视觉选择注意计算模型是主动/仿生视觉的研究热点,涉及视觉生理学、心理学、计算机视觉、人工智能和信息处理等多个学科,研究内容相当丰富。视觉选择注意机制的研究为设计更智能的仿生视觉系统提供了依据和基础,通过视觉注意机制选择出图像中的感兴趣区域或物体,将系统资源集中于显著区域,为后续的视觉处理,如图像理解、场景分析、目标检测和识别等提供了极大便利。本文采用协同学理论和协同模式识别方法研究视觉选择注意计算模型中存在的关键问题。论文以建立视觉注意机制引导的协同目标识别模型为目的,以“表达—＞学习—＞注意—＞选择—＞识别”为研究主线,研究并建立了视觉特征图的非线性尺度空间表示和注视区域的最佳尺度选择方法;利用协同视觉模式感知方法研究视觉任务对低层视觉特征之间产生的偏置,生成任务相关的注意显著图引导视觉注意,融合了低层数据和高层视觉任务;研究了作为视觉注意基元的感知物体的特性,提出了面向物体的视觉注意显著性度量方法,结合了基于空间和基于物体观点的视觉注意研究思路。本文的主要工作如下:(1)综述了视觉选择注意机制的认知学和工程学研究现状,指出视觉注意计算模型研究中存在的问题,分析了采用协同学和协同模式识别方法研究视觉选择注意机制的可行性,提出了协同视觉选择注意计算模型研究的内涵和方法。(2)分析了视觉感受野和整合野的中央—外周差计算策略,研究了线性和非线性尺度空间表示的特性,在此基础上,提出了视觉注意特征图的非线性尺度空间表示和注视区域的最佳尺度选择方法。(3)采用协同识别理论研究二义及多义模式的感知,提出了协同模式感知方法,以此计算低层视觉特征在任务影响下相互间产生的偏置值,建立了任务相关的注意显著图引导视觉注意,选择出的显著区域与视觉任务密切相关。基于协同模式感知的任务显著图生成方法有机融合了低层数据和视觉任务,结合了Bottom-up和Top-down的视觉注意研究方法。(4)研究了基于物体的视觉注意机制中作为注意基元的感知物体的定义、建模和提取算法,以协同学“协同形成结构,竞争促进发展”的思想为依据,研究了感知物体的协同分组策略,提出了面向物体的视觉注意显著性度量方法,有效联系了基于空间和基于物体观点的视觉注意研究思路。(5)研究了基于主分量分析的原型物体表示和协同学习算法,针对复杂场景中的目标检测和识别问题,提出了一种基于梯度动力学的显著区域不变性算法,建立了视觉注意机制引导的目标识别模型,有效结合了视觉选择注意机制与目标识别过程,模拟了人在认知过程中的表达、学习、注意、选择和识别等特性。