基于Itti视觉注意模型的三维人脸特征检测方法的研究

将计算机视觉与人类视觉的视觉注意计算模型结合,在对三维人脸特征提取和Itti视觉注意模型进行研究的基础上,提出了一种将Itti视觉注意模型用于三维人脸特征区域检测和特征提取的方法。实验结果表明,该模型能够准确定位三维人脸的特征区域,同时对不同表情的人脸模型具有鲁棒性。     

基于视觉注意模型VAMAI的敏感图像检测方法

基于内容的敏感图像检测方法是过滤互联网上敏感信息的有效手段。然而,基于全局特征的检测方法误检率偏高,现有的基于BoW（bag-of-visual-words）的检测方法速度较慢。为了快速准确地检测敏感图像,本文提出基于视觉注意模型VAMAI（visual attention model for adult images）的敏感图像检测方法,包括构造面向敏感图像的视觉注意模型VAMAI、基于兴趣区域和SURF（speeded up robust features）的视觉词表算法、全局特征选择及其与BoW的融合三部分。首先,结合显著图模型、肤色分类模型和人脸检测模型,构造VAMAI,用于较准确地提取兴趣区域。然后,基于兴趣区域和SURF构建视觉词表,用于提高基于BoW的检测方法的检测速度与检测精度。最后,比较多种全局特征的性能,从中选择颜色矩,将它与BoW的支持向量机分类结果进行后融合。实验结果表明:VAMAI能够较准确地检测兴趣区域;从检测速度和检测精度两方面显著地提高了敏感图像的检测性能。     

改进视皮层视觉机制的视觉注意力模型

人类的视觉注意机制是人类大脑感知事物的最直接的功能。提出了一种基于视皮层视觉机制的生物激励注意模型。利用HMAX(hierarchical maximization)模型的四层机制中的C1细胞单元图,构造独立成分分析(independent component analysis,ICA)滤波器组,进一步利用对尺度、平移等均具有不变性的C2细胞特征,以及香农熵理论,共同构造用于视觉显著性区域检测的测度。在心理学实验的自然场景图像以及心理学刺激模式上的结果表明,该方法与传统方法相比,更符合人眼的感知特性,从而进一步验证了该方法的有效性和准确性。     

基于视觉注意的目标预检测模型

提出了一种从输入图像中提取一致性特征并将该特征融入视觉注意模型中的方法,它以Itti提出的视觉注意模型为基础,首先采用线性离散高斯滤波器对输入图像进行平滑和降采样,得到不同分辨率的子图像,建立输入图像的高斯金字塔结构.然后利用梯度结构张量计算各子图像的一致性并通过中央周边差操作得到一致性特征图,最后利用层间求和操作求得输入图像的一致性显著图引导注意.实验表明,在视觉注意模型的初级视觉特征提取阶段添加图像的一致性特征,能检测出Itti模型不能检测的一致性特征显著的感兴趣区域,而且能优先检测出具有特殊方向的目标.     

基于优化视觉词袋模型的图像分类方法

针对视觉词袋（BOV）模型中过大的视觉词典会导致图像分类时间代价过大的问题,提出一种加权最大相关最小相似（W-MR-MS）视觉词典优化准则。首先,提取图像的尺度不变特征转换（SIFT）特征,并用K-Means算法对特征聚类生成原始视觉词典;然后,分别计算视觉单词与图像类别间的相关性,以及各视觉单词间的语义相似性,引入一个加权系数权衡两者对图像分类的重要程度;最后,基于权衡结果,删除视觉词典中与图像类别相关性弱、与视觉单词间语义相似性大的视觉单词,从而达到优化视觉词典的目的。实验结果表明,在视觉词典规模相同的情况下,所提方法的图像分类精度比传统基于K-Means算法的图像分类精度提高了5.30%;当图像分类精度相同的情况下,所提方法的时间代价比传统K-Means算法下的时间代价降低了32.18%,因此,所提方法具有较高的分类效率,适用于图像分类。     

基于卷积神经网络的图像分类模型综述

卷积神经网络在计算机视觉等领域占有一席之地,利用局部连接、权值共享以及池化操作等特性,有效地提取图像的局部特征,降低网络复杂度,具有更少的参数量和更好的鲁棒性,因此,吸引了众多研究者的关注,使分类模型朝着更轻、更快、更高效的方向迅速发展。按照卷积神经网络发展的时间线,介绍了常用的典型网络模型,剖析了其创新点与优缺点,并对其未来的发展方向进行了展望。     

基于视觉注意力模型的高速铁路轨道病害检测

提出了基于视觉注意力模型的高速铁路轨道病害检测方法.采用基于稀疏采样和核密度估计的视觉注意力模型,得到高速铁路车载视频的显著图,进而提取视频中包含病害的区域;为了解决病害图像分类中的小样本问题,结合已标记样本和未标记样本,提出了基于生成模型的半监督分类方法,并用于高速铁路轨道病害识别分类.对3种典型的轨道病害进行了检查与识别实验,实验结果表明,该方法具有很高的检测率和识别率.     

基于视觉注意机制的遥感图像显著性目标检测

显著性目标检测是遥感图像处理的重要研究领域,传统的方法通过逐个像素点的计算来实现目标检测,难以满足遥感图像大面积实时处理的要求。将视觉注意机制应用到遥感图像的显著性目标检测中,在训练阶段,将所有的目标融合成目标类,所有的背景融合成背景类,目标类的显著性均值与背景类的显著性均值的比值得到一个权重向量;在检测阶段,所有的特征图乘以权重向量得到自顶向下的显著性图;自顶向下和自底向上的显著性图融合生成全局显著性图。实验结果表明当目标和背景不是总成对出现时,该方法的检测结果优于Navalpakkam模型和Frintrop模型的检测结果。     

基于图像一致性计算的目标识别算法

视觉计算模型集合了人类视觉系统(HVS)的复杂特征,并模拟了视觉输入的分层感知表达。自底向上机制是现代模型中最常见的特征,是指无意识的注意,所提出的一致计算方法模拟自底向上视觉注意,并通过一致区域的计算来达到目标识别的目的。所提模型主要基于对HVS行为的目前的理解,使用对比敏感度函数、感知分解、视觉掩蔽形成一个神经性视觉空间,并在此基础上使用center-surround交互、感知编组和显著图的建立来得到最终的显著图。所提模型的性能通过使用自然图像来进行评估,并将其结果与参照的经典的自底向上模型进行对比,结果表明该模型实效性高。     

虚拟驾驶员视觉注意力模型研究

为提高驾驶员视觉感知行为仿真的逼真性,注意力模型成为驾驶行为研究的重点。介绍了注意力的认知模型,根据注意力的双加工理论,建立了虚拟驾驶员视觉注意力模型,将视觉注意过程分为预注意和集中注意两个阶段,在预注意阶段,基于图像的相位谱信息建立了图像的特征显著图,实现注意的自下而上过程。使用RBF网络实现了预注意阶段的自下而上和自上而下两个过程的结合。在集中注意阶段,实现了注意力的聚焦效应。对视觉注意力模型进行了仿真实验,验证了模型的有效性,为虚拟驾驶员视觉感知行为建模与仿真提供了基础。     

目标跟踪的视觉注意计算模型

借鉴心理学中有关视觉注意的研究成果,提出一种应用于视频图像序列的注意焦点计算模型。针对Itti模型算法计算复杂度高、运算速度慢等缺点,通过对注意焦点的跟踪来降低计算量,实现注意焦点的实时监测。利用相邻帧之间的相似性,通过加权颜色直方图,以最大匹配度作为预测模型,得到下一帧注意焦点的位置。实验结果表明,该注意焦点计算鲁棒性较好,可以满足动态场景实时监测的 需要。     

基于改进边缘检测的视觉注意计算模型

本文主要针对传统Itti视觉注意计算模型,引入边缘特征信息,优化视觉注意计算模型.在引入边缘特征信息的过程中,本文对Canny边缘检测算法进行改进：以改进后的双边滤波算法代替高斯滤波从而更好的保持边缘,借鉴Sobel算子从4个方向计算梯度幅值来代替原方法中的从2个方向来计算的过程,利用改进的OTSU算法选取双阈值代替手动设置阈值,从而降低图像分割时的误检、漏检现象.在实验中,我们发现,该方法相较于建立在普通Canny算法基础上的Itti视觉注意计算模型,对显著区域的提取效果上有很大的提高.     

基于自顶向下视觉注意的遥感影像目标检测

针对遥感影像数据量大、背景复杂、目标自身信息不足等问题,提出一种基于自顶向下视觉注意的遥感影像目标检测方法。根据目标外观线索优先选择与其特征相符的图像区域,以提高目标检测的效率,依据上下文线索将搜索集中在最可能出现目标的环境区域,以保证目标检测的可靠性。实验结果证明,该方法能提高目标检测的效率和正确率。     

一种基于视觉注意模型的图像分类方法

视觉选择性注意机制是人类视觉系统的重要组成部分。近年来的研究表明,自下而上的视觉选择性注意模型在物体识别等方面得到了良好的应用。但是,视觉选择性注意模型在描述图像内容时存在着明显的不足,一个显著的特征在某些情况下可能不会得到注意,人眼更可能会注意到一幅图像里比较稀少的特征。针对上述情况,提出了一种基于视觉选择性注意模型和全局稀少性相结合的视觉注意模型进行图像分类。实验结果表明,该方法在多类物体分类中达到97.74%的总准确率,取到了非常好的效果。     

一种用于复杂目标感知的视觉注意模型

针对自然场景图像中复杂结构目标的快速定位问题,提出一种新的视觉注意模型。对目标进行学习提取显著性图斑,将图斑的特征信息、异质图斑之间的相对位置关系引入视觉注意过程,采用基于图匹配的图斑搜索策略合并与目标特征相似的异质图斑,从而获得注意焦点。与自底向上的视觉注意模型进行实验对比,结果表明该模型能引入复杂结构目标的特征信息和结构信息,降低无效关注次数,提高视觉注意的效率。     

A New Medical Image Enhancement Based on Human Visual Characteristics

Study of image enhancement shows that the quality of image heavily relies on human visual system. In this paper, we apply this fact effectively to design a new image enhancement method for medical images that improves the detail regions. First, the eye region of interest （ROI） is segmented; then the Un-sharp Masking （USM） is used to enhance the detail regions. Experiments show that the proposed method can effectively improve the accuracy of medical image enhancement and has a significant effect.     

基于运动注意力融合模型的目标检测与提取算法

针对全局运动场景下目标检测与提取方法的局限性,文中根据运动注意力形成机理,构建一种运动注意力时-空融合模型用于运动目标的检测与提取。该算法首先对运动矢量场进行叠加和滤波等预处理。然后根据运动矢量在时间和空间上的变化特点定义运动注意力融合模型,并采用该模型检测运动目标区域。最后利用形态学和边界跟踪方法对目标区域进行精确化提取。根据多个不同全局运动视频场景的测试结果,显示该算法比其它算法具有更好的准确性和实时性。