基于显著性检测的红外舰船目标检测识别技术

为有效解决舰船目标的检测与识别问题,提出一种基于显著性检测和Hu不变矩的红外舰船目标检测识别方法,首先使用中值滤波、维纳滤波及灰度非线性变换去除噪声,增强对比度,然后利用Itti算法模型进行显著性检测,针对检测分割后的舰船目标提取几何特征、灰度特征和Hu不变矩特征进行综合识别.经大量仿真实验证明,此方法具有较高的检测识...     

多尺度融合背景与目标先验的显著性目标检测

为了解决当目标不在图像中心或者出现在图像周边时,基于中心先验或者背景先验的显著性检测算法往往会产生错误检测的问题,提出使用目标性作为先验信息得到前景显著图,并且利用乘法运算将其与基于背景先验信息计算的显著图相融合,然后进行空间优化得到单尺度下的显著图,最终显著图为多尺度显著图的加权融合.基于公开数据库的实验结果表明:与目前多种前沿算法相比,本文算法具有更优的检测性能,能够凸显整个显著性目标.     

基于视觉显著性的突变运动目标跟踪

针对突变运动下的目标跟踪问题,提出一种基于视觉显著性的粒子滤波跟踪算法.该算法将基于视觉注意机制的视觉显著图引入粒子滤波框架中,根据视觉显著图的显著性区域,按"胜者为王"和"返回抑制"机制进行目标检测,并以检测结果为全局建议分布进行粒子采样,从而完成全局状态空间的搜索,有效地避免了陷入局部极大值.同时,为增强目标区域在视觉显著图中的显著性,将自底向上和自顶向下的计算模型相结合,根据目标模板对各个特征显著图进行自适应权值计算,并按权值融合产生视觉显著图.实验结果表明,针对不同类型的突变运动跟踪场景,该算法均能表现出较好的鲁棒性.     

边缘信息增强的显著性目标检测网络

针对显著性目标检测任务中识别结果边缘模糊的问题,提出了一种能够充分利用边缘信息增强边缘像素置信度的新模型。该网络主要有两个创新点：设计三重注意力模块,利用预测图的特点直接生成前景、背景和边缘注意力,并且生成注意力权重的过程不增加任何参数;设计边缘预测模块,在分辨率较高的网络浅层进行有监督的边缘预测,并与网络深层的显著图预测融合,细化了边缘。在6种常用公开数据集上用定性和定量的方法评估了该模型,并且与其他模型进行充分对比,证明设计的新模型能够取得最优的效果。此外,该模型参数量为30.28 M,可以在GTX 1080 Ti显卡上达到31 帧·s^-1的预测速度。     

显著性增强的模型自适应目标跟踪

目的 针对跟踪过程中目标易受遮挡、移出视野、背景杂乱等因素影响的问题,提出一种显著性增强的模型自适应目标跟踪方法。方法 将显著性特征与颜色直方图是梯度方向直方图(Histogram of Oriented Gradient, HOG)特征结合,建立目标外观模型,提高目标外观表示的多样性。通过引入一种目标遮挡检测方法和一种模型自适应更新策略,以自适应方式调整模型学习率,应对目标遮挡问题。结果与结论将本文方法与9种经典跟踪器在公开目标跟踪基准数据集OTB-2015上进行对比。仿真实验与分析表明,所提方法在跟踪精度和成功率上均取得较好的结果。     

基于视觉显著性特征的自适应目标跟踪

为解决运动目标跟踪过程中候选目标信息描述单一的问题, 提出一种基于视觉显著性特征融合的自适应目标跟踪算法。提取目标颜色、颜色的变化、强度和运动信息构建目标四元数模型, 采用相位谱重建算法检测目标的显著图(Saliency Map), 并根据特征相似度大小自适应调整权值, 融合视觉显著性特征和颜色特征实现目标跟踪。实验结果表明, 该算法能有效克服部分遮挡和背景融合干扰, 从而实现复杂背景下目标的准确跟踪。     

基于滑动窗口的优化贝叶斯邮件过滤算法

贝叶斯算法在文本分类时需要进行特征提取，传统特征提取算法存在特征提取不够准确，进而导致分类效率不高。为解决此问题，提出一种基于滑动窗口的特征选取方法，该方法能扩大特征的选取范围。实验表明，改进后的方法可以有效地提高文本的分类精度。     

基于多尺度相位谱的显著性运动目标检测

针对视频序列中的显著性运动目标检测问题,提出一种基于图像频域中的多尺度多特征显著性运动目标的快速检测方法.所提算法在对视频序列多尺度运算的基础上,通过提取视频序列底层特征,分析其离散余弦频域中的时空域相位信息,最终构建时空域显著性视频序列,完成序列中的显著性运动目标检测.实验结果表明,所提算法在复杂背景环境下,特别是各...     

基于改进F3Net网络的显著性目标检测

针对F3Net网络中因特征抽取导致的空间分辨率损失问题,采用一种锥体卷积和感受野模块相结合的方法,有效减少空间分辨率的损失.该方法中锥体卷积能够以不同深度或大小的卷积核并行处理输入图像,从而考虑不同级别空间的上下文依赖关系.此外,编码器提取的最高层特征在通过感受野模块后可以捕获更多的目标细节.实验结果表明,改进后的F3...     

结合图像全局和区域特性的显著性检测

结合现有的显著性检测理论,针对基于全局对比度方法的不足,提出了以HC方法为基础并引入区域显著性与预处理的简单有效的能产生完全分辨率显著图的方法.在ASD测试集上进行了测试,结果表明:此方法取得了接近甚至高于现有一些方法的结果,并且具有较少的计算时间.     

基于变换域的显著性提取

为增强图像显著特征的可靠性和鲁棒性, 增加图像描述的准确度, 提出了一种利用离散余弦变换(DCT: Discrete Cosine Transform)和 Renyi 熵提取自然图像显著性的方法。 该方法充分利用了图像的频域信息, 通过MSRA1000 图像数据库进行性能测试。 实验结果表明, 该方法优于 5 种经典算法, 提高了显著性检测的有效性。     

基于视觉显著性与边缘密集度的文本区域定位

为解决传统算法对文本区域检测查准率较低的问题, 从自然场景文本特性出发, 提出了一种基于视觉显 著性与边缘密集度的鲁棒性文本定位方法。 首先利用谱残差理论提取图像的显著性区域, 然后在提取的显著 性区域中寻找边缘密集度大的区域, 以此构建候选连通域, 利用少量的先验信息滤除其中的非文本区域。 在标 准数据集上的实验结果表明, 与单纯利用边缘特征进行文本区域检测的方法相比, 该方法可获得 70% 的综合 检测率。     

基于HSI的视觉注意力模型及其在船只检测中的应用

根据现有关于视觉心理学研究的相关成果和计算模型．提出了一种基于HSI颜色空间特征提取的视觉注意力模型．并应用于海上目标检测．首先把输入的RGB图像转换到HSI空间上．采用高斯金字塔和center-surround算子获得HSI三个分量下各自多尺度的视觉差异。通过对不同特征图的规格化和线性融合获得综合的显图．该方法应用于多种海上目标图像均取得较好效果．背景中的海浪杂波得到了有效抑制．提取得到的显区域包括了待检测的目标且范围较小。为后继的处理和分析提供了良好的基础．     

雨天图像中目标显著性检测算法设计与效果评价

雨天条件下,图像中目标的许多特征被掩盖,使得户外图像应用系统效能发挥受到严重的影响。为了提高雨天条件下图像中目标检测的质量,通过综合分析雨天图像中的目标特征,发现其亮度颜色信息、色彩差异信息和暗通道先验信息对目标的显著性具有高敏感度,进而提取了雨天图像中目标的显著性特征,构建了基于混合特征的目标显著性检测模型,最后通过多个评价指标的效能评估实验,与经典算法进行对比,验证了本文算法的有效性。     

基于颜色信息相位谱的显著性检测

为了快速搜索场景中的重要目标,依据人类视觉系统的特点,提出了一种基于颜色信息相位谱的显著性检测模型. 通过分析图像颜色相位谱信息,建立显著性图谱,它能够表示出场景中重要目标的位置. 实验结果表明,在复杂背景下,该算法能够较好地检测出和人类视觉相一致的重要区域.     

卷积特征图融合与显著性检测的图像检索

针对基于深度学习的图像检索提取特征往往包含了复杂的背景噪声,导致图像检索的精确率并不高的问题,提出一种特征图融合与显著性检测的方法.首先,训练用于分类的深度卷积神经网络模型.然后,并将图像卷积之后的特征图谱进行融合,得到图像的显著性区域.最后,通过计算图像显著性特征的余弦距离来进行检索.实验结果证明:相比目前主流的方法,文中方法能够有效提高检测精度,且鲁棒性较高.     

基于优化查询的改进显著性检测算法

传统的基于图的流行排序算法,仅利用图像的边界作为背景查询,其查询选择的准确率直接影响算法的 结果,为此提出一种改进算法,利用现有算法的检测结果为基础,对前景与背景种子点的选取进行优化。 首先,对图像进行超像素分割,充分利用图像的中层信息; 其次,对图像利用流行排序算法计算图像显著图; 最后,对显著性结果进行处理,选取更优的查询点,得到最终显著图。在CSSD( Complex Scene Saliency Datase) 和ECSSD( Extended Complex Scene Saliency Datese) 数据集上与8 种算法进行比较,实验结果表明,该算法具有 更高的检测准确率。     

一种运动背景下视觉注意辅助的目标检测方法

针对运动背景下序列图像中前景目标难以准确检测的问题,提出了一种视觉注意辅助ViBe算法的目标检测方法.首先利用提出的"记忆窗"随机抽样一致性算法估计出背景运动模型,再将补偿后的帧图像送入视觉显著性辅助ViBe算法进行目标检测,其中背景更新因子由图像的二维熵和显著性共同决定,同时,显著性特征也被用来对"鬼影"效应进行滤波抑制.实验结果表明,在缺乏运动前景目标的先验知识的情况下,本方法能够有效地解决通常方法对运动背景中的目标难以甚至无法检测的问题,并且具有较高的鲁棒性和检测效率.     

基于时空显著性检测的3D视频生成方法

为了解决3D视频生成方法在获取深度线索方面的难题,使用显著图代替深度图进行3D视频生成。显著图和深度图在性质上有所不同,但是显著图是通过视觉注意力分析得到的,因此也可以给予人眼良好的感官体验。为了得到更适合进行视频内容转换的显著图,将时间信息融入到了深度学习模型当中。通过实验证明了本文方法在两个广泛使用的视频显著性数据集上拥有很好的表现力,所生成的3D内容也具有良好的视觉效果,证明了基于显著性检测的3D视频生成方法具有一定的可行性。