基于空时显著性感知的运动目标检测方法*

从视觉系统生理结构出发,对Itti视觉注意力模型进行了改进,融入运动特征,提出了一种基于视觉空时显著性感知的运动目标检测方法。首先提取图像的空间特征,形成空间显著图;然后利用相邻帧图像的全局运动、局部运动和相对运动,确定运动目标与背景的运动差异,形成运动显著图,并且对各显著区的空间特征和运动特征进行融合形成空时显著图,检测出运动目标。理论分析和实验结果表明,该方法能快速、准确地发现目标,减少目标的截获时间,提高目标跟踪性能。     

融合空时显著性的运动目标检测方法

针对视频中显著性的运动目标检测问题,为解决显著性在运动目标检测中存在空时显著性简单融合和忽略时间显著性的问题,提出一种用人类视觉特性的运动目标检测方法.改进方法以提取的图像空间特征为基础,生成空间显著图,利用核密度估计,计算时间显著图;对空间显著性和时间显著性进行所占权重的计算,根据所计算的权值进行空间、时间显著图融合,生成空时显著图,得到检测出的运动目标.实验结果表明,改进方法能准确、快速地检测出运动目标,减少计算时间,提高检测目标的准确率.     

基于运动显著性的移动镜头下的运动目标检测

针对移动镜头下的运动目标检测中的背景建模复杂、计算量大等问题,提出一种基于运动显著性的移动镜头下的运动目标检测方法,在避免复杂的背景建模的同时实现准确的运动目标检测。该方法通过模拟人类视觉系统的注意机制,分析相机平动时场景中背景和前景的运动特点,计算视频场景的显著性,实现动态场景中运动目标检测。首先,采用光流法提取目标的运动特征,用二维高斯卷积方法抑制背景的运动纹理;然后采用直方图统计衡量运动特征的全局显著性,根据得到的运动显著图提取前景与背景的颜色信息;最后,结合贝叶斯方法对运动显著图进行处理,得到显著运动目标。通用数据库视频上的实验结果表明,所提方法能够在抑制背景运动噪声的同时,突出并准确地检测出场景中的运动目标。     

基于视觉显著性的均值漂移跟踪算法

为解决突变运动下的目标跟踪问题,提出了一种基于视觉显著性的均值漂移跟踪算法,将视觉注意机制运用到均值漂移跟踪框架中,利用时空显著性算法对视频序列进行检测,生成视觉显著图,从视觉显著图对应的显著性区域中建立目标的颜色特征表示模型来实现运动目标跟踪.实验结果表明:该算法在摄像机摇晃等动态场景下可以较准确检测出时空均显著的目标,有效克服了在运动目标发生丢失和遮挡等情况下跟踪不稳定的问题,具有较强的鲁棒性,从而实现复杂场景下目标较准确的跟踪.     

融合时空上下文的复杂背景下多运动目标检测

针对目标进、出视场和被部分遮挡情况下检测率低的问题,提出一种联合时空上下文的多运动目标检测算法STC-MMTD。首先,利用时间上下文信息,基于前后向运动历史图提取候选目标区域;然后,利用空间上下文信息和目标表观信息,通过基于稀疏编码的CRF模型计算目标置信度图;最后,计算候选目标区域的目标置信度,检测出多运动目标。实验结果表明,所提算法具有良好的检测性能,在保证较高定位精度的同时,查全率、查准率和F测度均高于其他多目标检测算法的。     

基于频域与空间域分析的显著区域检测算法

显著区域检测对于多种计算机视觉应用有所帮助,如图像分割、目标识别、图像检索及自适应压缩。为此,提出一个基于频域与空间域分析的显著区域检测算法。通过拥有不同尺寸窗口的中值滤波器对不显著的区域进行抑制,根据空间信息选择最佳的显著图。与 5个经典算法的比较实验结果表明,利用该算法得到的显著图既去除了背景,又突出了整个显著物体。     

一种面向视觉注意区域检测的运动分割方法*

结合视觉显著区检测的特点,本文提出一种面向视觉注意区域检测的运动分割方法。该方法用一种层次聚类方法将特征点的运动轨迹进行聚类。首先用中值偏移算法扩大了不同类型运动之间特征向量的差距,同时缩小了相同运动类型的差别。继而,用一种无监督聚类算法,将不同类型的运动进行分割,同时自动获得运动分类数。最后利用运动分割结果,提出一种结合空间和颜色采样的运动显著区域生成方法。与以往方法相比,该方法能够将不同类型的运动自动进行分割,生成的视觉注意区域更为准确,而且稳定性大幅提高。实验结果证明了该方法的有效性和稳定性。     

融合前景信息的背景模板优化显著性检测算法

当显著目标位于图像边界时,已有显著性检测模型往往将显著性区域误检为背景模板,导致检测效果不佳。为此,提出一种背景模板优化的显著性检测算法。设计一种选择策略移除图像边界区域的显著超像素模块,建立改进的背景模板后计算基于背景的显著图,从该显著图中得到紧凑的前景区域,描述显著目标的外观和位置后计算基于前景的显著图。在此基础上,将2个显著图进行融合,通过一种能量函数对其进行改善,得到最终平滑和精确的显著图。实验结果表明,相对SEG、CA等算法,该算法能提高目标检测的精确率与召回率。     

运动人体感兴趣区域的自动检测

人体运动自动检测与跟踪是人工智能系统的重要研究方向.提出了一种简单高效的人体感兴趣区域--ROI的自动检测方法.该方法运用帧差法和图像显著图算法模拟人眼视觉系统对运动人体注视点的形成过程,并通过联合显著区域的划定自动检测形成相应的运动人体ROI.实验结果表明,该方法检测出的人体ROI符合人眼观察运动目标时的视觉关注区域,可运用于后续基于颜色特征区域的运动人体跟踪.     

全局孤立性和局部同质性图表示的随机游走显著目标检测算法

目前的显著性检测算法主要依赖像素间的相互对比,缺乏对显著目标自身特性的分析理解. 依据显著目标是显眼、紧凑和完整的思路,提出一种基于目标全局孤立性和局部同质性的 随机游走显著目标检测算法,将视觉显著性检测公式化为马尔科夫随机游走问题. 首先将输入图像进行分块,根据像素块之间颜色特征和方向特征的相似性确定边的权重, 从而构建图模型;然后通过全连通图搜索提取全局特性,突出全局较孤立的区域; 同时通过k-regular图搜索提取局部特性,增强局部较均匀的区域;最后将全局特性和局部 特性相结合得到显著图,进而确定感兴趣区域位置. 实验结果表明,相比于其他两种具有代表性的算法,所提方法检测结果更加准确、合理, 证明该算法切实可行.     

结合目标色彩特征的基于注意力的图像分割

提出一种基于注意力的图像分割算法,在视觉场景选择机制基础上结合目标色彩特征的任务驱动机制,形成了自下而上和自上而下的注意力集成分割机理。该算法在图像的多尺度空间中,把视觉场景的亮度、颜色和方向特征与任务目标色彩特征同时进行提取,生成场景和目标相结合的显著图,然后在基于视觉注意力图像空间中对“场景-目标” 显著图进行归一化的跨尺度融合,最后通过双线性插值和显著图连通区域二值化分割出图像目标注意力焦点。应用该算法对自然场景与室内场景图像进行实验,结果表明该方法在各种环境中尤其是干扰物体较显著的情形下都能成功地分割提取出目标物体。     

基于融合显著图和高效子窗口搜索的红外目标分割

为了快速精确地分割红外图像目标,提出一种基于融合显著图和高效子窗口搜索的红外目标分割方法.在获取图像超像素的基础上,提取每个区域增强的Sigma特征,并考虑邻域对比度、背景对比度、空间距离和区域大小的影响,构建局部显著图,接着利用全局核密度估计构建全局显著图,然后融合局部和全局显著图实现图像显著性检测,最后应用高效子窗口搜索方法检测和筛选目标,实现红外目标分割.实验结果表明,新方法的显著图结果目标区域一致高亮且边缘清晰,背景杂波抑制效果好,可实现快速精确的目标分割.     

基于颜色和运动空间分布的时空显著性区域检测算法

针对复杂背景和运动条件下视频显著性区域检测准确度不高的问题,本文提出了一个新的时空一致性优化模型,并基于颜色空间分布和运动空间分布特征,结合时空一致性优化方法构建了一个新的时空显著性区域检测模型。首先对视频帧进行超像素分割,然后提取三种具有互补性质的超像素级颜色空间分布特征和两种运动空间分布特征,再利用时空一致性分别融合优化空间显著特征和时间显著特征得到空间显著图和时间显著图。在时空融合阶段,利用时空一致性模型融合空间显著度和时间显著度得到超像素级的时空显著图。为进一步提高检测的准确度和完整度,通过一个能量最小化模型得到更精确的像素级时空显著图。通过与最新的视频显著性模型进行比较,本文算法有更高的准确率,对复杂背景和运动条件有强的鲁棒性。     

结合稀疏重构与能量方程优化的显著性检测

针对现有算法在复杂背景图像显著目标检测中,存在背景被错误凸显的问题,为抑制背景提取更加准确的前景,提出一种结合稀疏重构与能量优化的显著性检测算法。首先将输入图像分割为超像素以去除不必要的细节;然后选取图像边界超像素作为背景模板,利用其作为稀疏字典计算重构误差,并作为超像素初始显著值;最后构造新的能量方程对初始显著值优化,并在优化后对其前景增强生成最终显著图。在包含真值图像的MSRA10K和ECSSD1000数据集上,将提出的算法与其他10种算法进行对比测试, PR曲线图,准确率P,F值的效果优于其他10种算法的结果。实验结果表明：本文算法在复杂背景图像的显著目标检测中,相比于已有的多种算法鲁棒性更好,能够对背景进行有效的抑制,提取显著目标也更加精确。     

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。     

基于分块双向二维主成分分析的步态识别

提出了一种基于步态能量图和分块双向二维主成分分析进行步态特征的算法。首先对图像序列预处理提取运动轮廓,通过分析区域分布直方图检测出运动周期,生成步态能量图描述步态的空间和时间特性,继而使用分块双向二维主成分提取步态特征用以分类,最后在USF步态数据库上测试,并与其它几个算法进行比较。实验结果显示,该方法有更高的识别率和更低的计算复杂度。     

一种自适应空间邻域的显著图获取方法研究

针对复杂背景下显著图提取精准度不高的问题, 提出了一套基于自适应空间邻域的获取方案。该方案考虑人眼神经元感受野的同心圆结构, 计算自适应圆形空间邻域; 然后结合二维正态分布的显著权值计算空间邻域内每个像素点的显著值, 获取图像的显著图, 再利用简单的阈值分割算法提取二值图像; 最后通过在两个自然图像集进行实验, 并与三种经典算法进行比较。实验结果表明, 该方法可以在复杂背景下有效地获取精确的显著图。     

多尺度上下文信息增强的显著目标检测全卷积网络

针对目前基于深度学习的显著目标检测算法存在的目标完整性和区域平滑度的不足,基于非局部深度特征提出一种多尺度上下文信息增强的全卷积网络算法,包含多级别特征提取、多尺度上下文特征增强、对比度特征提取和局部-全局信息融合预测4个模块.首先从VGG16模型提取多级别局部特征,利用多尺度上下文实现特征信息增强;然后设计组合的损失函数进行网络训练以学习对比度特征;最后用局部-全局融合的方式实现显著图的预测.与已有算法在ECSSD,HKU-IS和DUT-OMRON数据集上进行实验的结果表明,该算法在复杂场景图像上的鲁棒性更好,对背景噪声具有更有效的抑制作用,得到的显著目标区域更加连续和完整.     

基于显著图的红外弱小目标动态规划检测前跟踪算法

针对低信噪比复杂背景红外图像弱小目标检测虚警率高的问题,提出一种基于显著图的红外弱小目标动态规划检测前跟踪算法.该算法采用改进的局部区域差分算子提取显著图,根据注意力转移机制设计搜索策略,利用目标移动速度实时更新搜索范围,对多帧连续的显著图进行滤波跟踪,实现对红外图像弱小目标检测.实验结果表明,文中算法在对弱小目标进行有效检测的同时降低虚警率,提高了图像的检测效率.     

一种频域特征的飞机目标提取方法

针对军事遥感影像智能判读的目标定位与提取问题,将先验知识引入到目标提取过程中,提出一种基于频域特征的飞机目标提取方法.该方法通过绘制目标圆周剖面线将二维图像信号简化为一维信号,运用频谱能量的谐波叠置原理对飞机形状进行频谱分析,确定目标轮廓的固有频率;然后设计多尺度的Gabor滤波器组提取图像的纹理特征图,并进行特征图融合形成目标显著图;最后利用数学形态学的方法对目标显著图进行处理,得到最终的目标提取结果.实验结果表明,与基于无先验知识的视觉显著性目标检测方法相比,该方法抗干扰能力强,能够清楚、准确、完整地提取目标区域,是一种有效的飞机目标提取方法.