基于低秩理論及空間約束編碼的顯著性檢測與融合方法研究.pdf

1、顯著性檢測是計算機視覺領域中的熱點問題之一，其目的是令計算機具備人類視覺處理信息的能力，使其能夠自動找到圖像中吸引視覺注意力的區(qū)域。經過近二十年的發(fā)展，視覺顯著性技術取得了長足的進步。對于大多數目標內部特征趨于一致且背景比較干凈的圖像，現有的顯著性檢測技術取得了令人滿意的效果，但是復雜場景下的顯著性檢測仍然面臨著許多挑戰(zhàn)。
　　本文主要針對自然圖像的顯著性目標檢測與顯著性融合兩個方面展開研究，主要的研究成果包括:
　　(1)

2、本文提出了一種基于雙結構化核范數的矩陣分解模型(DSNMD)用于顯著性目標檢測。在DSNMD模型中，第一次引入了樹結構的核范數(TSN)概念分別刻畫感興趣目標區(qū)域和背景區(qū)域潛在的結構信息，包括全局結構、局部結構以及每個樹結點的內部結構。TSN同時具備了核范數以及與稀疏相關范數在顯著性目標檢測中的優(yōu)點。此外，高層先驗信息被嵌入到DSNMD模型中，進一步提高了顯著性目標檢測的性能。實驗結果表明，該方法優(yōu)于目前其它非監(jiān)督的顯著性目標檢測方法，

3、與監(jiān)督的方法具有高度可比性。
　　(2)基于圖像分類框架，本文提出了一種基于空間約束編碼的自頂向下的顯著性目標檢測方法，其結果是產生針對特定目標類別的顯著圖。該方法將空間信息引入到特征編碼中，建立了一種簡單有效的局部約束上下文編碼方法(LCCC)，使得只有來自于相同語境的超像素才具有相似的碼字并以此提升其判別能力。此外，為了進一步使用到特征的局部語境信息，提出了一種多尺度的上下文匯聚方法。結合LCCC編碼方法和上下文匯聚策略后得到

4、的特征表示具有更強的判別能力，從而使得本文提出的自頂向下的顯著性目標檢測方法更具魯棒性。最后，使用圖像的似物性檢測結果對得到的自頂向下的檢測結果進行顯著性增強。實驗表明，相比于現有的方法，該方法可以產生更加準確的顯著性檢測結果。
　　(3)通過分析現有顯著性檢測算法的結果可以得到兩點結論:第一，不同顯著性檢測方法對于同一副圖像的檢測結果不同;第二，這些結果在一定程度上可以優(yōu)勢互補。基于此，本文提出了一種基于穩(wěn)健主成分分析的顯著性融

5、合方法，旨在得到一個性能優(yōu)于所有單個顯著性檢測方法的融合結果。該方法把顯著性融合轉化為一個低秩矩陣恢復問題，并使用經典的穩(wěn)健主成分分析模型(RPCA)進行低秩矩陣恢復。實驗結果表明，所提出的融合方法能夠繼承不同顯著性模型的優(yōu)點，得到一個更加準確的顯著目標檢測結果。顯著性融合方法的提出為顯著性檢測方法的研究提供了一個嶄新的視角。
　　(4)本文在基于穩(wěn)健主成分分析的顯著性融合方法的基礎上，建立了一個雙低秩的矩陣恢復模型(DLRMR)