视觉信息处理中注意机制计算模型研究.pdf

  华  中 科  技  大 学 博 士 学 位 论  文  摘 要 视觉注意机制是计算机视觉领域一个重要的研究课题。由于视觉注意机制的过 程非常复杂，几乎涵盖了认知科学、神经科学、生物学以及计算机科学等各门学科， 到目前为止人们对视觉注意的过程还没有完全了解。现有的视觉注意模型主要集中 于自底向上的模型，这种模型是由数据驱动的，虽然取得了一定的成功，但在很多 方面还存在着不足，比如在很多情况下，人们的注意往往受到先验知识的引导，即 自顶向下的视觉注意模型；在静态场景中人们的注意力更易于被移动的刺激所吸引， 即动态和静态的视觉注意模型；在图像压缩中，显著性的区域比其他区域更重要， 压缩时应给予较高的分辨率，即可变分辨率的图像压缩模型。因此，研究这些视觉 注意机制计算模型具有十分重要的意义。  在目标背景对比度的模型中，将所有的训练目标融合成一个目标类，将所有的 训练背景融合成一个背景类，对于每一个特征，目标类的显著性均值与背景类的显 著性均值的比值得到一个权重，所有特征的权重构成一个权重向量；对于一个待注 意场景，所有的特征图通过权重向量联合生成 自顶向下的显著性图；自顶向下和自 底向上的显著性图融合生成全局显著性图，此图向导了视觉注意。  在目标自身特性的模型中，在训练阶段，使用初级水平的视觉特征如颜色、亮 度、方位和纹理，每一个特征被分成不同的部分如颜色特征被分成红、绿、蓝三个 部分，根据目标自身而不依靠背景信息提取这些特征，并且这些特征被表示成均值 和标准差被存储在长期记忆库中。在注意阶段，待注意图中相应的特征被提取出来， 对于每一个特征，通过比较训练的特征图和待注意的特征图得到相似性图，这两种 特征图越相似，则得到的相似图的响应越强烈，然后所有的相似性图被联合形成自 顶向下的显著性图，与此同时，通过待注意图本身的对比度得到自底向上的显著性 图，这两个显著性图被融合成全局显著性图。  在动态和静态的模型中，主要介绍了基于最大化熵的时空显著性视觉注意计算 I   华  中 科  技  大 学 博 士 学 位 论  文  模型。模型的输入是一个短的视频，从该视频的中截取连续几帧，对于每一帧，提 取颜色对比度特征，亮度对比度特征，方位特征和纹理特征，对于特征图中的每一 点，计算熵值图，这些熵值图逐步融合形成了动态显著性图；与此同时，按照自底 向上的方法计算当前帧的静态显著性图，动态和静态显著性图融合生成了全局显著 性图，该图决定了显著性的区域。  在可变分辨率的图像压缩的模型中，对于一幅给定的图像，使用自底向上的视 觉注意方法找到显著性的区域，通过压缩编码的方法获得压缩图像。一般而言，第 一个显著性区域不被压缩，保持原有的分辨率；最不显著的部分给出了最高的压缩 率；显著性值在中间的部分，显著性越低，压缩率越高。通过这种方法，得到了一 个基于视觉注意区域可变分辨率的图像压缩模型。该模型不仅对整个图像可以达到 一个高的压缩率，而且还可以保持显著性区域高分辨率的效果。  最后，本文对所做的工作进行了归纳总结，并且结合本文的不足之处，分析和 讨论了进一步的研究计划。    关键词：视觉注意     生物激励     自顶向下    注意选择    显著性图           时空显著性模型    最大化熵    可变分辨率  II   华  中 科  技  大 学 博 士 学 位 论  文  Abstract Visual attention mechanism is one of the important problems in computer vision community, and it almost includes perceive