本文關(guān)鍵詞：面向目標(biāo)檢測(cè)的視覺(jué)注意模型研究，由筆耕文化傳播整理發(fā)布。

【摘要】：在計(jì)算機(jī)視覺(jué)領(lǐng)域中,構(gòu)造視覺(jué)注意模型提取圖像的顯著圖是近年的一個(gè)研究熱點(diǎn)。然而,由于現(xiàn)實(shí)中圖像前景和背景千變?nèi)f化,而且交織在一起,錯(cuò)綜復(fù)雜,想要準(zhǔn)確地提取圖像的顯著區(qū)域極具挑戰(zhàn)。近年來(lái),隨著顯著性檢測(cè)技術(shù)的不斷發(fā)展,使得人們能夠在目標(biāo)檢測(cè)過(guò)程中,選擇圖像中“有用”的數(shù)據(jù)進(jìn)行計(jì)算,這不僅降低了計(jì)算復(fù)雜度與內(nèi)存開(kāi)銷(xiāo),而且由于剔除了冗余信息,也提高了檢測(cè)的準(zhǔn)確性。因此,研究如何利用這些選擇后的數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)變得十分有意義。本文首先提出了一種基于背景知識(shí)學(xué)習(xí)的視覺(jué)注意模型。該模型在提取顯著圖時(shí)主要包含兩個(gè)步驟,第一步是計(jì)算圖像中超像素的權(quán)重值,第二步則是利用局部加權(quán)對(duì)比度來(lái)計(jì)算超像素的顯著值。針對(duì)這兩個(gè)步驟,本文首先提出了一種超像素加權(quán)模型框架,該框架包括超像素塊提取、形狀與顏色特征提取和權(quán)重值預(yù)測(cè)三個(gè)部分。在此基礎(chǔ)上,本文提出了一種基于局部加權(quán)對(duì)比度的顯著值計(jì)算方法,該方法以超像素為計(jì)算單元,計(jì)算每個(gè)超像素塊與其他超像素塊在顏色和空間信息上的差異,并將該差異值作為顯著值。實(shí)驗(yàn)結(jié)果表明,本文提出的基于背景知識(shí)學(xué)習(xí)的視覺(jué)注意模型能夠有效地提高檢測(cè)精度,與已有模型相比,本文模型在MSRA1000和ECSSD兩個(gè)公共數(shù)據(jù)集上檢測(cè)得到的顯著圖具有更高的分辨率和平均精度,目標(biāo)區(qū)域內(nèi)的顯著值分布更加均勻,前景與背景邊界更加明顯。本文還提出了一種基于參數(shù)學(xué)習(xí)的目標(biāo)檢測(cè)算法。該方法首先利用本文提出的視覺(jué)注意模型提取圖像的顯著圖,然后在顯著圖的基礎(chǔ)上構(gòu)造窗口質(zhì)量函數(shù),并建立基于貝葉斯概率模型的最優(yōu)化問(wèn)題來(lái)確定窗口質(zhì)量函數(shù)的最優(yōu)參數(shù),最后,利用動(dòng)態(tài)規(guī)劃算法來(lái)計(jì)算窗口質(zhì)量函數(shù)的極值點(diǎn),該極值點(diǎn)的坐標(biāo)即為目標(biāo)窗口的位置。相比于文獻(xiàn)[1]提出的目標(biāo)檢測(cè)模型,本文提出的目標(biāo)檢測(cè)算法在MSRA1000和ECSSD兩個(gè)公共數(shù)據(jù)集上的檢測(cè)結(jié)果具有更高的精度。同時(shí),檢測(cè)結(jié)果表明本文提出的視覺(jué)注意模型與文獻(xiàn)[2]提出的模型相比,在目標(biāo)檢測(cè)方面具有更大的優(yōu)勢(shì)。
【關(guān)鍵詞】：視覺(jué)注意模型 超像素 局部加權(quán)對(duì)比度 顯著圖 目標(biāo)檢測(cè)窗口質(zhì)量函數(shù) 貝葉斯概率模型
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP391.41
【目錄】：

• 摘要5-7
• ABSTRACT7-15
• 第一章 緒論15-23
• 1.1 本文研究目的及意義15-16
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀16-21
• 1.2.1 視覺(jué)注意模型研究現(xiàn)狀16-19
• 1.2.2 目標(biāo)檢測(cè)研究現(xiàn)狀19-21
• 1.3 本文的主要研究?jī)?nèi)容和創(chuàng)新成果21-23
• 1.3.1 主要研究?jī)?nèi)容21
• 1.3.2 創(chuàng)新成果21-23
• 第二章 視覺(jué)注意模型理論研究23-35
• 2.1 引言23
• 2.2 經(jīng)典視覺(jué)注意模型23-32
• 2.2.1 Itii模型23-26
• 2.2.2 基于圖(Graph Based,GB)的模型26-27
• 2.2.3 基于頻譜殘余(Spectrum Residual,SR)的模型27-28
• 2.2.4 基于上下文感知(Context Aware,CA)的模型28-30
• 2.2.5 基于頻率調(diào)諧(Frequency-Tuned,FT)的模型30
• 2.2.6 基于直方圖對(duì)比度(Histogram Contrast,HC)的模型30-31
• 2.2.7 基于區(qū)域?qū)Ρ榷?Region Contrast,RC)的模型31-32
• 2.3 本章小結(jié)32-35
• 第三章 基于背景知識(shí)學(xué)習(xí)的視覺(jué)注意模型35-55
• 3.1 引言35
• 3.2 超像素提取與權(quán)重計(jì)算35-46
• 3.2.1 超像素提取36-38
• 3.2.2 超像素特征表示38-45
• 3.2.3 權(quán)重預(yù)測(cè)45-46
• 3.3 基于圖像頂層語(yǔ)義信息的顯著值計(jì)算46-49
• 3.4 實(shí)驗(yàn)結(jié)果與分析49-53
• 3.4.1 實(shí)驗(yàn)數(shù)據(jù)集49
• 3.4.2 實(shí)驗(yàn)參數(shù)49-50
• 3.4.3 實(shí)驗(yàn)結(jié)果50-53
• 3.5 本章小結(jié)53-55
• 第四章 基于視覺(jué)注意模型的目標(biāo)檢測(cè)55-69
• 4.1 引言55
• 4.2 傳統(tǒng)基于視覺(jué)注意模型的目標(biāo)檢測(cè)方法55-59
• 4.2.1 顯著圖精度56
• 4.2.2 窗口質(zhì)量函數(shù)56-58
• 4.2.3 最優(yōu)化算法58-59
• 4.3 基于改進(jìn)的MSR函數(shù)的目標(biāo)檢測(cè)59-63
• 4.3.1 基于貝葉斯概率模型的參數(shù)學(xué)習(xí)59-61
• 4.3.2 動(dòng)態(tài)規(guī)劃算法61-63
• 4.4 實(shí)驗(yàn)結(jié)果與分析63-65
• 4.4.1 實(shí)驗(yàn)參數(shù)63-64
• 4.4.2 實(shí)驗(yàn)結(jié)果64-65
• 4.5 本章小結(jié)65-69
• 第五章 總結(jié)與展望69-71
• 5.1 全文工作總結(jié)69-70
• 5.2 未來(lái)工作展望70-71
• 參考文獻(xiàn)71-77
• 致謝77-79
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄79

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 張桂林，，熊艷，曹偉，李強(qiáng);一種評(píng)價(jià)自動(dòng)目標(biāo)檢測(cè)算法性能的方法[J];華中理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);1994年05期

2 秦劍;陳錢(qián);錢(qián)惟賢;;基于背景分類(lèi)的弱小目標(biāo)檢測(cè)算法[J];光電工程;2011年01期

3 蔣建國(guó);吳暉;齊美彬;張莉;;攝像機(jī)旋轉(zhuǎn)運(yùn)動(dòng)下的快速目標(biāo)檢測(cè)算法[J];圖學(xué)學(xué)報(bào);2012年03期

4 逯鵬;張姍姍;劉馳;黃石磊;湯玉合;;基于稀疏超完備表示的目標(biāo)檢測(cè)算法[J];儀器儀表學(xué)報(bào);2013年06期

5 李大輝;金濤;;弱小目標(biāo)檢測(cè)算法的設(shè)計(jì)與分析[J];中國(guó)科技信息;2013年16期

6 張明艷;許鋼;孟櫻;;基于時(shí)空特性的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[J];安徽工程大學(xué)學(xué)報(bào);2013年04期

7 徐振海,王雪松,肖順平,莊釗文;基于模糊融合的目標(biāo)檢測(cè)算法研究[J];國(guó)防科技大學(xué)學(xué)報(bào);2000年04期

8 李維雅,董能力,金鋼,李正周;弱小目標(biāo)檢測(cè)算法性能評(píng)價(jià)的回歸分析方法[J];光電工程;2005年02期

9 高陳強(qiáng);田金文;王鵬;;基于時(shí)域特性分析的紅外運(yùn)動(dòng)小目標(biāo)檢測(cè)算法[J];紅外與激光工程;2008年05期

10 曾脈;左志宏;常曉夫;何煊;;一種準(zhǔn)確而快速的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J];成都信息工程學(xué)院學(xué)報(bào);2008年04期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 高飛;蔣建國(guó);安紅新;齊美彬;;一種快速運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];全國(guó)第22屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議(CACIS·2011)暨全國(guó)第3屆安全關(guān)鍵技術(shù)與應(yīng)用（SCA·2011）學(xué)術(shù)會(huì)議論文摘要集[C];2011年

2 孫瑾秋;張艷寧;姜磊;王敏;;基于變換域特征的星空背景弱小目標(biāo)檢測(cè)算法[A];第八屆全國(guó)信號(hào)與信息處理聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2009年

3 鄧宇;陳孝威;;綜合利用時(shí)空信息的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議(HHME2006)——第15屆中國(guó)多媒體學(xué)術(shù)會(huì)議(NCMT'06)論文集[C];2006年

4 袁輝;孫卓;李德民;魏穎;;基于小波多尺度互能量交叉融合濾波的弱小目標(biāo)檢測(cè)算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

5 顧靜良;萬(wàn)敏;張衛(wèi);鄭捷;;低對(duì)比度弱小目標(biāo)檢測(cè)算法[A];中國(guó)工程物理研究院科技年報(bào)（2005）[C];2005年

6 黃龔;鄭錦;劉養(yǎng)科;;攝像機(jī)水平巡掃時(shí)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

7 張國(guó)華;;一種基于導(dǎo)引頭穩(wěn)定平臺(tái)結(jié)構(gòu)的目標(biāo)檢測(cè)算法[A];第九屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊(cè)）[C];2010年

8 王正;劉瑞華;;基于PTZ攝像機(jī)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];全國(guó)第一屆嵌入式技術(shù)聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2006年

9 王彪;王成儒;王芬芬;;一種改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

10 劉琳;顧國(guó)華;錢(qián)惟賢;陳錢(qián);徐富元;;目標(biāo)檢測(cè)算法的研究以及SRIO協(xié)議在目標(biāo)檢測(cè)的應(yīng)用[A];第八屆華東三省一市真空學(xué)術(shù)交流會(huì)論文集[C];2013年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前5條

1 王海豐;基于機(jī)器視覺(jué)的剖竹機(jī)加工目標(biāo)檢測(cè)算法研究[D];東北林業(yè)大學(xué);2015年

2 王俊強(qiáng);圖像中人體目標(biāo)檢測(cè)算法研究[D];北京郵電大學(xué);2012年

3 郭明瑋;基于視覺(jué)記憶的目標(biāo)檢測(cè)算法：一個(gè)特征學(xué)習(xí)與特征聯(lián)想的過(guò)程[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

4 臧風(fēng)妮;智能視頻監(jiān)控中海面艦船目標(biāo)檢測(cè)算法研究[D];中國(guó)海洋大學(xué);2014年

5 陳偉;基于PSO的復(fù)雜工業(yè)環(huán)境視覺(jué)目標(biāo)檢測(cè)算法應(yīng)用研究[D];武漢科技大學(xué);2008年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 劉恒建;基于FPGA+DSP的運(yùn)動(dòng)目標(biāo)檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];南京理工大學(xué);2015年

2 賈建英;視頻序列中運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[D];長(zhǎng)安大學(xué);2015年

3 周亞運(yùn);基于TMS320DM642平臺(tái)的紅外運(yùn)動(dòng)目標(biāo)檢測(cè)算法設(shè)計(jì)[D];南京理工大學(xué);2015年

4 姚丹;基于多光譜信息融合的弱小運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 劉培培;基于區(qū)域特征的運(yùn)動(dòng)目標(biāo)檢測(cè)算法的研究與開(kāi)發(fā)[D];廣西大學(xué);2015年

6 崔璇;天空背景下紅外小目標(biāo)檢測(cè)算法研究[D];陜西師范大學(xué);2015年

7 范肖肖;基于視覺(jué)注意機(jī)制的目標(biāo)檢測(cè)算法的研究[D];電子科技大學(xué);2015年

8 丁嬋;運(yùn)動(dòng)目標(biāo)檢測(cè)算法在嵌入式平臺(tái)的研究[D];電子科技大學(xué);2015年

9 張冠雄;基于標(biāo)簽傳播的顯著性目標(biāo)檢測(cè)算法研究[D];大連理工大學(xué);2015年

10 李建波;視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)算法的研究[D];哈爾濱工業(yè)大學(xué);2014年

  本文關(guān)鍵詞：面向目標(biāo)檢測(cè)的視覺(jué)注意模型研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：309477