基于仿人視覺的顯著性目標(biāo)分割識別及其應(yīng)用研究.pdf

1、對自然場景進(jìn)行目標(biāo)分割和識別是計算機(jī)視覺中一個重要的問題。人類視覺經(jīng)過長時間的進(jìn)化，形成了自己獨特的視覺信息處理機(jī)制，為計算機(jī)視覺的研究工作提供了新的思路和靈感。本文參照人類視覺系統(tǒng)的工作方式，以視覺顯著性理論為基礎(chǔ)，并融合超像素分割和輪廓檢測模型對顯著性目標(biāo)分割與識別進(jìn)行了深入研究。論文的主要內(nèi)容如下:
　　第一章闡述了顯著性目標(biāo)分割識別研究的背景、意義和目的，對顯著性目標(biāo)分割識別中相關(guān)理論方法的研究現(xiàn)狀做了歸納總結(jié)，分析了顯著

2、性目標(biāo)分割識別中仍然存在的一些問題，并針對這些問題給出了本課題的主要研究內(nèi)容。
　　第二章對自然場景下多個顯著性目標(biāo)分割方法進(jìn)行了研究，提出了利用視覺注意力轉(zhuǎn)移機(jī)制對自然場景下顯著性目標(biāo)進(jìn)行檢測，并利用圖分割模型對檢測到的顯著性目標(biāo)進(jìn)行分割處理。算法的主要步驟如下:首先，對圖片進(jìn)行層級樹輪廓提取，并利用層級樹中所有葉子結(jié)點作為注意力檢測得到的元目標(biāo)，同時對圖片提取顯著性圖，利用“勝者為王”策略得出當(dāng)前最顯著目標(biāo)所在位置，以該位置對

3、應(yīng)的元目標(biāo)作為需要提取的顯著性目標(biāo);然后，利用該元目標(biāo)作為前景種子區(qū)域，根據(jù)不同參數(shù)，通過圖分割對該元目標(biāo)進(jìn)行知覺組織，得出該顯著性目標(biāo)不同尺度下的多個分割結(jié)果。實驗表明，對包含多個目標(biāo)的自然場景，提出的模型能夠取得較好的檢測和分割效果。
　　第三章針對傳統(tǒng)輪廓提取算法效率偏低的問題，提出了一種基于超像素的顯著性目標(biāo)輪廓提取算法，并將提出的顯著性目標(biāo)輪廓檢測算法應(yīng)用到顯著性目標(biāo)分割任務(wù)中。算法主要流程如下:首先，利用超像素分割算法

4、對圖片進(jìn)行分割，并將超像素邊緣進(jìn)行膨脹處理，以此彌補(bǔ)超像素邊緣和真實顯著性目標(biāo)輪廓之間的可能存在的定位誤差;然后，對膨脹后的超像素邊緣提取不同方向和尺度的局部輪廓信息，并將得到局部輪廓信息進(jìn)行線性加權(quán)得出顯著性目標(biāo)的局部輪廓檢測結(jié)果;在前面得出的局部輪廓信息基礎(chǔ)上，建立相應(yīng)的對稱相似矩陣，并對其進(jìn)行特征值分解得出特征值和特征向量;利用不同方向的梯度算子對前面得到的特征向量進(jìn)行卷積處理得出顯著性目標(biāo)輪廓的全局信息;最終，將局部和全局輪廓信

5、息進(jìn)行線性加權(quán)得出顯著性目標(biāo)的全局輪廓。由于本章提出的算法只考慮從部分圖片像素中提取輪廓信息，所以其減少了冗余計算，提高了輪廓提取的效率。實驗表明，本章提出的顯著性目標(biāo)輪廓檢測算法執(zhí)行效率不僅明顯高于原始的輪廓提取算法，而且同時擁有較好的顯著性目標(biāo)輪廓檢測效果和顯著性目標(biāo)分割效果。
　　第四章對原始的基于圖的超像素分割算法做了改進(jìn)，提出了一種效率更高的超像素分割算法，并對不同超像素算法應(yīng)用于顯著性目標(biāo)輪廓提取時的性能進(jìn)行了研究。本

6、章以分水嶺算法得出的區(qū)域作為節(jié)點建立圖，得出改進(jìn)后的超像素提取算法。實驗結(jié)果表明，盡管算法額外包含了分水嶺過程，但是其最終效率仍然優(yōu)于傳統(tǒng)的基于圖片像素的超像素提取算法。當(dāng)對不同超像素算法應(yīng)用于顯著性目標(biāo)輪廓提取時的性能進(jìn)行對比時，實驗從兩個不同的方向展開。一方面，超像素自身輪廓作為最終的顯著性目標(biāo)輪廓提取結(jié)果。在這種情況下，實驗結(jié)果表明具有不規(guī)則形狀和不同大小的超像素的性能要明顯優(yōu)于具有規(guī)則形狀和相似大小的超像素。另一方面，不同超像素

7、算法應(yīng)用到局部顯著性目標(biāo)輪廓提取算法中并對顯著性目標(biāo)輪廓提取質(zhì)量進(jìn)行評價。實驗結(jié)果表明，由于考慮了梯度信息，一些具有規(guī)則形狀和相似大小的超像素也能取得較好的顯著性目標(biāo)輪廓檢測效果。
　　第五章在顯著性目標(biāo)分割基礎(chǔ)上融入目標(biāo)識別任務(wù)，針對每一個顯著性目標(biāo)不僅給出其對應(yīng)的分割結(jié)果而且還要得出其相應(yīng)的類別信息。模型主要流程如下:首先，利用顯著性目標(biāo)分割模型得出每個顯著性目標(biāo)多尺度的分割結(jié)果;然后，利用訓(xùn)練得到的多類別線性分類器，給出當(dāng)前

8、顯著性目標(biāo)的類別信息。具體而言，通過對每個尺度的分割結(jié)果，融入局部和全局信息提取相應(yīng)的特征描述子，得出該尺度下分類器給出的類別信息。由于每個顯著性目標(biāo)擁有多個尺度的分割結(jié)果，每個尺度的分割結(jié)果將會按照前面的方法給出相應(yīng)類別信息，最終顯著性目標(biāo)類別通過投票得出，得票最多的類別將會作為當(dāng)前顯著性目標(biāo)的最終類別信息。最后，依據(jù)當(dāng)前顯著性目標(biāo)的類別信息，利用相應(yīng)類別的線性回歸模型從多尺度的分割結(jié)果中選擇得分最高的分割結(jié)果作為當(dāng)前顯著性目標(biāo)的最終

9、分割結(jié)果。實驗結(jié)果表明，本章提出的模型能夠較好地提取場景中顯著性目標(biāo)的同時能夠給出其相應(yīng)的類別信息和分割結(jié)果。
　　第六章根據(jù)本文研究內(nèi)容建立了一套基于仿人視覺的顯著性目標(biāo)分割識別系統(tǒng)。系統(tǒng)包括場景顯著性圖提取、視覺注意力轉(zhuǎn)移、顯著性目標(biāo)輪廓提取、顯著性目標(biāo)多尺度分割和顯著性目標(biāo)分割識別這五個功能模塊。并通過現(xiàn)場采集圖片對建立的顯著性目標(biāo)分割識別系統(tǒng)進(jìn)行了測試。
　　第七章對全文做了總結(jié)。簡要論述了本課題的主要研究內(nèi)容、結(jié)論