基于低秩理論及空間約束編碼的顯著性檢測(cè)與融合方法研究.pdf

1、顯著性檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域中的熱點(diǎn)問(wèn)題之一，其目的是令計(jì)算機(jī)具備人類視覺(jué)處理信息的能力，使其能夠自動(dòng)找到圖像中吸引視覺(jué)注意力的區(qū)域。經(jīng)過(guò)近二十年的發(fā)展，視覺(jué)顯著性技術(shù)取得了長(zhǎng)足的進(jìn)步。對(duì)于大多數(shù)目標(biāo)內(nèi)部特征趨于一致且背景比較干凈的圖像，現(xiàn)有的顯著性檢測(cè)技術(shù)取得了令人滿意的效果，但是復(fù)雜場(chǎng)景下的顯著性檢測(cè)仍然面臨著許多挑戰(zhàn)。
　　本文主要針對(duì)自然圖像的顯著性目標(biāo)檢測(cè)與顯著性融合兩個(gè)方面展開(kāi)研究，主要的研究成果包括:
　　(1)

2、本文提出了一種基于雙結(jié)構(gòu)化核范數(shù)的矩陣分解模型(DSNMD)用于顯著性目標(biāo)檢測(cè)。在DSNMD模型中，第一次引入了樹(shù)結(jié)構(gòu)的核范數(shù)(TSN)概念分別刻畫(huà)感興趣目標(biāo)區(qū)域和背景區(qū)域潛在的結(jié)構(gòu)信息，包括全局結(jié)構(gòu)、局部結(jié)構(gòu)以及每個(gè)樹(shù)結(jié)點(diǎn)的內(nèi)部結(jié)構(gòu)。TSN同時(shí)具備了核范數(shù)以及與稀疏相關(guān)范數(shù)在顯著性目標(biāo)檢測(cè)中的優(yōu)點(diǎn)。此外，高層先驗(yàn)信息被嵌入到DSNMD模型中，進(jìn)一步提高了顯著性目標(biāo)檢測(cè)的性能。實(shí)驗(yàn)結(jié)果表明，該方法優(yōu)于目前其它非監(jiān)督的顯著性目標(biāo)檢測(cè)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(biāo)檢測(cè)方法，其結(jié)果是產(chǎn)生針對(duì)特定目標(biāo)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(jiǎn)單有效的局部約束上下文編碼方法(LCCC)，使得只有來(lái)自于相同語(yǔ)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(jìn)一步使用到特征的局部語(yǔ)境信息，提出了一種多尺度的上下文匯聚方法。結(jié)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(qiáng)的判別能力，從而使得本文提出的自頂向下的顯著性目標(biāo)檢測(cè)方法更具魯棒性。最后，使用圖像的似物性檢測(cè)結(jié)果對(duì)得到的自頂向下的檢測(cè)結(jié)果進(jìn)行顯著性增強(qiáng)。實(shí)驗(yàn)表明，相比于現(xiàn)有的方法，該方法可以產(chǎn)生更加準(zhǔn)確的顯著性檢測(cè)結(jié)果。
　　(3)通過(guò)分析現(xiàn)有顯著性檢測(cè)算法的結(jié)果可以得到兩點(diǎn)結(jié)論:第一，不同顯著性檢測(cè)方法對(duì)于同一副圖像的檢測(cè)結(jié)果不同;第二，這些結(jié)果在一定程度上可以優(yōu)勢(shì)互補(bǔ)?；诖耍疚奶岢隽艘环N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(gè)性能優(yōu)于所有單個(gè)顯著性檢測(cè)方法的融合結(jié)果。該方法把顯著性融合轉(zhuǎn)化為一個(gè)低秩矩陣恢復(fù)問(wèn)題，并使用經(jīng)典的穩(wěn)健主成分分析模型(RPCA)進(jìn)行低秩矩陣恢復(fù)。實(shí)驗(yàn)結(jié)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(diǎn)，得到一個(gè)更加準(zhǔn)確的顯著目標(biāo)檢測(cè)結(jié)果。顯著性融合方法的提出為顯著性檢測(cè)方法的研究提供了一個(gè)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(chǔ)上，建立了一個(gè)雙低秩的矩陣恢復(fù)模型(DLRMR)