天津大学 电气自动化与信息工程学院, 天津 300072
针对背景环境复杂的图像组中协同显著性检测的共显性目标混乱不一致、准确率低的问题, 提出了一种基于对象性和多层线性模型的图像协同显著性检测方法。首先通过显著性先验和对象性概率加权的背景引导因子BGO计算图像间显著性引导传播的显著值; 然后设计了一种局部区域特征计算图像内显著值, 并使用图像的hu矩的零、一阶和二阶矩对两阶段显著值进行整合; 最后通过多层线性模型自适应地融合各个显著图得到最终结果。实验结果表明: 本文算法分别在iCoseg和MSRC两个数据集上的平均精度达到了87.80%和83.50%, 在其它实验指标上的评估结果也有明显提高, 增强了算法的适应能力。
协同显著性检测 多层线性模型 对象性 图像的矩 co-saliency detection multi-layer linear model objectness image moments
1 南京航空航天大学金城学院，江苏南京 210016
2 南京航空航天大学民航学院，江苏南京 210016
3 光电控制技术重点实验室，河南洛阳 471023
行人检测是计算机视觉的经典问题。针对红外图像中的行人检测问题，提出了一种基于似物性和稀疏编码及空间金字塔特征提取的行人检测方法。首先，针对红外图像的特点，利用基于频域残差的显著性分析方法得到红外图像的显著图，在此基础上提出了一种似物性计算方法，进而得到不同区域的似物度得分，并根据得分提取出感兴趣区域；其次，以尺度不变特征转换为基础，将稀疏编码和空间金字塔算法应用于非监督特征学习实现对感兴趣区域的特征提取；最后，利用线性支持向量机构建分类器实现对图像中每个感兴趣区域的行人检测。实验结果验证了本文提出的感兴趣区域提取算法和针对单幅红外图像行人检测算法的有效性。
红外图像 行人检测 似物性 频域残差 稀疏编码 空间金字塔 infrared image pedestrian detection objectness spectral residual sparse coding spatial pyramid matching
北京航空航天大学 精密光机电一体化技术教育部重点实验室，北京 100191
实现高效准确的目标检测算法在视频监控、自动导航等诸多领域有着至关重要的作用。针对现有目标检测算法速度不高且鲁棒性差的缺点，提出了一种基于对象性测度估计和霍夫森林的快速目标检测方法。首先，基于自下而上的视觉注意机制，采用对象性测度估计，提取图像中的物体候选集；然后，在由物体候选集确定的感兴趣区域内进行霍夫森林目标检测，确定目标中心位置；最后，结合目标中心所在的对象性测度估计候选框的尺度信息，确定目标大小。实现结果表明，该方法在提高霍夫森林目标检测算法检测准确度的同时，大大提升了检测速率。
目标检测 霍夫森林 对象性测度估计 object detection Hough forest objectness estimation
