合特征通過邊連接權重構造關聯(lián)矩陣，根據(jù)構圖先驗，假設多層中心矩形為前景種子，通過流形排序方法計算出RGB-D圖像的前景顯著圖;從背景角度，根據(jù)背景先驗以及邊界連通性計算出背景顯著圖;最后，將前景顯著圖和背景顯著圖進行融合并優(yōu)化得到最終顯著圖。
　　本文隨后提出了深度顯著圖增強RGB-D圖像的顯著目標檢測的方法。該方法首先使用LBE局部封閉的方法預處理深度圖，并將其為特征來加強RGB-D圖中RGB彩色圖的流形排序得到R

7、GB彩色圖的顯著圖;利用來指導深度圖的流形排序得到;最后將RGB彩色圖的顯著結果圖和Depth深度圖的顯著結果圖兩者融合得到RGB-D圖的顯著結果圖。
　　本文在兩個公開的數(shù)據(jù)集RGB-D1000和NJU-DS2000上進行了對比實驗。實驗對比發(fā)現(xiàn)，本文提出深度顯著圖的方法可以明顯地增加檢測效果。
　　本文最后提出了融合顯著深度特征的RGB-D圖像顯著目標檢測的方法—在人臉檢測方面的應用。該方法是將第一部分提出的RGB-D顯