一種綜合先驗信息的從自然圖像中提取感興趣物體的新方法.pdf

1、感興趣的物體檢測和分割(統(tǒng)稱為感興趣物體的提取)一直是計算機(jī)視覺、圖像理解和模式識別等研究領(lǐng)域的重要關(guān)注點之一。它在物體識別、基于內(nèi)容的檢索、基于內(nèi)容的圖像和視頻編碼與壓縮以及視頻監(jiān)控等等領(lǐng)域有重要的應(yīng)用。傳統(tǒng)的感興趣物體提取方法常常將感興趣物體假設(shè)為在自然圖像正中央的物體，或者是圖像中比較顯著的物體，這種弱假設(shè)往往忽略了感興趣物體具有主觀性的性質(zhì)，所以適用的范圍不大。受人腦處理這一問題所采用的策略的啟發(fā)，我們提出了基于樣本學(xué)習(xí)的方法定

2、義感興趣物體，從而避免了原來弱假設(shè)所帶來的目標(biāo)模式不清晰的問題，也引出了本文的主要方法。 本文提出了一種新穎的從自然圖像中提取感興趣物體的框架。本框架包含兩個主要的階段： (1)學(xué)習(xí)階段。此階段通過樣本學(xué)習(xí)的方法定義感興趣物體并提取與之相關(guān)的先驗知識(包括物體形狀信息以及物體表觀信息)。在此階段，我們從大致對齊的感興趣物體的正樣本中，學(xué)習(xí)一個關(guān)于此類物體的活動基模型和對應(yīng)的形狀草圖模板，同時對物體的表觀信息進(jìn)行統(tǒng)計，獲得

3、感興趣物體的形狀和表觀先驗信息。 (2)提取階段。此階段將感興趣物體的先驗知識應(yīng)用到統(tǒng)計推理機(jī)制中，綜合檢測和分割進(jìn)行感興趣物體的提取。在此階段，用學(xué)習(xí)得到的活動基模型作初步檢測以確定候選區(qū)域。然后，我們對候選區(qū)域進(jìn)行基于統(tǒng)計馬爾科夫鏈蒙特卡洛推理方法的圖像分割，并通過選取具有最大后驗概率比的分割結(jié)果作為最佳輸出結(jié)果。 本方法中的兩個階段有機(jī)的結(jié)合在一起，構(gòu)成了一個整體：在學(xué)習(xí)階段獲得的先驗知識可以使目標(biāo)模式(感興趣的物

4、體)更明確，并能指導(dǎo)提取階段的統(tǒng)計推理過程。因此，該方法能較精確的提取感興趣的物體。在公共數(shù)據(jù)集上測試的結(jié)果也表明了我們提出的方法表現(xiàn)比當(dāng)前最好的算法所得到的結(jié)果還要好。 作為總結(jié)，本文的主要創(chuàng)新之處如下： 1、提出了一個新的關(guān)于感興趣物體提取問題的框架性解決方案。與傳統(tǒng)的依賴弱假設(shè)對感興趣物體位置初始化的方法不同，我們引入了感興趣物體的先驗知識的學(xué)習(xí)機(jī)制，從而清晰的定義了目標(biāo)模式，提高了感興趣物體的定位準(zhǔn)確度，同時更加