基于视觉注意机制的彩色图像显著性区域提取

图像显著性区域提取是计算机视觉处理的重要步骤。结合人类视觉心理、生理模型, 提出一种基于视觉注意机制的彩色图像显著性区域提取模型。通过改进的分水岭算法对彩色图像进行预分割, 从而将原图像分成若干子区域, 在此基础上运用提出的区域化空间注意力模型对各个子区域进行显著图计算, 得到最终的显著性区域提取结果。实验结果表明, 提出的显著性区域提取算法可以很好地从彩色图像中得到与视觉注意机制相一致的结果, 且满足实时性要求, 与传统方法相比, 算法提取的区域更完整、更准确。     

基于视觉注意力模型的显著性提取

对现有基于注意力机制的静态显著计算和动态显著计算技术进行综述.它主要包括两部分:静态图像的显著性提取和动态图像的显著性提取.静态显著计算首先介绍了Itti和Stentiford静态显著性提取模型,然后分析了基础分割的注意力模型技术.动态显著性提取中的两个动静结合的注意力模型、强注意力偏向融合和基于运动优先的注意力模型.介绍了一些视觉注意力模型,并对其进行了讨论.探讨了各种模型的优缺点及应用.为视觉注意力模型在图像检索、人机交互、视频监控等领域提供了一定的基础.     

显著度和运动特性加权的视频质量评价方法

进行客观视频质量评价时,为了与主观评价结果尽可能一致,需要考虑视频的动态特性和人眼观看的视觉特性,因此本文提出一种基于显著区域和运动特性加权的视频质量评价方法。该评价指标基于传统的结构相似性指数(Structural similarity index measurement, SSIM)方法并在此基础上作了改进。首先通过频谱分析得到空域显著度,通过视觉注意模型并结合运动特性获取时域显著度,并根据时、空显著度动态融合得到帧级显著度。以帧级显著度加权SSIM指数,便可得到整个视频帧的质量评价指标。在LIVE VQA标准数据集上的实验结果表明,该评价指标更加接近于人眼对视频质量的主观评价值。     

基于视觉注意的医学图像感兴趣区域提取*

提出一种基于视觉注意机制的医学图像感兴趣区域提取方法。受生物学启发,该方法模仿人类自下而上的视觉选择性注意过程,通过计算图像中每个像素的全局对比度,构造相应的显著图,并根据显著图,检测出图像中的显著区域。利用多幅医学图像对本方法进行评估,结果表明,该方法能够快速、精确地提取图像中的感兴趣区域,在提取结果和运算速度上均取得了令人满意的效果。     

基于视觉显著性检测的图像分类方法

针对传统的图像分类方法对整个图像不分等级处理以及缺乏高层认知的问题,提出了一种基于显著性检测的图像分类方法。首先,利用视觉注意模型进行显著性检测,得到图像的显著区域;然后,利用Gabor滤波方法和脉冲耦合神经网络模型,分别提取该显著区域的纹理特征和时间签名特征;最后,根据提取的纹理特征和时间签名特征,利用支持向量机实现图像分类。实验结果表明,所提方法在SIMPLIcity图像数据集上平均分类正确率达到94.26%,在Caltech数据集上平均分类正确率为95.43%,从而证明,显著性检测与有效的特征提取对图像分类有重要影响。     

基于视觉显著性的均值漂移跟踪算法

为解决突变运动下的目标跟踪问题,提出了一种基于视觉显著性的均值漂移跟踪算法,将视觉注意机制运用到均值漂移跟踪框架中,利用时空显著性算法对视频序列进行检测,生成视觉显著图,从视觉显著图对应的显著性区域中建立目标的颜色特征表示模型来实现运动目标跟踪.实验结果表明:该算法在摄像机摇晃等动态场景下可以较准确检测出时空均显著的目标,有效克服了在运动目标发生丢失和遮挡等情况下跟踪不稳定的问题,具有较强的鲁棒性,从而实现复杂场景下目标较准确的跟踪.     

基于层次和动态阈值的图像显著区域检测方法

发展完善了基于层次的显著区域检测模型。把原始图像分层,对每层分别提取底层特征,计算显著性特征,包括亮度显著性、饱和度显著性和色彩显著性。考虑到图像的概率特性,通过引入二维正态分布函数,准确合理地表示图像像素间的相关性。把各层计算所得的结果叠加,通过引入动态阈值,得到最后的显著区域。动态阈值方法不受原始图像的影响,有较好的适应性。将此方法应用于真实图像,得到了令人满意的检测结果。     

人群运动中的视觉显著性研究

在公共场所中人们都倾向于以分组的形式进行运动,本文把这种以分组形式运动的若干个行人称为运动群组,具有视觉显著性的人群运动群组是场景理解的重点,其对人群的整体运动也影响最大。本文对运动群组的视觉显著性展开了研究,分别从规模、速度、组内紧致度和变化度４个方面来对运动群组的视觉显著性进行度量,并基于该度量给出了视觉显著性运动群组检测方法。首先,利用光流法对运动人群进行分析得到光流向量;然后通过层次聚类算法对运动人群进行分组;最后,基于本文所给出的度量计算每个群组的视觉显著性,以检测出视觉显著性最高的运动群组。实验表明该方法能够有效地对视觉显 著性运动群组进行检测,该研究成果可应用于人群场景理解、人群运动分析和人群场景分类等计算机视觉研究领域。     

基于梯度显著性的轮廓提取方法

在复杂的自然场景中将轮廓准确地提取出来一直是一个难题,传统的基于梯度图像分割的方法在性能提高上遇到瓶颈。分析了梯度图像中轮廓与纹理的视觉特性,说明了显著性检测的必要性;引入视觉注意机制,利用残余谱得到梯度显著图,突出了轮廓的梯度响应的同时抑制了纹理的梯度响应,证明了显著性检测的可行性;详细介绍了算法实现流程。通过与其他三种算法进行对比,证明基于梯度显著图进行边缘分割和跟踪,有效地抑制了纹理边缘,轮廓提取性能得到明显提高;通过调整参数设置,验证该算法对参数变化具有一定程度的鲁棒性。     

显著区域检测技术研究

显著区域检测是计算机视觉中非常活跃的研究方向,其应用领域极为广泛。如何快速准确地找到图像的显著区域尚未形成完整的理论体系,且与具体应用密切相关,对研究人员来说仍是一个富有挑战的课题。 对显著区域检测技术进行了综述。首先深入讨论了自底向上和自顶向下的显著区域检测方法,对方法进行了归类,并对典型方法进行了梳理;其次讨论了算法的评价标准和目前流行的显著性评测数据库;最后对目前存在的问题进行了总结,给出了未来的研究方向。     

基于局部复杂度的视频序列显著点提取方法

文中提出一种基于局部复杂度视频序列中显著点的提取方法。首先,将视觉认知中的注意力机制引入视频处理,通过计算空域像素局部复杂度来提取图像显著点。其次,利用均值漂移聚类方法在时域中对显著点进行聚类,从而去除了分散的噪声点,它能自动确定类别数并具有严格的收敛性,该方法减少了运算量,提高了运算速度。实验证明,该方法提取的结果与人的视觉感知系统具有较好的一致性。     

一种基于运动连通性的视频对象提取方法

传统的视频分割通常利用低级特征提取对象。文章提出对象运动的连通性是对象的高级特征；并在累积帧差图像上，滤除尖锐噪声自适应确定域值，利用这个特性自动提取首帧运动对象。实验结果表明，该方法计算复杂度低，能够自动、快速、准确地提取运动对象，非常适于基于对象的实时视频应用。     

基于运动注意力融合模型的目标检测与提取算法

针对全局运动场景下目标检测与提取方法的局限性,文中根据运动注意力形成机理,构建一种运动注意力时-空融合模型用于运动目标的检测与提取。该算法首先对运动矢量场进行叠加和滤波等预处理。然后根据运动矢量在时间和空间上的变化特点定义运动注意力融合模型,并采用该模型检测运动目标区域。最后利用形态学和边界跟踪方法对目标区域进行精确化提取。根据多个不同全局运动视频场景的测试结果,显示该算法比其它算法具有更好的准确性和实时性。     

基于改进区域生长的图像显著区域的提取方法

提出一种改进的区域生长方法来进行显著区域的提取。与以往基于像素或基于简单的NxN区域的方法不同．首先采用分水岭算法对原图像进行初始分割,利用显著图和区域的相对位置进行种子区域的自动选取,在生长过程中,将基于区域的相对边界强度,连接紧密程度与传统的区域颜色均值差异度准则相结合．构成新的区域可生长度评价函数。实验结果表明．该方法与现有算法相比,有效提高图像感兴趣区域提取的准确性。     

基于眼动数据的分类视觉注意模型

视觉注意是人类视觉系统中的重要部分,现有的视觉注意模型大多强调基于自底向上的注意,较少考虑自顶向下的语义,也鲜有针对不同类别图像的特定注意模型。眼动追踪技术可以客观、准确地捕捉到被试的注意焦点,但在视觉注意模型中的应用还比较少见。因此,提出了一种自底向上和自顶向下注意相结合的分类视觉注意模型CMVA,该模型针对不同类别的图像,在眼动数据的基础上训练分类视觉注意模型来进行视觉显著性预测。实验结果表明:与现有的其它8个视觉注意模型相比,该模型的性能最优。     

基于频率域的图像显著性区域提取方法

针对图像的显著性区域提取方法存在区域边界不明确、分辨率不高、显著性目标不准确等问题,提出了一种使用高斯差分滤波器的组合来保持原图像更多的频率信息,然后在频率域里利用颜色和亮度两个特征来计算显著图,最后用均值偏移方法结合自适应阈值方法从显著图中提取显著性区域。实验结果表明,使用高斯滤波器的方法不仅输出完整分辨率的显著图,而且能准确地突出显著性目标,使区域具有明确的边界,并且分割的查准率和查全率都好于多尺度分析方法和Itti方法。     

视频转换编码中的压缩域运动补偿技术

研究视频转换编码中的压缩域运动补偿技术，对已有算法加以补充和完善，解决了现有算法不能处理运动矢量为负的问题。从具体实现角度，给出了详细的算法和必要的分析。实验结果表明基于该文所述的算法和分析改造的MPEG-2 TM5解码程序可以正确地实现压缩域运动补偿和空间分辨率下变换。     

基于视频的运动捕获

现有的运动捕获方法大都存在运动捕获设备昂贵、演员运动受限等缺点，为此，提出了一种利用视觉技术从视频中提取人体运动的方法，并对其中的特片跟踪和三维运动序列恢复等关键技术进行了深入研究。基于人体模型的特征跟踪算法利用卡尔曼滤波和极线方程，能精确地跟踪比较大的人体运动；采用不共面的非线性定标模型和考虑运动不确定性的三维重建方法，能恢复逼真的三维人体骨架模型，实验结果验证了基于视频的运动捕获方法的可行性和有效性。