王静，李颖，宋甜

（四川大学电子信息学院，成都 610065）

0 引言

显著性目标检测的目的在于识别场景中最吸引人类注意力的区域。这一基础研究任务在各种计算机视觉应用中发挥着重要作用，比如场景分类［1］、视觉跟踪［2］、内容感知图像编辑［3］、光场图像分割［4］、图像字幕［5］、语义分割［6］、缩略图创建［7］、前景注释［8］和质量评价［9］等领域。

仅采用RGB 图像的显著性目标检测虽然能够较好的识别出场景中的显著性目标，但是在面对一些较为复杂的背景，如背景中具有不同的光照条件、目标与背景对比度较低以及显著目标和背景具有相似的外观等时，仍然有提升的空间。为了解决这些具有挑战性的问题，近年来常采用的一种方法是使用Depth 图像。Depth 图像可以在位置和空间结构上提供许多有用的信息。Depth图像提供的有用信息能和RGB 图像信息形成互补，有助于解决复杂背景下不能很好检测显著目标的问题。

传统的基于RGB-D的显著性目标检测方法主要依赖于手工提取的特征，如深度图中的边界信息、形状纹理以及表面法线等，以此来增强复杂背景中显著目标的识别。Ciptadi 等人［10］提出了一种新的包含深度信息的视觉显著性计算模型，并采用了一种从深度测量构建三维布局和形状特征的方法。Ren 等人［11］提出了一种两阶段RGB-D 显著性目标检测模型，其中通过整合区域对比度，以及背景、深度和方向先验来获得显著性图。Peng 等人［12］提出了一种专门的多阶段RGBD 模型，该模型考虑了低水平特征对比、中等水平区域分组和高水平先验增强所产生的深度和外观信息。……