基于眼動先驗的顯著性檢測.pdf

1、生物學上的研究表明，人類的視覺系統(tǒng)存在選擇性注意機制，能夠使得人在看到某個場景時，快速地將注意力集中到該場景中信息量最大的區(qū)域。視覺顯著性檢測就是模擬人類視覺系統(tǒng)這種選擇性注意機制，使得計算機在處理圖像或者某個場景的視頻時能夠更加快速和智能。如何從一幅圖像中自動且準確地提取出最吸引關注的區(qū)域，就是顯著性檢測的主要目標。顯著性檢測作為計算機視覺領域中一個獨立的研究方向，可以為分析和理解圖像內(nèi)容提供極大的幫助，在預處理階段首先對圖像進行顯著

2、性檢測，可以極大地提高后續(xù)數(shù)據(jù)處理的效率，對其他領域的研究有著十分重要的意義。
　　本文首先對目前顯著性檢測研究的發(fā)展和經(jīng)典檢測算法進行了簡要的回顧和介紹，重點分析了當前基于學習的顯著性檢測算法的特點和存在的一些問題。之后，提出一種基于眼動數(shù)據(jù)圖像特征稀疏約束的顯著性檢測算法。該算法首先建立一個包括多種圖像特征的特征池，之后假設圖像的顯著圖由特征池中特征的線性組合表示，并用帶有稀疏約束的線性回歸方法從眼動追蹤數(shù)據(jù)庫的先驗信息中學習

3、出該線性組合的權重參數(shù)。相較于其他基于學習的顯著性檢測方法，本算法更加充分地挖掘了眼動數(shù)據(jù)庫中的顯著性先驗信息，不僅能夠自動生成特征融合參數(shù)，還能夠起到特征選擇，去除冗余信息的目的。實驗表明，用該算法構造得到的顯著性檢測模型在檢測準確度和檢測效率上都有很好的表現(xiàn)。
　　本文還提出一種基于眼動數(shù)據(jù)顯著性先驗的視覺特征提取方法。該方法以圖像塊為基本操作單位，首先利用顏色、亮度、方向特性構造圖像塊代表特征;之后用k-means聚類的方法