基于流形排序和联合连通性先验的显著性目标检测

为了进一步提高显著性目标检测的准确性,提出基于不同特征流形排序和联合连通性先验的显著性检测算法.针对现有基于流形排序的算法在图的构建中存在的边权重计算和顶点的连接问题,使用不同种特征计算顶点间边的权重,并且改进顶点的连接方式,得到流形排序显著图.同时结合边界连通性先验和前景连通性先验得到联合连通性先验显著图.在不同尺度下进一步融合两种显著性结果,得到最终的显著图.通过与16种算法在4种数据集上的对比表明,文中算法可以得到更清晰、准确的检测结果.     

基于图像显著性检测的图像分割

图像分割在许多图像处理和机器视觉问题中是一个非常重要的过程,是将一幅图分割成几个显著的区域,然而不能将其中最显著的目标直接分割出来,需要进一步处理。为此本文采用显著性检测的算法实现了对目标的分割。显著性区域检测可以应用于目标检测、图像检索、图像分割等机器视觉问题。使用杨等人提出的基于图论的流形排序算法检测显著性算法得到显著性图,再结合mean-shift分割算法,实现了对视觉显著性目标分割提取,可获得可观的图像分割结果,并将此算法应用到了森林火灾检测中,能对图像中的火焰部分进行有效的分割提取。     

基于灰度直方图的背景差目标检测算法

提出了一种基于灰度直方图的目标检测方法。背景差法和帧间差法是两种比较常用的目标检测方法。利用图像灰度直方图进行背景建模,然后提取视频序列中的一帧图像与背景模型进行对比分析,设定一个阈值来判断当前帧与背景模型之间的差异性,以此可以快速判断是否有目标出现。实验结果表明,此方法简单有效、计算复杂度低,能够快速地检测出视频序列中的目标。     

基于视觉显著性的水面垃圾目标检测

针对实际水面复杂环境提出了一种基于视觉显著性的水面垃圾目标检测算法。首先对输入图像进行超像素分割,在CIELab、RGB和HSV颜色空间中提取超像素级的显著性特征,然后使用随机森林回归器将显著性特征进行融合得到疑似显著性图,并使用自适应阈值分割得到疑似二值显著性图,最后使用MLP分类器对原始图像中的疑似垃圾目标区域进行判别,去除水波、倒影和反光的干扰,最终检测出水面的垃圾目标。实验结果表明所提基于视觉显著性的水面垃圾目标检测算法的性能优于其他水面目标检测算法。     

一种基于深度网络的显著性目标检测算法

针对目前已有显著性目标检测算法精度不高以及目标边缘模糊等问题,给出一种基于深度网络的显著性目标检测算法.该算法设计一个端到端的多尺度全卷积网络,在原始输入图像中运行一次即可直接得到像素级的显著性图像;通过基于图像四边的边界先验知识改进GMR流形排序算法,根据前景与背景是相对的这一理论提出背景计算;采用基于完全连接的C ...     

基于深度学习的显著性目标检测综述

显著性目标检测通过模仿人的视觉感知系统,寻找最吸引视觉注意的目标,已被广泛应用于图像理解、语义分割、目标跟踪等计算机视觉任务中。随着深度学习技术的快速发展,显著性目标检测研究取得了巨大突破。本文总结了近5年相关工作,全面回顾了3类不同模态的显著性目标检测任务,包括基于RGB图像、基于RGB-D/T(Depth/Thermal)图像以及基于光场图像的显著性目标检测。首先分析了3类研究分支的任务特点,并概述了研究难点;然后就各分支的研究技术路线和优缺点进行阐述和分析,并简单介绍了3类研究分支常用的数据集和主流的评价指标。最后,对基于深度学习的显著性目标检测领域未来研究方向进行了探讨。     

利用背景先验的显著性检测算法

目的 针对图像的显著区域检测问题,提出一种利用背景先验知识和多尺度分析的显著性检测算法。方法 首先,将原始图像在不同尺度下分解为超像素。然后,在每种尺度下根据各超像素之间的特征差异估计背景,提取背景区域,获取背景先验知识。根据背景先验计算各超像素的显著性,得到显著图。最后,将不同超像素尺度下的显著图进行融合得到最终显著图。结果 在公开的MASR-1000、ECSSD、SED和SOD数据集上进行实验验证,并和目前流行的算法进行实验对比。本文算法的准确率、召回率、F-Measure以及平均绝对误差均在4个数据集上的平均值分别为0.718 9、0.699 9、0.708 6和0.042 3,均优于当前流行的算法。结论 提出了一种新的显著性检测算法,对原始图像进行多尺度分析,利用背景先验计算视觉显著性。实验结果表明,本文算法能够完整、准确地检测显著性区域,适用于自然图像的显著性目标检测或目标分割应用。     

基于场景几何信息的显著性目标检测方法综述

显著性目标检测在图像和视频压缩、伪装物体检测、医学图像分割等领域具有重要作用.随着深度传感器和光场技术的广泛应用,深度图像和光场数据等场景几何信息开始应用于显著性目标检测,可提升模型在复杂场景下的性能,由此学者们提出一系列基于场景几何信息的显著性目标检测方法.文中旨在分析总结经典的基于场景几何信息的显著性目标检测方法.首先,介绍方法的基本框架及评估标准.然后,围绕多模态特征融合、多模态信息优化、网络模型轻量化三方面,分类概述和分析经典的RGB-D显著性目标检测方法和光场显著性目标检测方法.同时,详细介绍基于场景几何信息的显著性目标检测方法的工作进展.最后,讨论方法目前存在的问题,展望未来的研究方向.     

基于Manifold Ranking和结合前景背景特征的显著性检测

针对基于图和流形排序（Manifold Ranking）的显著性检测算法（MR算法）过度依赖边界节点的背景特征的问题,提出一种改进的结合前景背景特征的显著性检测算法。首先,对图像进行超像素分割,建立闭环图模型;然后利用流形排序算法根据图像前景特征和背景特征分别得出前景种子和背景种子;再通过亮度和颜色特征对两类种子进行结合,筛选出更为准确的查询节点;最后再利用流形排序算法进行显著值计算,得到最终的显著图。实验表明,改进方法与MR算法相比在精确率、召回率、F值等多个评价指标上均有明显提升,得到的显著图更接近真值。     

基于对比度的背景先验显著性检测算法

图像显著性检测的研究已经成为了一个热门领域,应用范围很广.基于背景先验的算法,可以使显著目标较好地突显,使显著图更清晰,但背景先验依赖于图像中背景的有关先验理论,对于背景复杂图像的处理效果不好.针对以上问题,建立基于对比度的背景先验算法,算法首先将局部和全局显著图在一定方式下融合,然后,利用融合算法的结果提取图像边界区...     

改进背景先验和前景先验的显著性检测

针对传统的流行排序显著性检测算法存在的问题,本文提出了改进背景先验和前景先验的显著性检测.首先计算图像的凸包,并将图像分割成不同尺度的超像素;然后以凸包区域之外的超像素为背景种子,结合多尺度下图像的多种底层特征得到最终的背景显著图;第三,以凸包区域之内的超像素为前景种子,结合多尺度下图像的多种底层特征得到最终的前景显著...     

基于五帧差分和背景差分的运动目标检测算法

静态背景下运动目标检测的抗噪性能较差。为此,提出一种改进的运动目标检测算法。对原始图像进行预处理,将五帧差分和背景差分相结合,利用基于自适应背景模型的动态阈值,提取图像中的运动区域,并进行形态学滤波和连通性检测,最终获取运动前景目标。实验结果表明,该算法能完整提取运动目标,背景适应性强,实时性好。     

基于背景评估的贝叶斯模型显著性检测

针对自然图像中,复杂背景信息对显著性目标检测的影响,提出一种利用背景信息进行预测和贝叶斯模型选择优化的显著性检测方法。首先,为了提取完整的先验信息,根据背景信息与图像边界的连通性,以及对图像边界是否为背景进行评估来生成先验显著图。其次,为了降低背景信息的干扰,通过对流行排序算法生成的显著图进行角点检测,选择较为准确的显著点构造凸包。最后,利用贝叶斯模型进行选择优化来抑制和显著目标具有相同特征的背景信息。在2个公开的数据集上进行测试,并与4种性能较好的显著性检测算法对比,结果显示本文算法可提高显著性检测的准确性和区域的完整性。     

基于背景差分和三帧差分的运动目标检测

为了提高运动目标检测算法的准确性和对背景变化的适应性,本文采用了三帧差分与基于单高斯模型背景差分法相结合的算法,并通过最大类间方差法提取自适应阈值。引入一个新的背景更新机制,当运动物体融入背景或者背景中物体移除时,将背景更新为当前视频帧。实验结果表明,本文算法在对运动目标进行检测时,不易受背景光线变化及运动物体融入背景等因素的影响,适用于无人监控环境。     

基于时空背景差的运动目标检测算法

假定图像序列的背景图像已经获得,提出一种基于时空背景差的运动目标检测算法.该算法融合背景差分、基于时间信息的帧间差分及基于空间信息的背景差分信息,得到真实运动物体的运动种子点,认为背景差分图像中包含运动种子点的连通区域为真实的前景目标,从而可以检测出正确而完整的前景目标.仿真实验表明,该算法可以避免背景模型对场景的表征不足及背景更新阶段造成的错误检测,即使在场景中存在微小运动的复杂环境下,仍能实现准确的运动分割.     

一种改进的基于背景差分的运动目标检测方法

针对传统运动目标检测方法存在的缺点和不足,在对现有目标检测算法进行分析对比的基础上,设计并实现了一种简单有效的目标检测方案。首先提出了一种基于像素灰度归类和单高斯模型的背景重构算法,进而以此为基础采用背景差分法进行目标的检测,同时采用分层背景更新算法较好地解决了"拖影"和光照大面积变化的情况,最后给出了一种解决阴影的简单算法。实验结果表明,该算法高效、快速,可以满足实时检测的需要。     

基于自适应背景模型运动目标检测

随着城市化速度的加快,机动车日益普及,人们在享受机动车所带来的巨大便利的同时,也面临着交通拥挤的困扰。随着计算机硬件技术和计算机视觉技术的发展,基于计算机视觉的交通监控系统成为可能。从一个交通视频序列中识别出运动物体是许多交通监控系统应用系统的重要任务,针对该问题,提出了一种建立在对视频序列中的整个背景情景的统计描述基础上的运动目标的检测的有效方法,该方法能够适应变化的背景,具有较强的鲁棒性和较好的实时性。     

基于鲁棒背景运动补偿的运动目标检测算法*

提出一种用仿射参数模型来近似场景中摄像机的复杂运动,采用参数化的多分辨率估计方法鲁棒地估计出仿射参数;然后在当前帧与运动补偿后的帧之间求光流场,得到目标轮廓的初始分割;最后通过聚类和搜索填充算法分割出完整的目标.试验结果表明,该运动补偿算法能有效消除摄像机运动引起的背景运动,在摄像机运动情况下得到完整的目标.     

基于模糊推理背景分割的目标检测方法

为解决传统背景差分法存在的背景更新缓慢问题,提出基于模糊推理背景分割的目标检测方法。该方法在传统的背景差分方法中引入帧间差分方法,结合IF THEN推理规则进行模糊推理,实现了背景的快速更新及目标的正确检测。引入抗噪声推理机制,抑制跟踪目标抖动,增强方法鲁棒性。通过对鱼的运动检测实验表明,该方法能有效快速地提取干净的背景,对运动目标进行实时检测。