《基于非線性融合的夜間圖像顯著目標(biāo)檢測》通過對視覺認(rèn)知的兩種模式—自底向上的顯著目標(biāo)檢測模型和自頂向下顯著目標(biāo)檢測模型的研究發(fā)現(xiàn)，底層視覺刺激可以注意資源的分配，而頂層的視覺感知和先驗知識又能很好地指導(dǎo)視覺顯著目標(biāo)的檢測，將兩者相結(jié)合可以提高檢測效率。《基于非線性融合的夜間圖像顯著目標(biāo)檢測》采用自底向上與自頂向下相結(jié)合的視覺信息加工模式，同時將場景圖像的局部特征與全局特征并行加工處理，通過特征融合實現(xiàn)夜間場景圖像的顯著目標(biāo)檢測�；诜蔷�性融合的夜間圖像顯著目標(biāo)檢測算法由底層傳統(tǒng)方法逐步過渡到頂層深度學(xué)習(xí)方法，為夜間圖像的顯著目標(biāo)檢測提供了良好指導(dǎo)，《基于非線性融合的夜間圖像顯著目標(biāo)檢測》詳細分析每種算法的細節(jié)及優(yōu)缺點。
更多科學(xué)出版社服務(wù)，請掃碼獲取。
目錄
前言
第1章 顯著目標(biāo)檢測 1
1.1 概述 1
1.2 受人類視覺系統(tǒng)啟發(fā)的顯著目標(biāo)檢測 3
1.2.1 視覺注意機制 3
1.2.2 顯著目標(biāo)檢測的神經(jīng)生物學(xué)機制 4
1.2.3 顯著目標(biāo)檢測的心理物理學(xué)機制 6
1.3 顯著目標(biāo)檢測算法 7
1.3.1 基于自底向上的顯著目標(biāo)檢測算法 8
1.3.2 基于自頂向下的顯著目標(biāo)檢測算法 8
1.4 定位顯著目標(biāo)的方法 9
1.4.1 基于像素級的方法 9
1.4.2 基于特征級的方法 10
1.4.3 基于決策級的方法 10
參考文獻 10
第2章 基于像素級非線性融合的夜間圖像顯著目標(biāo)檢測 14
2.1 頻域-空域融合的方法 14
2.1.1 顯著目標(biāo)檢測算法 14
2.1.2 頻域和空域顯著目標(biāo)檢測方法相關(guān)工作 15
2.1.3 顯著目標(biāo)檢測模型 17
2.1.4 實驗 23
2.1.5 總結(jié) 32
2.2 基于超像素的全局對比度驅(qū)動方法 32
2.2.1 基于超像素的全局對比度驅(qū)動的顯著目標(biāo)檢測算法 33
2.2.2 實驗結(jié)果 36
2.2.3 總結(jié) 43
2.3 基于局部-全局對比度的多尺度超像素級顯著目標(biāo)檢測模型 43
2.3.1 多尺度特征提取 44
2.3.2 暗通道先驗 47
2.3.3 中心先驗 47
2.3.4 顯著圖融合 48
2.3.5 實驗結(jié)果 48
2.3.6 總結(jié) 56
參考文獻 56
第3章 基于特征級非線性融合的夜間圖像顯著目標(biāo)檢測 60
3.1 基于局部-全局超像素協(xié)方差的顯著目標(biāo)檢測模型 60
3.1.1 局部和全局超像素協(xié)方差估計 61
3.1.2 基于圖的流形排序 62
3.1.3 基于特征的區(qū)域協(xié)方差 62
3.1.4 基于協(xié)方差的顯著性估計 63
3.1.5 基于擴散的顯著性優(yōu)化 64
3.1.6 實驗 64
3.1.7 總結(jié) 71
3.2 低對比度圖像中顯著目標(biāo)檢測的層次特征融合方法 72
3.2.1 視覺特征提取 72
3.2.2 自適應(yīng)多特征融合 77
3.2.3 實驗結(jié)果 79
3.2.4 總結(jié) 82
參考文獻 82
第4章 基于決策級非線性融合的夜間圖像顯著目標(biāo)檢測 85
4.1 低對比度圖像的顯著特征中的顯著目標(biāo)檢測 85
4.1.1 本節(jié)提出的顯著目標(biāo)檢測模型 86
4.1.2 實驗結(jié)果 89
4.1.3 總結(jié) 92
4.2 基于協(xié)方差卷積神經(jīng)網(wǎng)絡(luò)的低對比度圖像顯著目標(biāo)檢測模型 92
4.2.1 本節(jié)提出的模型 93
4.2.2 實驗結(jié)果 97
4.2.3 總結(jié) 109
參考文獻 109
第5章 基于非線性融合夜間圖像顯著目標(biāo)檢測的應(yīng)用 111
5.1 目標(biāo)跟蹤 111
5.2 目標(biāo)檢測 112
5.3 目標(biāo)識別 113
5.4 行人重識別 115
5.5 圖像檢索 116
參考文獻 117
書單推薦
