基于卷积神经网络的光场显著性检测研究
发布时间：2021-08-21 08:17
显著性检测一直以来都是计算机视觉领域的关键问题之一,其在视觉跟踪、图像压缩和目标识别等方面有着非常重要的应用。基于传统RGB图像和RGB-D图像的显著性检测易受复杂背景、光照、遮挡等因素的影响,导致在复杂场景下的检测精度较低,鲁棒的显著性检测仍存在很大的挑战。随着光场成像技术的发展,人们开始从一个新的途径解决显著性检测问题。光场数据记录着空间光线的位置信息和方向信息,隐含着场景的几何结构,能为显著性检测提供可靠的背景、深度等先验信息。因此,利用光场数据进行显著性检测得到了国内外学者的广泛关注。本文针对在复杂场景下的显著性检测问题,利用光场数据中的多视角信息以及卷积神经网络强大的特征表达能力,深入研究基于光场数据的显著性检测算法,提高复杂场景的检测精度。主要研究内容如下:（1）介绍了显著性检测相关背景和研究现状,分析了本课题的研究意义,对光场基本理论、光场数据获取方式、图像表征和显著性检测问题概念进行深入探讨。（2）利用光场相机Lytro Illum采集光场数据,构建一个丰富且高质量显著性检测数据集。该数据集提供640幅室内、外的背景复杂、前景背景颜色相近、包含多种光源、多个显著目标等图...
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
基于RGB图像的显著性检测算法所获取的显著图（a）RGB图像（b）真值图（c）
鞔????弥С窒蛄炕?SupportVectorMachine，SVM)分类器实现显著性目标检测；与Gupta等人[47]不同的是，Li等人[48]利用递归神经网络融合后期特征。尽管基于RGB-D图像的显著性检测算法考虑了场景深度信息，但是这类算法主要存在两方面的问题：（1）算法严重依赖深度图的质量，当深度图质量较差时，深度图也无法为显著性检测提供有效信息；（2）算法常常忽略深度和外观之间的关联，当显著目标与背景有着相似的颜色和深度时，如图2所示，基于异性中心-周围特征的深度显著性检测算法（ACSD）[49]也无法精准检测显著目标。图1.2基于RGB-D图像的显著性检测算法所获取的显著图（a）RGB图像（b）深度图（c）真值图（d）ACSD[49]Figure1.2SaliencymapsobtainedbydetectionalgorithmsbasedonRGBimage(a)RGBimage(b)Depthmaps(c)Groundtruthmaps(d)ACSD[49]1.2.3基于4D光场数据的显著性检测4D光场数据包含场景中光线的方向和位置信息，因此，与RGB图像和RGB-D图像相比，其包含了更丰富的场景信息。目前利用光场数据进行显著性检测也引起了研究者们的关注。2014年，Li等人[19]提出了第一个光场显著性检测算法，他们首先利用数字重聚焦技术从光场数据中合成聚焦在不同深度平面的焦点堆栈图像，计算聚焦堆栈图像中的全部聚焦片，然后再根据位置信息计算背景概率，结合颜色特征生成最终的显著图，证明了在相似前景背景、复杂背景等挑战性场景中，基于光场数据的显著性检测算法有着更高的检测精度。随后，Zhang等人[18]提出利用深度对比信息来补充基于聚焦线索的背景信息以及颜色信息的不足之处，更好提升显著性检测性能。Zhang等人[50]发现光场数据中的流信息反映了场景深度的变化，因此计算所有相邻焦点堆栈图像的位移振幅获得光场数据的焦点流，在多视
合肥工业大学学术硕士研究生学位论文8图1.3论文主要内容与章节安排Figure1.3Themainresearchcontentsandarrangementofthethesis
【参考文献】：
期刊论文
[1]基于多尺度先验深度特征的多目标显著性检测方法[J]. 李东民,李静,梁大川,王超. 自动化学报. 2019(11)
博士论文
[1]视觉显著性检测方法研究及其应用[D]. 王晨.西北工业大学 2018
[2]基于生物视觉认知机理的特征提取及其应用研究[D]. 张云.华中科技大学 2014
本文编号：3355233
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
基于RGB图像的显著性检测算法所获取的显著图（a）RGB图像（b）真值图（c）
鞔????弥С窒蛄炕?SupportVectorMachine，SVM)分类器实现显著性目标检测；与Gupta等人[47]不同的是，Li等人[48]利用递归神经网络融合后期特征。尽管基于RGB-D图像的显著性检测算法考虑了场景深度信息，但是这类算法主要存在两方面的问题：（1）算法严重依赖深度图的质量，当深度图质量较差时，深度图也无法为显著性检测提供有效信息；（2）算法常常忽略深度和外观之间的关联，当显著目标与背景有着相似的颜色和深度时，如图2所示，基于异性中心-周围特征的深度显著性检测算法（ACSD）[49]也无法精准检测显著目标。图1.2基于RGB-D图像的显著性检测算法所获取的显著图（a）RGB图像（b）深度图（c）真值图（d）ACSD[49]Figure1.2SaliencymapsobtainedbydetectionalgorithmsbasedonRGBimage(a)RGBimage(b)Depthmaps(c)Groundtruthmaps(d)ACSD[49]1.2.3基于4D光场数据的显著性检测4D光场数据包含场景中光线的方向和位置信息，因此，与RGB图像和RGB-D图像相比，其包含了更丰富的场景信息。目前利用光场数据进行显著性检测也引起了研究者们的关注。2014年，Li等人[19]提出了第一个光场显著性检测算法，他们首先利用数字重聚焦技术从光场数据中合成聚焦在不同深度平面的焦点堆栈图像，计算聚焦堆栈图像中的全部聚焦片，然后再根据位置信息计算背景概率，结合颜色特征生成最终的显著图，证明了在相似前景背景、复杂背景等挑战性场景中，基于光场数据的显著性检测算法有着更高的检测精度。随后，Zhang等人[18]提出利用深度对比信息来补充基于聚焦线索的背景信息以及颜色信息的不足之处，更好提升显著性检测性能。Zhang等人[50]发现光场数据中的流信息反映了场景深度的变化，因此计算所有相邻焦点堆栈图像的位移振幅获得光场数据的焦点流，在多视
合肥工业大学学术硕士研究生学位论文8图1.3论文主要内容与章节安排Figure1.3Themainresearchcontentsandarrangementofthethesis
【参考文献】：
期刊论文
[1]基于多尺度先验深度特征的多目标显著性检测方法[J]. 李东民,李静,梁大川,王超. 自动化学报. 2019(11)
博士论文
[1]视觉显著性检测方法研究及其应用[D]. 王晨.西北工业大学 2018
[2]基于生物视觉认知机理的特征提取及其应用研究[D]. 张云.华中科技大学 2014
本文编号：3355233
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3355233.html
最近更新
教材专著
