|
文献综述
一、 课题背景目的及意义
在”大数据时代”的时代背景下，科学技术得到了日新月异的迅猛发展，通信技术，多媒体信息采集和处理技术达到了空前的高度，数字化媒体信息的应用日益普遍化。面对海量的数据，如何快速高效的利用更少的数据传达更丰富的内容，成了热门的研究课题。数据有效传输的关键在于如何排除其他辅助性的冗余信息，提取关键的信息。
在积极的探索中，视觉显著性检测技术应运而生。视觉显著性检测的概念起源于人类视觉系统，它是人类最重要的感知系统。这一系统帮助人类在大量不相关复杂信息的干扰下快速准确的显著性物体或者感兴趣的目标。人类观测图像时，视觉加工过程分为两个重要的阶段。前注意阶段的任务是无意识的检测图像的独立性特征，包括颜色、尺寸、方向、纹理等底层信息，这一过程是平行的、自动化的；后一阶段是知觉阶段，这一阶段的任务是将原始的、彼此分开的特征正确的联系起来，并整合成一单一的物体，赋予其语义表达，这一过程由视觉系统完成，这是一个自动化的、序列的处理过程。人类视觉加工过程就是视觉注意机制，参照人类的这一视觉注意机制，构造合适的显著性检测模型，积极发展视觉显著性检测技术便能解决很多视觉领域的难题。
二、 国内外的研究情况
鉴于显著性检测技术的蓬勃发展，许多国内外相关领域的实验室都积极投入到了显著性检测模型的研究与应用探索中。其中比较著名的有美国南加州大学视觉实验室iLab，牛津大学视觉研究所VGG，麻省理工大学视觉组AI Lab，意大利Pavia大学的CVLab，以色列Weizmann工学院的FMCS，以及国内的清华大学，上海交通大学，西安交通大学等实验室。
早期的显著性检测方法是由Itti等人在Koch和Ullman的生物启发模型基础上提出的，主要通过多尺度图像特征的中心-周围差异得到；Hou等人通过傅里叶变换的相位信息提取图像的显著性图；Achanta等人在此基础上提出了频域调谐法，其原理是通过高斯滤波后的图像像素颜色与图像平均颜色之差得到显著图；Goferman等人［16］将现有的显著性检测方法进行了融合，图像以块为单位，利用图像颜色的对比度，结合像素局部和全局性计算显著值，最后通过多尺度增强显著图；Cheng等人［17］则利用图分割方法将图分割成小块，对每个小块建立颜色直方图，计算与其他小块的颜色对比度，最后融合空间信息得到显著图；Perazzi等人［18］利用改进的图割算法将图像分割成多个部分，去除不相关的细节，这对获取高质量的显著图起到很大的作用，通过图像超像素颜色对比和空间信息计算，获取显著图，计算过程中通过高斯滤波降低时间复杂度；刘扬［2］等人针对视觉认知的神经信息处理机制，提出了一种新的综合了自底向上和自顶向下两方面视觉注意原理的视觉显著性计算模型；最新研究成果张世辉等人［3］通过提取65维特征向量对图像进行分割处理，计算区域颜色对比度、区域纹理对比度和区域空间相干性得到区域对比度图，然后根据中心先验和颜色先验信息与区域对比度图进行融合得到初步的显著图，最后利用多尺度融合获得最终的显著图。
三、 图像显著性检测模型
显著性检测方法一般可分为两类，一类是自顶向下的显著性检测法，一类是自底向上的显著性检测法。前者通过对特征的学习总结显著性区域特征从而对图像进行预测，是由任务驱动的；后者通过对图像各种底层信息进行数学建模计算来快速检测出显著性，是无任务驱动的。
1. TI模型
IT模型显著性检测研究领域最经典的模型。此模型基于特征集成理论和中心-周边机制，利用人类视觉系统对颜色、亮度以及方向等底层信息的反应，自底向上的模拟了人类视觉注意机制，建立了一个多尺度对比融合的显著性检测模型。
IT模型首先将输入的原始图像分成颜色、亮度、方向三个通道，分别构建九层高斯金字塔模型，利用中心-周围差异化算子提取一系列的特征拓扑图，然后将每一类的特征拓扑图规范化后融合成一个特征图。再利用特征合成理论将不同尺度不同通道上提取出来的特征合成到最终的显著图。
图1 IT模型框架图
2. 基于频域的显著性检测模型FT方法
图像在频域中分为低频和高频两个部分，图像的细节信息表现在高频部分，整体信息表现在低频部分，所以应该更多的保留低频部分。设显著性的频率范围是，要使显著性图包含完整的显著性目标，那么（图像的最低频率）的取值应该尽量小一点；要使显著性图包含图像的更大细节问题及边界，那么（图像的最高频率）的取值应该尽量大一点，但是为避免噪声和纹理图像的最高频域部分应该舍去。FT方法通过高斯滤波器和平均值的简单计算就可以检测出图像的显著性区域，实现起来比较简单，但有时也会检测出图像不重要的信息。
3. 基于图论的视觉显著性GBVS
GBVS生成的显著图主要集中在一块区域且有利于阈值分割，GBVS在特征提取上沿用Itti等人提出的方法，并在计算特征之间的差异时引入马尔科夫链得到显著性值，最终归一化显著值生成视觉显著图。
与其他的显著性检测模型类似，该算法主要包含两个部分。第一部分是图像特征的提取，该部分通过线性滤波和一些基本的非线性滤波实现；第二部分是显著图的生成，该部分的具体过程如下：
假设已经得到输入图像的特征图:，然后定义距离为：
（1）
其中和分别是节点和的特征，将特征图M每个像素点都两两连接起来成为，对两个节点和有方向的边定义一个权重：
（2）
（3）
其中是一个参数（一般取图像宽度的十分之一到十五分之一），注意到反方向边的权重是一样的。这时将从任何节点出去的边的权重归一化到在上定义一个马尔科夫链，显著值从两两对比中得到，得到显著图A，接下来对注视图进行归一化，最后得到显著图。
四、图像显著性检测的应用
由于显著性检测的快速发展，它在图像缩放、目标分割和图像检索等领域应用广泛。传统线性缩放的方法对数字图像进行行列非等比例的缩放时，图像内容会产生比较明显的失真，但利用显著性检测找出图像中重要的部分，并维持重要部分的内容不改变，在缩放时只对非重要区域的内容进行删除或者插入操作，便能使图像在非等比例缩放时具有良好的抗畸变性能。在传统的图像检索首先对整幅图像进行特征提取,再利用提取到的全局特征进行信息匹配，这很难准确的把握图像所包含的语义信息，若取出图像的显著性区域，并与检测主体之间进行相似度比较，可降低图像检索的干扰因素。
随着科学技术尤其是计算机及网络领域技术的迅猛发展，生物特征的自动识别技术得到了广泛的研究与开发。在当今信息爆炸的社会，信息的安全性以及隐蔽性变得越来越重要，如何有效、方便的进行身份验证和识别，越来越成为一个突出的问题。传统验证方式如身份证、密码卡、口令卡等无不存在着诸多问题，并且伴随着各类破解技术的不断进步，也面临着越来越严峻的挑战，人脸识别技术作为人类视觉上最杰出的能力之一，由于它的无害性以及用户最直观自然的方式，因此使得其成为生物特征自动识别技术领域最具有应用前景的方式。从社保领取到校园门禁，从远程预授信到安检闸机检查，人脸识别正在加速普及。利用显著性检测技术，计算出图像各区域的显著性，由此得到图像的显著子图；再根据区域的显著性大小，按照从高到低的顺序，并结合人脸的特性，对区域进行分割和识别，并且根据结果，不断调整对人脸区域的判定，这将有效降低非重要区域造成的干扰，提高人脸识别的准确度。
参考文献 ：
［1］ 张巧荣，冯新扬.利用视觉显著性和粒子滤波的运动目标跟踪[J].中国图像图形学报，2013,18(5):515-522.
［2］ 刘扬，杨伟，郑逢斌.视觉选择性注意的认知神经机制与显著性计算模型[J].小型微型计算机系统，2014,35(3):584-589.
［3］ 张世辉，候芳，段亮亮，等.图像显著性区域检测:一种多层次融合的方法[J].小型微型计算机系统，2014,35(8):1876-1881.
［4］ 曹向海，邓湖明，黄波.背景感知的显著性检测算法[J].系统工程与电子技术，2014,36(8):1668-1672.
［5］ 张巧荣，顾国昌，刘海波，肖慧敏.利用多尺度频域分析的图像显著区域检测[J].哈尔滨工程大学学报，2010,31(3):361-365.
［6］ 张巧荣，顾国昌，肖慧敏.利用视觉显著性的图像分割方法[J].中国图像图形学报，2011,7:84-92.
［7］ 黄志勇，何发智，蔡贤涛.一种随机的视觉显著性检测算法[J].中国科学，2011,41(7):863-874.
［8］ 许小东.网络敏感图像检测系统的研究与实现[D].浙江大学 2014.
［9］ 王春瑶，陈俊周，李炜.超像素分割算法研究综述[J].计算机应用研究，2014:Vol.31:6-11.
［10］ 李勇.基于区域对比度的视觉显著性检测算法研究[D].上海交通大学，2013:1-10.
［11］张文杰，熊庆宇.基于对比度与空间位置特征的显著性区域检测[J].2015,5:1709-1716.
［12］邹强.复杂背景下显著性目标快速检测技术研究[D].中国科学研究院大学，2014:30-33.
［13］张颖颖，张帅.融合对比度和分布性的图像显著性区域检测[J].光学精密工程，2014,4:Vol.22:1012-1019.
［14］白飞雪，王文剑，梁吉业.基于区域显著性的活动轮廓分割模型[J].计算机研究与发展，2012,49(12):2686-2695.
［15］高尚兵，严云洋，宗慧.基于显著性区域的图像分割[J].微电子学与计算机，2011,28(10):21-23.
［16］Goferman S，Zelnik M L，Tal A.Context-aw are saliency detection[J]. IEEE Trans. On Pattern Analysis and Machine Intelligence，2012,34(10):1915- 1926.
［17］Cheng M M，Zhang G X，M itra N J，et al. Global contrast based salient region detection [C]. Proc. of the IEEE Conference on Computer Vision and Pattern Recognition，2011:409-416.
［18］Perazzi F，Krabenbhl P，Pntch Y，and Hornung A. Saliency filters: contrast based filtering for salient region detection [C].25th IEEE Conference on Computer Vision and Pattern Recognition (CVPR)，2012:733-740.
| 
