本书通过对视觉认知的两种模式—自底向上的显著目标检测模型和自顶向下显著目标检测模型的研究发现,底层视觉刺激可以注意资源的分配,而顶层的视觉感知和先验知识又能很好地指导视觉显著目标的检测,将两者相结合可以提高检测效率。本书采用自底向上与自顶向下相结合的视觉信息加工模式,同时将场景图像的局部特征与全局特征并行加工处理,通过特征融合实现夜间场景图像的显著目标检测。基于非线性融合的夜间图像显著目标检测算法由底层传统方法逐步过渡到顶层深度学习方法,为夜间图像的显著目标检测提供了良好指导,书中详细分析每种算法的细节及优缺点。
样章试读
目录
- 目录
前言
第1章 显著目标检测 1
1.1 概述 1
1.2 受人类视觉系统启发的显著目标检测 3
1.2.1 视觉注意机制 3
1.2.2 显著目标检测的神经生物学机制 4
1.2.3 显著目标检测的心理物理学机制 6
1.3 显著目标检测算法 7
1.3.1 基于自底向上的显著目标检测算法 8
1.3.2 基于自顶向下的显著目标检测算法 8
1.4 定位显著目标的方法 9
1.4.1 基于像素级的方法 9
1.4.2 基于特征级的方法 10
1.4.3 基于决策级的方法 10
参考文献 10
第2章 基于像素级非线性融合的夜间图像显著目标检测 14
2.1 频域-空域融合的方法 14
2.1.1 显著目标检测算法 14
2.1.2 频域和空域显著目标检测方法相关工作 15
2.1.3 显著目标检测模型 17
2.1.4 实验 23
2.1.5 总结 32
2.2 基于超像素的全局对比度驱动方法 32
2.2.1 基于超像素的全局对比度驱动的显著目标检测算法 33
2.2.2 实验结果 36
2.2.3 总结 43
2.3 基于局部-全局对比度的多尺度超像素级显著目标检测模型 43
2.3.1 多尺度特征提取 44
2.3.2 暗通道先验 47
2.3.3 中心先验 47
2.3.4 显著图融合 48
2.3.5 实验结果 48
2.3.6 总结 56
参考文献 56
第3章 基于特征级非线性融合的夜间图像显著目标检测 60
3.1 基于局部-全局超像素协方差的显著目标检测模型 60
3.1.1 局部和全局超像素协方差估计 61
3.1.2 基于图的流形排序 62
3.1.3 基于特征的区域协方差 62
3.1.4 基于协方差的显著性估计 63
3.1.5 基于扩散的显著性优化 64
3.1.6 实验 64
3.1.7 总结 71
3.2 低对比度图像中显著目标检测的层次特征融合方法 72
3.2.1 视觉特征提取 72
3.2.2 自适应多特征融合 77
3.2.3 实验结果 79
3.2.4 总结 82
参考文献 82
第4章 基于决策级非线性融合的夜间图像显著目标检测 85
4.1 低对比度图像的显著特征中的显著目标检测 85
4.1.1 本节提出的显著目标检测模型 86
4.1.2 实验结果 89
4.1.3 总结 92
4.2 基于协方差卷积神经网络的低对比度图像显著目标检测模型 92
4.2.1 本节提出的模型 93
4.2.2 实验结果 97
4.2.3 总结 109
参考文献 109
第5章 基于非线性融合夜间图像显著目标检测的应用 111
5.1 目标跟踪 111
5.2 目标检测 112
5.3 目标识别 113
5.4 行人重识别 115
5.5 图像检索 116
参考文献 117