论文部分内容阅读
目标检测的任务是从图像中检索感兴趣对象的位置,目标提取的任务是从感兴趣区域提取感兴趣对象(包括大小和形状等),因此,可靠的目标检测技术在计算机机器视觉领域中越来越重要。但是,实际环境中目标的复杂性(包括颜色、纹理、大小、遮挡和复杂的背景)使得算法的设计变得非常困难。近些年来,虽然目标检测技术取得了巨大的进步,但是单帧图像中的目标检测在理论和应用上仍存在许多难点尚未解决。复杂的目标特征降低了目标检测的速度;简单的目标特征使得正确检测率降低了。目前,还没有任何一种通用的算法能够同时满足上述两种要求,因此,研究单帧图像下的目标检测具有重要的理论意义和很高的使用价值。 本研究针对目标检测的问题,提出了一种结合梯度和显著性特征的目标检测模型(GSFM)。首先,对原始图像进行显著性处理,经过显著性处理后的图像背景得到大量抑制。然后,在目标检测模型的指导下,采用交替求解的方法使能量函数最小化,分别得到最优的梯度特征和显著性特征。接着,对最优特征对应的区域进行重新组合,得到唯一的最优区域,视为目标区域。最后,由于该最优区域是在规定的几个不同尺度大小的窗口下求得,而这些不同尺度大小的窗口不一定适合图像中所有的目标,因此,我们在最优区域的基础上实行多尺度扩展算法,将多尺度扩展算法得到的窗口代入到滤波器校正函数后得到最大的滤波器得分,该最大的滤波器得分对应的窗口区域为所求得最终的目标区域。同时,由于基于图论的分割方法存在需要手动设置初始窗口等缺陷,我们进一步将本文提出的目标检测算法应用到目标提取中,实现自动多目标分割。针对本文提出的算法及其应用,大量的实验结果和量化的评估指标验证了算法是有效可行的,而且具有一定的鲁棒性,量化的和视觉的对比实验说明了本算法不仅有效而且能更准确地检测目标,目标提取实验说明本文提出的目标检测算法具有较强的应用性。