一种改进的显著性目标检测方法

针对传统方法无法很好地处理复杂背景下显著目标尺度和位置变化大，导致其检测精度较低的问题，文中提出一种改进的显著性目标检测方法。该方法是由卷积神经网络（CNN）与循环神经网络（RNN）相结合的深度学习模型，首先利用显著目标的时间、空间和局部约束特征来实现全局优化；然后，通过卷积神经网络提取显著目标区域以及循环神经网络捕获时间、空间和局部约束特征来检测显著性目标，从而有效地提高复杂背景下显著性目标检测的精度。将文中算法与其他方法在公开的显著性目标数据集上进行对比，并对F-measure、MAE值进行评估。结果表明，所提算法在检测精度和速度方面均有良好的效果，相比于其他方法，该算法对绝大部分实验数据可进行精确的定位检测，包括单个目标、多个目标检测以及光线不良的夜晚条件检测等情况，且具有最低的MAE值，能够提升模型的检测性能。