面向目标检测的视觉注意模型研究

发布时间：2017-04-15 23:12

  本文关键词：面向目标检测的视觉注意模型研究，由笔耕文化传播整理发布。

【摘要】：在计算机视觉领域中,构造视觉注意模型提取图像的显著图是近年的一个研究热点。然而,由于现实中图像前景和背景千变万化,而且交织在一起,错综复杂,想要准确地提取图像的显著区域极具挑战。近年来,随着显著性检测技术的不断发展,使得人们能够在目标检测过程中,选择图像中“有用”的数据进行计算,这不仅降低了计算复杂度与内存开销,而且由于剔除了冗余信息,也提高了检测的准确性。因此,研究如何利用这些选择后的数据进行目标检测变得十分有意义。本文首先提出了一种基于背景知识学习的视觉注意模型。该模型在提取显著图时主要包含两个步骤,第一步是计算图像中超像素的权重值,第二步则是利用局部加权对比度来计算超像素的显著值。针对这两个步骤,本文首先提出了一种超像素加权模型框架,该框架包括超像素块提取、形状与颜色特征提取和权重值预测三个部分。在此基础上,本文提出了一种基于局部加权对比度的显著值计算方法,该方法以超像素为计算单元,计算每个超像素块与其他超像素块在颜色和空间信息上的差异,并将该差异值作为显著值。实验结果表明,本文提出的基于背景知识学习的视觉注意模型能够有效地提高检测精度,与已有模型相比,本文模型在MSRA1000和ECSSD两个公共数据集上检测得到的显著图具有更高的分辨率和平均精度,目标区域内的显著值分布更加均匀,前景与背景边界更加明显。本文还提出了一种基于参数学习的目标检测算法。该方法首先利用本文提出的视觉注意模型提取图像的显著图,然后在显著图的基础上构造窗口质量函数,并建立基于贝叶斯概率模型的最优化问题来确定窗口质量函数的最优参数,最后,利用动态规划算法来计算窗口质量函数的极值点,该极值点的坐标即为目标窗口的位置。相比于文献[1]提出的目标检测模型,本文提出的目标检测算法在MSRA1000和ECSSD两个公共数据集上的检测结果具有更高的精度。同时,检测结果表明本文提出的视觉注意模型与文献[2]提出的模型相比,在目标检测方面具有更大的优势。
【关键词】：视觉注意模型 超像素 局部加权对比度 显著图 目标检测窗口质量函数 贝叶斯概率模型
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要5-7
• ABSTRACT7-15
• 第一章 绪论15-23
• 1.1 本文研究目的及意义15-16
• 1.2 国内外研究现状16-21
• 1.2.1 视觉注意模型研究现状16-19
• 1.2.2 目标检测研究现状19-21
• 1.3 本文的主要研究内容和创新成果21-23
• 1.3.1 主要研究内容21
• 1.3.2 创新成果21-23
• 第二章 视觉注意模型理论研究23-35
• 2.1 引言23
• 2.2 经典视觉注意模型23-32
• 2.2.1 Itii模型23-26
• 2.2.2 基于图(Graph Based,GB)的模型26-27
• 2.2.3 基于频谱残余(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 基于频率调谐(Frequency-Tuned,FT)的模型30
• 2.2.6 基于直方图对比度(Histogram Contrast,HC)的模型30-31
• 2.2.7 基于区域对比度(Region Contrast,RC)的模型31-32
• 2.3 本章小结32-35
• 第三章 基于背景知识学习的视觉注意模型35-55
• 3.1 引言35
• 3.2 超像素提取与权重计算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 权重预测45-46
• 3.3 基于图像顶层语义信息的显著值计算46-49
• 3.4 实验结果与分析49-53
• 3.4.1 实验数据集49
• 3.4.2 实验参数49-50
• 3.4.3 实验结果50-53
• 3.5 本章小结53-55
• 第四章 基于视觉注意模型的目标检测55-69
• 4.1 引言55
• 4.2 传统基于视觉注意模型的目标检测方法55-59
• 4.2.1 显著图精度56
• 4.2.2 窗口质量函数56-58
• 4.2.3 最优化算法58-59
• 4.3 基于改进的MSR函数的目标检测59-63
• 4.3.1 基于贝叶斯概率模型的参数学习59-61
• 4.3.2 动态规划算法61-63
• 4.4 实验结果与分析63-65
• 4.4.1 实验参数63-64
• 4.4.2 实验结果64-65
• 4.5 本章小结65-69
• 第五章 总结与展望69-71
• 5.1 全文工作总结69-70
• 5.2 未来工作展望70-71
• 参考文献71-77
• 致谢77-79
• 攻读学位期间发表的学术论文目录79

【相似文献】

中国期刊全文数据库 前10条

1 张桂林，，熊艳，曹伟，李强;一种评价自动目标检测算法性能的方法[J];华中理工大学学报(社会科学版);1994年05期

2 秦剑;陈钱;钱惟贤;;基于背景分类的弱小目标检测算法[J];光电工程;2011年01期

3 蒋建国;吴晖;齐美彬;张莉;;摄像机旋转运动下的快速目标检测算法[J];图学学报;2012年03期

4 逯鹏;张姗姗;刘驰;黄石磊;汤玉合;;基于稀疏超完备表示的目标检测算法[J];仪器仪表学报;2013年06期

5 李大辉;金涛;;弱小目标检测算法的设计与分析[J];中国科技信息;2013年16期

6 张明艳;许钢;孟樱;;基于时空特性的运动目标检测算法研究[J];安徽工程大学学报;2013年04期

7 徐振海,王雪松,肖顺平,庄钊文;基于模糊融合的目标检测算法研究[J];国防科技大学学报;2000年04期

8 李维雅,董能力,金钢,李正周;弱小目标检测算法性能评价的回归分析方法[J];光电工程;2005年02期

9 高陈强;田金文;王鹏;;基于时域特性分析的红外运动小目标检测算法[J];红外与激光工程;2008年05期

10 曾脉;左志宏;常晓夫;何煊;;一种准确而快速的运动目标检测算法[J];成都信息工程学院学报;2008年04期

中国重要会议论文全文数据库 前10条

1 高飞;蒋建国;安红新;齐美彬;;一种快速运动目标检测算法[A];全国第22届计算机技术与应用学术会议(CACIS·2011)暨全国第3届安全关键技术与应用（SCA·2011）学术会议论文摘要集[C];2011年

2 孙瑾秋;张艳宁;姜磊;王敏;;基于变换域特征的星空背景弱小目标检测算法[A];第八届全国信号与信息处理联合学术会议论文集[C];2009年

3 邓宇;陈孝威;;综合利用时空信息的运动目标检测算法[A];第二届和谐人机环境联合学术会议(HHME2006)——第15届中国多媒体学术会议(NCMT'06)论文集[C];2006年

4 袁辉;孙卓;李德民;魏颖;;基于小波多尺度互能量交叉融合滤波的弱小目标检测算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

5 顾静良;万敏;张卫;郑捷;;低对比度弱小目标检测算法[A];中国工程物理研究院科技年报（2005）[C];2005年

6 黄龚;郑锦;刘养科;;摄像机水平巡扫时的运动目标检测算法[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

7 张国华;;一种基于导引头稳定平台结构的目标检测算法[A];第九届全国光电技术学术交流会论文集（下册）[C];2010年

8 王正;刘瑞华;;基于PTZ摄像机的运动目标检测算法[A];全国第一届嵌入式技术联合学术会议论文集[C];2006年

9 王彪;王成儒;王芬芬;;一种改进的运动目标检测算法[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

10 刘琳;顾国华;钱惟贤;陈钱;徐富元;;目标检测算法的研究以及SRIO协议在目标检测的应用[A];第八届华东三省一市真空学术交流会论文集[C];2013年

中国博士学位论文全文数据库 前5条

1 王海丰;基于机器视觉的剖竹机加工目标检测算法研究[D];东北林业大学;2015年

2 王俊强;图像中人体目标检测算法研究[D];北京邮电大学;2012年

3 郭明玮;基于视觉记忆的目标检测算法：一个特征学习与特征联想的过程[D];中国科学技术大学;2014年

4 臧风妮;智能视频监控中海面舰船目标检测算法研究[D];中国海洋大学;2014年

5 陈伟;基于PSO的复杂工业环境视觉目标检测算法应用研究[D];武汉科技大学;2008年

中国硕士学位论文全文数据库 前10条

1 刘恒建;基于FPGA+DSP的运动目标检测系统的设计与实现[D];南京理工大学;2015年

2 贾建英;视频序列中运动目标检测算法研究[D];长安大学;2015年

3 周亚运;基于TMS320DM642平台的红外运动目标检测算法设计[D];南京理工大学;2015年

4 姚丹;基于多光谱信息融合的弱小运动目标检测技术研究[D];哈尔滨工业大学;2015年

5 刘培培;基于区域特征的运动目标检测算法的研究与开发[D];广西大学;2015年

6 崔璇;天空背景下红外小目标检测算法研究[D];陕西师范大学;2015年

7 范肖肖;基于视觉注意机制的目标检测算法的研究[D];电子科技大学;2015年

8 丁婵;运动目标检测算法在嵌入式平台的研究[D];电子科技大学;2015年

9 张冠雄;基于标签传播的显著性目标检测算法研究[D];大连理工大学;2015年

10 李建波;视频监控中运动目标检测算法的研究[D];哈尔滨工业大学;2014年

  本文关键词：面向目标检测的视觉注意模型研究，由笔耕文化传播整理发布。

本文编号：309477