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

【摘要】：在計算機視覺領(lǐng)域中,構(gòu)造視覺注意模型提取圖像的顯著圖是近年的一個研究熱點。然而,由于現(xiàn)實中圖像前景和背景千變?nèi)f化,而且交織在一起,錯綜復(fù)雜,想要準確地提取圖像的顯著區(qū)域極具挑戰(zhàn)。近年來,隨著顯著性檢測技術(shù)的不斷發(fā)展,使得人們能夠在目標檢測過程中,選擇圖像中“有用”的數(shù)據(jù)進行計算,這不僅降低了計算復(fù)雜度與內(nèi)存開銷,而且由于剔除了冗余信息,也提高了檢測的準確性。因此,研究如何利用這些選擇后的數(shù)據(jù)進行目標檢測變得十分有意義。本文首先提出了一種基于背景知識學習的視覺注意模型。該模型在提取顯著圖時主要包含兩個步驟,第一步是計算圖像中超像素的權(quán)重值,第二步則是利用局部加權(quán)對比度來計算超像素的顯著值。針對這兩個步驟,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)測三個部分。在此基礎(chǔ)上,本文提出了一種基于局部加權(quán)對比度的顯著值計算方法,該方法以超像素為計算單元,計算每個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。實驗結(jié)果表明,本文提出的基于背景知識學習的視覺注意模型能夠有效地提高檢測精度,與已有模型相比,本文模型在MSRA1000和ECSSD兩個公共數(shù)據(jù)集上檢測得到的顯著圖具有更高的分辨率和平均精度,目標區(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)學習的目標檢測算法。該方法首先利用本文提出的視覺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)化問題來確定窗口質(zhì)量函數(shù)的最優(yōu)參數(shù),最后,利用動態(tài)規(guī)劃算法來計算窗口質(zhì)量函數(shù)的極值點,該極值點的坐標即為目標窗口的位置。相比于文獻[1]提出的目標檢測模型,本文提出的目標檢測算法在MSRA1000和ECSSD兩個公共數(shù)據(jù)集上的檢測結(jié)果具有更高的精度。同時,檢測結(jié)果表明本文提出的視覺注意模型與文獻[2]提出的模型相比,在目標檢測方面具有更大的優(yōu)勢。
【關(guān)鍵詞】：視覺注意模型 超像素 局部加權(quán)對比度 顯著圖 目標檢測窗口質(zhì)量函數(shù) 貝葉斯概率模型
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：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 國內(nèi)外研究現(xiàn)狀16-21
• 1.2.1 視覺注意模型研究現(xiàn)狀16-19
• 1.2.2 目標檢測研究現(xiàn)狀19-21
• 1.3 本文的主要研究內(nèi)容和創(chuàng)新成果21-23
• 1.3.1 主要研究內(nèi)容21
• 1.3.2 創(chuàng)新成果21-23
• 第二章 視覺注意模型理論研究23-35
• 2.1 引言23
• 2.2 經(jīng)典視覺注意模型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 基于背景知識學習的視覺注意模型35-55
• 3.1 引言35
• 3.2 超像素提取與權(quán)重計算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45-46
• 3.3 基于圖像頂層語義信息的顯著值計算46-49
• 3.4 實驗結(jié)果與分析49-53
• 3.4.1 實驗數(shù)據(jù)集49
• 3.4.2 實驗參數(shù)49-50
• 3.4.3 實驗結(jié)果50-53
• 3.5 本章小結(jié)53-55
• 第四章 基于視覺注意模型的目標檢測55-69
• 4.1 引言55
• 4.2 傳統(tǒng)基于視覺注意模型的目標檢測方法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 基于改進的MSR函數(shù)的目標檢測59-63
• 4.3.1 基于貝葉斯概率模型的參數(shù)學習59-61
• 4.3.2 動態(tài)規(guī)劃算法61-63
• 4.4 實驗結(jié)果與分析63-65
• 4.4.1 實驗參數(shù)63-64
• 4.4.2 實驗結(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 未來工作展望70-71
• 參考文獻71-77
• 致謝77-79
• 攻讀學位期間發(fā)表的學術(shù)論文目錄79

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張桂林，，熊艷，曹偉，李強;一種評價自動目標檢測算法性能的方法[J];華中理工大學學報(社會科學版);1994年05期

2 秦劍;陳錢;錢惟賢;;基于背景分類的弱小目標檢測算法[J];光電工程;2011年01期

3 蔣建國;吳暉;齊美彬;張莉;;攝像機旋轉(zhuǎn)運動下的快速目標檢測算法[J];圖學學報;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檢測算法[J];儀器儀表學報;2013年06期

5 李大輝;金濤;;弱小目標檢測算法的設(shè)計與分析[J];中國科技信息;2013年16期

6 張明艷;許鋼;孟櫻;;基于時空特性的運動目標檢測算法研究[J];安徽工程大學學報;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檢測算法研究[J];國防科技大學學報;2000年04期

8 李維雅,董能力,金鋼,李正周;弱小目標檢測算法性能評價的回歸分析方法[J];光電工程;2005年02期

9 高陳強;田金文;王鵬;;基于時域特性分析的紅外運動小目標檢測算法[J];紅外與激光工程;2008年05期

10 曾脈;左志宏;常曉夫;何煊;;一種準確而快速的運動目標檢測算法[J];成都信息工程學院學報;2008年04期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 高飛;蔣建國;安紅新;齊美彬;;一種快速運動目標檢測算法[A];全國第22屆計算機技術(shù)與應(yīng)用學術(shù)會議(CACIS·2011)暨全國第3屆安全關(guān)鍵技術(shù)與應(yīng)用（SCA·2011）學術(shù)會議論文摘要集[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檢測算法[A];第八屆全國信號與信息處理聯(lián)合學術(shù)會議論文集[C];2009年

3 鄧宇;陳孝威;;綜合利用時空信息的運動目標檢測算法[A];第二屆和諧人機環(huán)境聯(lián)合學術(shù)會議(HHME2006)——第15屆中國多媒體學術(shù)會議(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檢測算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學術(shù)會議論文集[C];2009年

5 顧靜良;萬敏;張衛(wèi);鄭捷;;低對比度弱小目標檢測算法[A];中國工程物理研究院科技年報（2005）[C];2005年

6 黃龔;鄭錦;劉養(yǎng)科;;攝像機水平巡掃時的運動目標檢測算法[A];第六屆和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2010)、第19屆全國多媒體學術(shù)會議（NCMT2010）、第6屆全國人機交互學術(shù)會議（CHCI2010）、第5屆全國普適計算學術(shù)會議（PCC2010）論文集[C];2010年

7 張國華;;一種基于導引頭穩(wěn)定平臺結(jié)構(gòu)的目標檢測算法[A];第九屆全國光電技術(shù)學術(shù)交流會論文集（下冊）[C];2010年

8 王正;劉瑞華;;基于PTZ攝像機的運動目標檢測算法[A];全國第一屆嵌入式技術(shù)聯(lián)合學術(shù)會議論文集[C];2006年

9 王彪;王成儒;王芬芬;;一種改進的運動目標檢測算法[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學術(shù)會議論文集[C];2007年

10 劉琳;顧國華;錢惟賢;陳錢;徐富元;;目標檢測算法的研究以及SRIO協(xié)議在目標檢測的應(yīng)用[A];第八屆華東三省一市真空學術(shù)交流會論文集[C];2013年

中國博士學位論文全文數(shù)據(jù)庫 前5條

1 王海豐;基于機器視覺的剖竹機加工目標檢測算法研究[D];東北林業(yè)大學;2015年

2 王俊強;圖像中人體目標檢測算法研究[D];北京郵電大學;2012年

3 郭明瑋;基于視覺記憶的目標檢測算法：一個特征學習與特征聯(lián)想的過程[D];中國科學技術(shù)大學;2014年

4 臧風妮;智能視頻監(jiān)控中海面艦船目標檢測算法研究[D];中國海洋大學;2014年

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

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 劉恒建;基于FPGA+DSP的運動目標檢測系統(tǒng)的設(shè)計與實現(xiàn)[D];南京理工大學;2015年

2 賈建英;視頻序列中運動目標檢測算法研究[D];長安大學;2015年

3 周亞運;基于TMS320DM642平臺的紅外運動目標檢測算法設(shè)計[D];南京理工大學;2015年

4 姚丹;基于多光譜信息融合的弱小運動目標檢測技術(shù)研究[D];哈爾濱工業(yè)大學;2015年

5 劉培培;基于區(qū)域特征的運動目標檢測算法的研究與開發(fā)[D];廣西大學;2015年

6 崔璇;天空背景下紅外小目標檢測算法研究[D];陜西師范大學;2015年

7 范肖肖;基于視覺注意機制的目標檢測算法的研究[D];電子科技大學;2015年

8 丁嬋;運動目標檢測算法在嵌入式平臺的研究[D];電子科技大學;2015年

9 張冠雄;基于標簽傳播的顯著性目標檢測算法研究[D];大連理工大學;2015年

10 李建波;視頻監(jiān)控中運動目標檢測算法的研究[D];哈爾濱工業(yè)大學;2014年

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

本文編號：309477