孟 庆 春(郑州工业应用技术学院信息工程学院 河南 郑州 451100)

0 引 言

显著性目标检测作为图像的预处理模块，可用于目标检测、目标跟踪、目标分割等各种方面。近年来，显著性目标检测成为国内外计算机视觉研究的热点问题。早期的显著性目标检测研究多是基于视觉对比度，此后局部对比度和全局对比度也逐渐在显著性目标检测中得到应用[1]。视觉对比主要是采用不同类型手工标识的低层次特征(如颜色、强度和纹理)在像素或分段级别上的对比。尽管手工标识在大多数简单的静态图像中表现良好，但对于复杂背景或较小目标等复杂情况，大多数视觉对比算法均难以进行显著性目标检测[2]。局部对比度特征可能无法检测显著性目标内部的同质区域造成目标“空洞”，全局对比度会受到复杂背景的影响[3]。虽然基于机器学习的显著性检测模型已经开发，但这些模型主要是结合不同手工标识特征或融合不同算法来生成多个显著性目标图像[4]。近几年，显著性目标检测算法大多数采用了深度卷积神经网络(Convolutional Neural Network,CNN)，大都获得了比手工标识特征更鲁棒的效果[5]。此外，由于CNN通常是在数据集上进行视觉识别任务的预训练，所以采用CNN提取的特征还包括更高层次的语义信息。然而，由于大多数算法所采用的CNN操作都是补丁级而非像素级，所以每个像素被简单地分配包围补丁的显著性值，导致最终检测的显著性目标图像通常是模糊的，特别是显著性目标的边界模糊现象尤为明显。……