视觉显著性预测模型通过计算建模来模拟人类观看图像时的视觉注意力机制,预测图像中不同区域受到的视觉关注程度,可以应用于图像处理、视觉设计等领域。基于图像本身特征的视觉显著性预测模型存在精确性和扩展性较差的问题,而基于深度神经网络的视觉显著性预测模型能有效改进预测性能,但需要大量训练数据才能取得较好结果。引入眼动数据可以有助于对已有视觉显著性预测模型进行完善,但传统眼动跟踪方法受到设备成本、场地、操作过程等限制,眼动数据获取效率和实用性较低。为此,本文采用基于众包机制的眼动数据获取方法替代传统眼动跟踪,建立了众包式眼动数据集,在此基础上,训练基于全卷积神经网络结构的视觉显著性预测模型,并以静态网页图片为例进行了测试和应用。主要研究工作包括以下三个部分:(1)改进了基于用户注视点回忆的众包式眼动跟踪方法。在原有用户注视点回忆和自我报告的众包式眼动跟踪方法基础上,为了提高众包式眼动数据的精度和获取效率,通过用户实验,研究了在数据采集阶段不同参数对众包式眼动数据精度的影响,并针对蒙板图片、任务类型、刺激图片等进行了相应的优化,使众包式眼动数据的精度达到了1度视角,比已有方法的精度提高了3.57%。在此基础上,建立了面向静态网页图片的众包式眼动数据集。(2)提出了基于众包式眼动数据的视觉显著性预测模型。以静态网页图片为例,采用全卷积神经网络建立了视觉显著性预测模型。将图片和对应众包式眼动数据生成的热区图作为输入进行模型训练,通过最小化预测结果的损失值,使模型进一步学习人眼视觉感知特征。测试结果表明,与已有模型相比,线性相关系数提高了44.8%,相对熵降低了13.9%,验证了本文视觉显著性预测模型的预测精度得到了有效提升。(3)视觉显著性预测模型的应用。设计并开发了图片视觉显著性预测与辅助设计系统。用户通过上传图片,可以在线获得对于静态网页图片的视觉显著性预测结果,以及相应的设计辅助。实验结果表明,在本文系统的辅助下,网页设计师修改后的设计比初始设计的用户评分提高了8.18%,验证了本文系统的可行性与实用性。