一种改进的时空线索的视频显著目标检测方法

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (16): 161-165.

一种改进的时空线索的视频显著目标检测方法

秦利斌，刘纯平，王朝晖，季怡

苏州大学计算机科学与技术学院，江苏苏州 215006

出版日期:2015-08-15 发布日期:2015-08-14

Approach of detecting salient objects in videos using spatiotemporal cues

QIN Libin, LIU Chunping, WANG Zhaohui, JI Yi

Shool of Computer Science and Technology, Soochow University, Suzhou, Jiangsu 215006, China

Online:2015-08-15 Published:2015-08-14

摘要/Abstract

摘要： 针对Zhai和Shah提出的原始时空显著性检测模型在空间显著性方面仅仅使用了图像的亮度信息，忽略彩色图像中的色彩信息的不足，提出了一种基于HSV颜色模型的空间显著性计算方法。该方法充分利用图像中的亮度信息和彩色信息，从像素级和区域级两个层次上进行显著性的计算。将改进的空间显著性计算与Zhai和Shah提出的时间显著性计算以及时空融合框架进行整合，检测视频中的显著目标。实验证明改进方法在光照不均和背景较复杂的情况下获取的空间显著区域和显著目标比原始方法更准确。

关键词: 时间显著模型, 空间显著目标检测模型, 动态融合, 目标检测, 复杂场景

Abstract: The original model of spatiotemporal visual attention detection only uses intensity of image and doesn’t consider the color information in spatial attention model. A novel technique is proposed to get spatial saliency map. The spatial saliency is computed in two levels：pixel level and region level. The proposed technique takes advantage of intensity and color information. The results of experiment demonstrate the proposed technique get more accuracy in obtaining salient region and object detection to visual scene with unevenly illumination and complex background.

Key words: temporal attention model, spatial attention model, dynamic fusion, object detection, complex scene

秦利斌，刘纯平，王朝晖，季怡. 一种改进的时空线索的视频显著目标检测方法[J]. 计算机工程与应用, 2015, 51(16): 161-165.

QIN Libin, LIU Chunping, WANG Zhaohui, JI Yi. Approach of detecting salient objects in videos using spatiotemporal cues[J]. Computer Engineering and Applications, 2015, 51(16): 161-165.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[3]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[4]	王博，宋丹，王洪玉. 无人机自主巡检系统的关键技术研究[J]. 计算机工程与应用, 2021, 57(9): 255-263.
[5]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[6]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[7]	董旭彬，赵清华. 改进Mask R-CNN在航空影像目标检测的研究应用[J]. 计算机工程与应用, 2021, 57(8): 133-144.
[8]	徐少杰，曹雏清，王永娟. 视觉SLAM在室内动态场景中的应用研究[J]. 计算机工程与应用, 2021, 57(8): 175-179.
[9]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[10]	董鹏，周烽，赵悰悰，王亚飞，米泽田，付先平. 基于双目视觉的水下海参尺寸自动测量方法[J]. 计算机工程与应用, 2021, 57(8): 271-278.
[11]	刘紫燕，袁磊，朱明成，马珊珊，陈霖周廷. 融合SPP和改进FPN的YOLOv3交通标志检测[J]. 计算机工程与应用, 2021, 57(7): 164-170.
[12]	马巧梅，王明俊，梁昊然. 复杂场景下基于改进YOLOv3的车牌定位检测算法[J]. 计算机工程与应用, 2021, 57(7): 198-208.
[13]	侯旋，薛飞，陈涛. 无人机目标检测量子多模式识别优化算法[J]. 计算机工程与应用, 2021, 57(7): 228-236.
[14]	沈新烽，姜平，周根荣. 改进SSD算法在零部件检测中的应用研究[J]. 计算机工程与应用, 2021, 57(7): 257-262.
[15]	肖雨晴，杨慧敏. 目标检测算法在交通场景中应用综述[J]. 计算机工程与应用, 2021, 57(6): 30-41.