基于时空特征融合的视觉注意模型

吉林大学学报(工学版) ›› 2009, Vol. 39 ›› Issue (06): 1625-1630.

基于时空特征融合的视觉注意模型

郑雅羽^1,2,田翔¹,陈耀武¹

1.浙江大学生物医学工程与仪器科学学院|杭州 310027|2.浙江工业大学信息工程学院|杭州 310023

收稿日期:2008-03-13 出版日期:2009-11-01 发布日期:2009-11-01
通讯作者: 田翔（1979-），男，讲师，博士后.研究方向:嵌入式系统，网络媒体.E-mail:xiang.t@163.com E-mail:xiang.t@163.com
作者简介:郑雅羽（1978-),男|讲师|博士.研究方向：图像分析和理解|视频编码.E-mail:yayuzheng@zju.edu.cn
基金资助:
“863”国家高技术研究发展计划软件重大专项（2003AA1Z2130);浙江省科技计划重大科技攻关项目（2005C1100102）

Visual attention model based on fussion of spatiotemporal features

ZHENG Ya-yu^1,2,TIAN Xiang1,CHEN Yao-wu¹

1.College of Biomedical Engineering and Instrument Science,Zhejiang University,Hangzhou 310027,China|2.College of Information and Engineering,Zhejiang University of Technology,Hangzhou 310023,China

Received:2008-03-13 Online:2009-11-01 Published:2009-11-01

摘要/Abstract

摘要：

为了对人类视觉系统(HVS)中的注意机制进行建模，提出了一种基于时空特征融合的视觉注意模型。该模型以亮度对比度、纹理复杂度和前景物体的运动信息等三种初级视觉特征为基础，在自底向上的可计算架构上，采用空间域和时间域的特征融合方式，计算场景的视觉显著性图。试验结果表明，使用该模型可以对场景各个区域的显著性进行有效分析；与Walther和You视觉注意模型的对比结果也证明了该模型可以更准确地提取出场景的注意焦点(FOA)。

关键词: 计算机应用, 视觉注意模型, 特征融合, 显著性图, 注意焦点

Abstract:

To model the attention mechanism of human visual system, a visual attention model by fusing spatiotemporal features was proposed. The model is based on the bottomup computational framework, and it uses three low level visual features, including the luminance contrast, the texture complexity and the motion information of foreground objects. By fusing the spatial and temporal features, the visual saliency map of the scene can be achieved. Experimental results show that the proposed model can analyze the saliency of various regions in the sense effectively. Compared with Walther and You models, the proposed model can extract the focus of attention (FOA) in the scene more accurately.

Key words: computer application, visual attention model, feature fusion, saliency map, focus of attention

中图分类号:

TP391

郑雅羽,田翔.陈耀武. 基于时空特征融合的视觉注意模型[J]. 吉林大学学报(工学版), 2009, 39(06): 1625-1630.

ZHENG Ya-yu,TIAN Xiang,CHEN Yao-wu. Visual attention model based on fussion of spatiotemporal features[J]. 吉林大学学报(工学版), 2009, 39(06): 1625-1630.

参考文献

相关文章 15

[1]	刘富,宗宇轩,康冰,张益萌,林彩霞,赵宏伟. 基于优化纹理特征的手背静脉识别系统[J]. 吉林大学学报(工学版), 2018, 48(6): 1844-1850.
[2]	王利民,刘洋,孙铭会,李美慧. 基于Markov blanket的无约束型K阶贝叶斯集成分类模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1851-1858.
[3]	金顺福,王宝帅,郝闪闪,贾晓光,霍占强. 基于备用虚拟机同步休眠的云数据中心节能策略及性能[J]. 吉林大学学报(工学版), 2018, 48(6): 1859-1866.
[4]	赵东,孙明玉,朱金龙,于繁华,刘光洁,陈慧灵. 结合粒子群和单纯形的改进飞蛾优化算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1867-1872.
[5]	刘恩泽,吴文福. 基于机器视觉的农作物表面多特征决策融合病变判断算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1873-1878.
[6]	欧阳丹彤, 范琪. 子句级别语境感知的开放信息抽取方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1563-1570.
[7]	刘富, 兰旭腾, 侯涛, 康冰, 刘云, 林彩霞. 基于优化k-mer频率的宏基因组聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1593-1599.
[8]	桂春, 黄旺星. 基于改进的标签传播算法的网络聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1600-1605.
[9]	刘元宁, 刘帅, 朱晓冬, 陈一浩, 郑少阁, 沈椿壮. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1606-1613.
[10]	车翔玖, 王利, 郭晓新. 基于多尺度特征融合的边界检测算法[J]. 吉林大学学报(工学版), 2018, 48(5): 1621-1628.
[11]	赵宏伟, 刘宇琦, 董立岩, 王玉, 刘陪. 智能交通混合动态路径优化算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1214-1223.
[12]	黄辉, 冯西安, 魏燕, 许驰, 陈慧灵. 基于增强核极限学习机的专业选择智能系统[J]. 吉林大学学报(工学版), 2018, 48(4): 1224-1230.
[13]	傅文博, 张杰, 陈永乐. 物联网环境下抵抗路由欺骗攻击的网络拓扑发现算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1231-1236.
[14]	曹洁, 苏哲, 李晓旭. 基于Corr-LDA模型的图像标注方法[J]. 吉林大学学报(工学版), 2018, 48(4): 1237-1243.
[15]	侯永宏, 王利伟, 邢家明. 基于HTTP的动态自适应流媒体传输算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1244-1253.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed