选择性背景优先的显著性检测模型

在检测图像显著性区域的领域中,背景优先是一个较新的思路,但会遇到背景鉴别这个具有挑战性的难题。该文提出背景真实性的判断问题,在探索的过程中发现背景通常具有连续性的特征,根据这一特性实现了判定背景的方法,并将判断的结果作为显著性先验值应用于后继的计算中,最终结果的准确性和正确性得到有效提高。该文首先采用均值漂移(MS)分割算法将图片预分为超像素,计算所有超像素的初始显著值;随后提取原图的4个边界条,计算每两条之间的色彩直方图距离,判定小于预设阈值的两条边界作为"真"的背景,选择它们作为优先边界,计算先验显著性值;最后进行显著性计算,得到最终的显著图。实验结果表明,该算法能够准确检测出显著性区域,与其他6种算法相比具有较大优势。

利用多级量化局部纹理特征的图像跟踪算法

针对传统的基于纹理特征的跟踪算法采用统计直方图描述目标,表达不够精确且计算量较大的问题,提出一种基于多级量化的局部纹理特征的点对点的图像跟踪算法.首先定义了一种高维纹理特征,其对单个的点具有较强的描述能力;随后通过矢量运算进行点对点匹配,根据匹配得出的点集的空间位置,利用均值漂移矢量实现初步定位;最后通过连续缩放窗口比例,同时使用颜色信息验证候选窗口与原始窗口的相似度,确定目标的位置和尺度.实验结果表明,该算法在场景复杂、噪声较大的环境中仍能准确地搜索到目标;在目标尺度变化时也具有较强的鲁棒性.