针对现有的显著性目标检测算法在受到相似背景干扰时, 易出现目标检测准确度低、稳定性差的问题, 提出一种基于双目视觉的显著性目标检测方法。受人眼视觉特性启发, 将双目视觉模型感知的深度信息作为显著性特征与多特征聚类分割结果进行协同处理, 定量分析图像区域级的深度显著性, 再将全局显著性与区域深度显著性进行加权融合, 突出目标区域, 根据融合结果的区域分布进行背景抑制, 完成显著性目标的检测。实验结果表明, 与现有的显著性目标检测算法相比, 该算法有效地抑制了相似背景的干扰, 并且准确度高、稳定性好。

基于混合部件模型的人体姿态估计方法忽视了人体结构的对称位姿约束关系, 从而导致对称部件容易被重复检测、人体姿态估计准确率较低, 为此, 提出一种基于位姿约束与轨迹寻优的姿态估计新方法。首先估计人体单部件和对称部件在单帧图像中的多个合理位置, 利用对称部件之间的位姿约束关系构建标识部件。然后根据单部件和标识部件各自的目标优化函数, 通过动态规划算法反复迭代获得初始轨迹候选集, 再结合轨迹的全局特征剔除检测得分较低的运动轨迹。最后引入树形合约模型, 联系时空上下文信息, 准确求解出视频序列光滑且兼容的最优轨迹。在N-best、Outdoor Pose和Scene数据集中的实验结果表明, 对于存在背景复杂、运动模糊、部件遮挡等问题的视频序列中, 该方法平均姿态估计准确率达87%以上, 有效减少了对称部件的误判, 提高了视频中人体姿态估计的准确率。