基于真实视点分析的视觉选择性注意建模

生物视觉系统的选择性注意机制使得它们能将注意焦点置于场景中少量相关位置，快速适应周围的复杂环境。人眼的视点移动轨迹可视为是人类视觉系统这种选择性注意的外在表现。因此在大规模数据集上对人眼的视点规律进行详尽的分析，将加深我们对人类视觉系统注意选择机制的理解，并对视觉处理算法提供重要借鉴。本项目拟在人类视觉系统的视觉计算皮层网络的低、中、高层分析视点的特征分布规律。具体研究内容包括：(1) 在视皮层网络结构的底层研究视点基于视觉信息稀疏表示的特征分布；(2) 在中层研究视点的视觉特征群组的特征分布；(3) 在皮层型网络的最高层研究视点在整体特征上的特征分布。由于视点的分布是由图像内容和观测者的任务共同决定的，因此视点分析包含自由观测（无任务）的视点分析和带特定任务观测的视点分析。项目拟利用先进的视点跟踪设备采集视点，采用统计学习和数据挖掘等多种数据分析工具，寻找视觉信息处理的规律。

人类视觉系统是一个非常高效的系统，通常只需将视点移动到场景中少量相关位置即可完成相关视觉任务。对人眼视点活动规律的详尽分析可将对计算机视觉系统提供有益的借鉴。课题在对场景中真实视点进行分析的基础上，对视觉系统的这种选择注意进行建模，并在物体识别和视频编码等应用进行验证。.课题从三个方面开展研究：（1）稀疏表示层上的视点分布规律分析；（2）群组特征层上的视点分布规律分析；（3）整体特征层上的视点分布规律分析。另外课题还对数据分析涉及的聚类算法和分类算法展开研究，在基础算法研究方面取得进展。.在稀疏表示层上的视点分布规律分析面，课题通过对视点数据的分析提出了两个原创性视觉选择性注意模型：基于空间加权的视觉注意模型和基于人眼频率敏感的视觉注意模型。其中空间加权的视觉注意模型根据图像局部区域之间的空间距离和中央偏好特性对局部区域之间的差异进行调制；基于人眼频率敏感的视觉注意模型基于人类视觉系统频率敏感，对图像的不同频段用人眼对各频率的敏感性调制。在多个图像库和视频片段上的实验结果表明，这些模型有良好的注意选择预测效果。.在群组特征层上的视点分布规律分析方面，课题研究了视网膜中央凹成像模拟，提出了空间变分辨率的区域表示，能降低编码量且有很好的识别性能；此外，基于视点通常关注较大尺度的场景结构，课题组提出了一种纹理抑制的图像感兴趣目标分割算法，通过抑制对视觉系统不敏感的纹理信息，在图像分割和目标检测等任务中系统表现更佳。针对形状表示，提出了一种基于Voronoi区域特征的显著轮廓点匹配算法，能准确表示轮廓点局部的形状特征，且通过只保留特征显著轮廓点，可降低形状匹配时间通常保持很好的形状匹配性能。.在整体特征层上的视点分布规律分析方面，课题提出了一种视觉搜索任务中的视点序列预测模型。该模型综合自底向上显著性、自顶向下的显著性以及眼动固有习惯模式对人眼视点的影响，得到了较好的视点序列预测结果。此外，课题提出了一套视觉图像目标上下文空间相关神经信息编码系统，通过采用有稀疏响应的群体编码和协同编码，系统在很小编码量的情况下能高效表示物体，在视觉目标搜索、目标跟踪和人体动作识别等任务中取得很好效果。.以上相关研究成果在20篇知名国际国内学报和会议上发表，其中6篇被SCI检索，17篇被EI检索，并申请发明专利2项，2项发明专利申请得到授权。本课题共培养博士生1名，硕士研究生5名。