视觉显著性检测(Visual saliency detection)指通过智能算法模拟人的视觉特点,提取图像中的显著区域(即人类感兴趣的区域)。
视觉注意机制(Visual Attention Mechanism,VA),即面对一个场景时,人类自动地对感兴趣区域进行处理而选择性地忽略不感兴趣区域,这些人们感兴趣区域被称之为显著性区域。如图1所示,当看到这幅图像时,图中的四个人最能引起人的注意。
图1
人类视觉注意机制有两种策略:
仅受感知数据的驱动,将人的视点指导到场景中的显著区域;通常与周围具有较强对比度或与周围有明显不同的区域吸引自下而上的注意。利用图像的颜色、亮度、边缘等特征表示,判断目标区域和它周围像素的差异,进而计算图像区域的显著性。图2为自下而上的注意,第1列浅灰色条和第 2 列的竖直摆放的条形能立即引起人的注意。
由人的“认知因素” 决定, 比如知识、预期和当前的目标.对图像的特定特征来计算图像区域的显著性。图3为自上而下的注意, 监控任务下, 场景中的人体能引起注意。
图3
在机器人和计算机视觉领域, 研究者们对视觉注意机制的兴趣与日俱增, 因为该机制可从大量的视觉数据中确定出最相关的部分。因此,近年来研究者们在特征综合理论和Guided search等注意的心理学模型基础上, 提出了大量的可计算的注意力选择模型,以用于模拟人类的视觉注意机制。这些模型包括: 基于认知、贝叶斯、决策论、信息论、图模型、频域分析和基于模式分类的等人视觉注意模型。
一、认知注意模型
Itti于1998年提出基于显著性的视觉注意模型,并在2001年度Nature上对该模型理论作了进一步的完善。Itti的显著性模型最具代表性,该模型已经成为了自下而上视觉注意模型的标准。其基本结构如图4所示。
注:本文是篇阅读笔记,更多更详细内容请参考论文“引入视觉注意机制的目标跟踪方法综述”及链接
Matlab 代码: http://www.vision.caltech.edu/~harel/share/gbvs.php
参考文献:[1]黎万义, 王鹏, 乔红. 引入视觉注意机制的目标跟踪方法综述[J]. 自动化学报, 2014, 40(4): 561-576
更多资源:http://blog.csdn.net/linzertling/article/details/39585153
http://blog.csdn.net/anshan1984/article/details/8657176
http://blog.sina.com.cn/s/blog_c303278b0101air2.html
http://blog.sina.com.cn/s/blog_14ca128d50102x0f2.html
http://www.cnblogs.com/CCBB/archive/2011/05/19/2051442.html
http://www.scholarpedia.org/article/Visual_salience
http://zhidao.baidu.com/link?url=Eif1n0dunVkiizXII2j6uLN-uEhzVDBCZvRt1TWqb9wURr5ZSIld7MHwKYIq8Gzk7I1iPSvtd-l83XztPlyNAq
联系客服