基于视点转移和视区追踪的图像显著区域检测

借鉴心理学中有关视觉注意的研究成果,提出了一个基于视点转移和视区追踪的显著区域检测模型.它首先通过视点转移利用全局显著性度量找到显著区域的位置,然后通过视区追踪利用局部显著性度量确定显著区域的尺寸,并通过视点转移与视区追踪的循环交替依次得到一系列显著区域.根据该模型开发出了一个新的显著区域检测算法.将其应用于多种真实图像,在检测效果、运算速度和抗噪能力等方面均获得了较为满意的实验结果.  

基于计算机视觉的视频火焰检测技术

视频火焰检测是计算机视觉中一项理论意义与实际价值兼备的重要课题,对烟火事故的消防安全具有重要的实际意义。随着火焰视觉特征模型的不断完善,视频火焰检测方法的研究得到发展。本文综述了视频火焰检测的几个主要方面,包括其相对传统检测器的优势、火焰特性的分类与描述、代表性的检测方法、典型的系统方案及其发展趋势等;探讨了其中涉及的系统通用性、实时性、智能性、评测标准和多传感器融合等关键问题;还介绍了一种新的基于层次注意的视频火焰检测模型及多源感知信息的显著性融合框架,尝试借助显著性特征描述和低冗余计算来提升烟火监测系统的效率和主动性。  

基于视觉显著性特征的快速场景配准方法

视觉显著性特征是模拟生物视觉注意力选择机制的一种具有较好的鲁棒性与不变性的视觉特征。基于视觉显著性特征提出了一种快速的场景配准方法。该方法采用调幅傅里叶变换构造视觉显著性映射；通过对显著特征局部极值特性以及信息丰度的分析，实现显著点的粗定位、预选择与可信度排序；通过图像形态学操作，实现了显著场景区域的生长与合并。在此基础上，提出了SSIFT(saliency scale invariant feature transform）算法，从而减少了场景分类算法的计算量。利用本文方法对美国南加州大学的场景数据库进行测试，实验结果表明这种方法提取的SSIFT特征对于图像的平移、旋转以及光照等变化具有良好的不变性；与经典SIFT算法相比，该方法在计算速度上具有明显的优势，并在识别率上也略优于SIFT算法。  

基于局部复杂度和初级视觉特征的自底向上注意信息提取算法

借鉴心理学中有关视觉注意的研究成果,提出了一种新的自底向上的注意信息提取算法.自底向上的注意信息由图像中每个点对应区域的显著性构成,区域的尺度自适应于局部特征的复杂度.新的显著性度量标准综合考虑了局部复杂度、统计不相似和初级视觉特征这3个方面的特性.显著区域在特征空间和尺度空间中同时显著.获取的自底向上的注意信息具有旋转、平移、比例缩放不变性和一定的抗噪能力.以该算法为核心,构建了一个注意模型,将其应用于多幅自然图像的实验证明了算法的有效性.  

利用视觉显著性与图割的图像分割算法

图割算法是图像分割中经典有效的算法,针对其在前景/背景颜色有重叠时容易产生分割错误、shrinking bias现象及交互实时性不佳的问题,提出一种利用视觉显著性与图割的交互式图像分割算法.首先利用Mean Shift算法将原始图像高效地预分割为基于区域的图结构,使得计算量大大下降；然后结合图像内容的显著性分析提高数据项约束的可靠性,并结合局部自适应的正则化参数,有效地改善了shrinking bias现象.实验结果表明,该算法交互快速,分割结果更加精确.  

基于生物视觉显著性的车辆车型识别

车型的识别问题是典型的目标识别问题,根据生物视觉与模式识别理论,对车辆车型的检测与识别进行了研究,提出了基于最小错误概率的特征显著性车型识别算法。该算法对车型的多个特征进行显著性比较,对较显著的特征赋予较大的权值,然后对多特征的识别结果进行融合处理。实验结果表明该算法对车型的识别具有较高的识别率。  

基于区域显著性的活动轮廓分割模型

提出一种新的活动轮廓分割模型,结合视觉显著性检测机制自动获取待分割图像中目标物体的先验形状信息,并自适应地构造初始轮廓,从而降低了初始轮廓位置对分割算法的影响.同时实现了活动轮廓模型对图像的自适应分割和自动分割,使得分割结果更符合人类视觉感知特性.实验结果表明,该模型有较好的分割效果,迭代次数少,且运行时间短.  

融合颜色属性和空间信息的显著性物体检测

摘 要：目的：提出了一种基于颜色属性和空间信息的显著性物体检测算法，并将其用于交通标志的检测。方法：首先，训练颜色属性得到颜色-像素值分布，据此将图像划分为不同的颜色聚簇，每个聚簇的显著性取决于其空间紧致性。其次，将每个聚簇分割为多个区域，用颜色属性描述子表示每个区域，计算区域的全局对比度。最后，同时考虑区域对比度和相应聚簇的空间紧致性，得到最终的显著图。在此基础上，将交通标志的先验知识转换为自上而下的显著性图，形成任务驱动的显著性模型，对交通标志进行检测。结果：在公开数据集上的测试结果表明，该算法取得最高92%的查准率，优于其它流行的显著性算法。在交通标志数据集上的检测取得了90.7%的正确率。结论：本文提出了一种新的显著性检测算法，同时考虑了区域的颜色和空间信息，在公开数据集上取得了较高的查准率和查全率。在对交通标志的检测中也取得了较好的结果。  

利用视觉显著性和粒子滤波的运动目标跟踪

针对运动目标跟踪问题,提出一种利用视觉显著性和粒子滤波的目标跟踪算法.借鉴人类视觉注意机制的研究成果,根据目标的颜色、亮度和运动等特征形成目标的视觉显著性特征,与目标的颜色分布模型一起作为目标的特征表示模型,利用粒子滤波进行目标跟踪.该算法能够克服利用单一颜色特征所带来的跟踪不稳定问题,并能有效解决由于目标形变、光照变化以及目标和背景颜色分布相似而产生的跟踪困难问题,具有较强的鲁棒性.在多个视频序列中进行实验,并给出相应的实验结果和分析.实验结果表明,该算法用于实现运动目标跟踪是正确有效的.  

结合图像信号显著性的自适应分块压缩采样

均匀分块压缩感知对图像信号进行压缩采样, 无法有效地分离出重要区域和背景区域。为此，本文提出了一种基于显著性的自适应分块压缩采样方法。根据图像信号的显著性，该方法利用四叉树算法进行自适应图像分块，有效分离出重要区域和背景区域。根据区域块的显著度动态设置观测值数量，重要度区域设置高采样率，背景区域设置低采样率，从而提高重要区域的图像重建质量。实验分析表明，在得到更好的视觉效果的同时，本文算法观测值数量较少，且重构图像的PSNR(峰值信噪比)、MSSIM（平均结构相似性）指标，以及运行时间均优于均匀分块压缩采样算法。