赵 强，王爱平，刘政怡

1.安徽大学 计算智能与信号处理教育部重点实验室，合肥230601

2.安徽大学 计算机科学与技术学院，合肥230601

3.安徽大学 信息保障技术协同创新中心，合肥230601

1 引言

图像显著性检测是检测人类视觉中的明显物体，是计算机视觉中关键的预处理阶段。其通过关注显著目标以减少计算的工作量，被广泛应用在图像分割[1]、图像检索[2]、机器人场景识别[3]等领域。

近年来RGB 图像显著性检测方法发展迅速[4-5]，这些方法使用不同的视觉线索检测显著图，如颜色对比和边缘。因为颜色信息对人类视觉感官系统有天然的吸引力，作为先驱，Itti 等人[6]通过组合三个特征图来呈现显著图，包括不同尺度的颜色、强度和方向；Achanta 等人[7]检测的方法是通过每个像素颜色值的差值来计算的；在最近的工作中，文献[8]通过底层特征与深度卷积特征融合得到显著图；文献[9]利用深度卷积神经网络学习高级特征来解决显著对象检测问题并将低级特征结合到深层模型。以上算法都是针对2D图像进行处理，但显著性检测在3D视觉中也有切实的应用场景。

随着RGB-D图像的出现，深度信息逐渐被挖掘，人们利用颜色和深度信息自动定位人体感兴趣的物体，降低了视觉分析的复杂性，并将其作为一个重要的预处理步骤。对于RGB-D 图像显著性检测任务，如何获得具有判别性的深度特征是第一关键问题，早期作品主要集中在使用原始单维深度值或设计手工制作的功能。例如，文献[10]将颜色特征和深度特征结合在一起；……