基于稀疏子空間聚類和低秩表示的顯著性目標(biāo)檢測(cè).pdf

1、顯著性目標(biāo)檢測(cè)的目的是完整一致地檢測(cè)出圖像中最吸引人眼注意的目標(biāo)區(qū)域。人類等靈長(zhǎng)類動(dòng)物能夠快速地從復(fù)雜場(chǎng)景中選擇感興趣的區(qū)域，然而在機(jī)器視覺(jué)領(lǐng)域中，如何準(zhǔn)確高效地檢測(cè)出復(fù)雜場(chǎng)景中的顯著性目標(biāo)成為人們關(guān)注的問(wèn)題。
　　近年來(lái)，低秩矩陣恢復(fù)技術(shù)得到人們的廣泛關(guān)注，出現(xiàn)了一些基于低秩矩陣恢復(fù)的顯著性檢測(cè)算法。傳統(tǒng)基于低秩矩陣恢復(fù)的顯著性檢測(cè)算法假設(shè)背景特征屬于同一低維子空間，而將較小尺寸顯著性目標(biāo)的特征看作稀疏噪聲。因此，利用低秩矩陣恢

2、復(fù)算法將圖像的特征矩陣分解為低秩矩陣和稀疏矩陣，其中低秩矩陣包含背景信息，稀疏矩陣表示顯著性目標(biāo)信息。此類算法往往能夠準(zhǔn)確檢測(cè)簡(jiǎn)單場(chǎng)景中尺寸較小的顯著性目標(biāo)。然而，當(dāng)顯著性目標(biāo)的尺寸較大時(shí)，傳統(tǒng)基于低秩矩陣恢復(fù)的算法往往在顯著性目標(biāo)邊緣分配較大的顯著值，而不能完整地檢測(cè)出整個(gè)顯著性目標(biāo)區(qū)域。本文提出了一種基于稀疏子空間聚類和低秩表示的顯著性目標(biāo)檢測(cè)算法，該算法不僅能夠完整一致地檢測(cè)出較大尺寸的顯著性目標(biāo)，并且對(duì)于復(fù)雜背景圖像，它依然能夠

3、得到令人滿意的檢測(cè)效果。
　　本文的主要工作如下：
　　首先，詳細(xì)介紹了三種已有的基于低秩矩陣恢復(fù)的顯著性檢測(cè)算法，它們分別是基于稀疏表示與魯棒主成分分析的顯著性檢測(cè)、基于多任務(wù)低秩表示的顯著性檢測(cè)和基于特征變換與魯棒主成分分析的顯著性檢測(cè)。傳統(tǒng)基于低秩矩陣恢復(fù)的顯著性檢測(cè)算法主要假設(shè)顯著性目標(biāo)的尺寸較小，背景特征處于同一低維子空間，此類算法一般難以準(zhǔn)確檢測(cè)尺寸較大或復(fù)雜背景中的顯著性目標(biāo)。
　　其次，本文提出一種基于

4、稀疏子空間聚類和低秩表示的顯著性目標(biāo)檢測(cè)算法。該算法對(duì)輸入圖像進(jìn)行超像素分割，并對(duì)分割得到的超像素進(jìn)行拉普拉斯稀疏子空間聚類。每一個(gè)聚類包含具有相似特征的超像素，這些超像素可能同時(shí)屬于顯著性目標(biāo)或者圖像背景的部分區(qū)域，本算法將圖像顯著性目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)化成聚類的顯著性檢測(cè)問(wèn)題，并采用低秩表示算法分解聚類的特征矩陣。利用超像素局部-全局顏色對(duì)比度粗略構(gòu)建顯著性字典，該字典的原子可以分為三組：（1）前景超像素的特征；（2）背景超像素的特征；（

5、3）混合超像素的特征。在此字典的基礎(chǔ)上，利用低秩表示算法分解聚類特征矩陣，其低秩表示系數(shù)不僅能夠反映該聚類與前景的相似度，還能夠反映其與背景的相關(guān)性。因此，本算法利用低秩表示系數(shù)定義聚類的顯著性，能夠完整一致地檢測(cè)出尺寸較大的顯著性目標(biāo)。同時(shí)，為了更加準(zhǔn)確地檢測(cè)出尺寸較小的顯著性目標(biāo)，與傳統(tǒng)算法相似，該算法還利用重構(gòu)誤差定義超像素的顯著性。融合基于低秩表示系數(shù)和基于重構(gòu)誤差的顯著圖，得到最終的顯著性目標(biāo)檢測(cè)結(jié)果。
　　最后，在Wi