导读:本文包含了视觉选择性注意机制论文开题报告文献综述及选题提纲参考文献，主要关键词:基于空间的注意,基于特征的注意,基于客体的注意,自上而下注意
视觉选择性注意机制论文文献综述
黄玲,李梦莎,王丽娟,张喜淋[1]（2019）在《视觉选择性注意的神经机制》一文中研究指出大脑信息加工容量的有限性使得个体每时每刻均只能选择少部分信息输入进行有效加工,这主要源于注意选择,即选择性注意。选择性注意是指个体对复杂外部环境中的少量信息进行优先加工的认知过程。关于选择性注意的研究存在两个核心问题:一是注意选择的是什么?根据注意选择的目标或对象,选择性注意可分为基于空间、特征和客体的注意。二是注意选择如何产生?根据注意选择产生的方向,选择性注意可分为自上而下和自下而上注意。本文围绕上述两个核心问题,系统地探讨视觉选择性注意的神经机制。(本文来源于《生理学报》期刊2019年01期）
陈南而[2]（2017）在《基于视觉选择性注意机制的显着性区域检测》一文中研究指出随着科技飞速发展,大量的图像信息每时每刻都在不断地生成,为了对图像中的有效信息进行筛选和处理,人们以观察者对视觉场景中的内容进行选择和处理的能力——亦即视觉注意机制——为基础而逐步发展出了图像显着性检测的方法。所谓图像显着性检测,指的是一种能将图像中最引起人们注意的区域提取出来的图像处理方法。目前如何对数字图像进行更有效的管理和对其进行更加高效快速的图像显着性检测已经逐渐成为研究重点。如果能够精准地识别和提取图像或视频中的显着区域,让计算机优先处理这些显着区域,就可以极大地提高图像分析处理的效率。本文根据人类视觉注意机制的基本原理,对显着特征提取和显着性计算方法进行了研究,具体的研究工作如下:(1)为了准确地提取出图像中的显着区域,根据人类视觉注意机制的基本原理,提出一种基于背景和中心先验的图像显着性检测方法。首先选择了SLIC(Simple Linear Iterative Clustering)超像素分割算法对输入图像进行预处理,使得检测结果能够最大程度上保持图像中物体的形状;然后根据背景先验理论,大致区分图像的背景和显着目标;最后,针对传统的中心效应对偏离图像中心的显着目标检测失效的问题,将背景先验显着图的质心作为显着目标的中心位置建立中心显着图,进一步抑制背景,突出显着目标。仿真实验结果表明,针对自然场景的图像,该方法能够均匀地突出显着对象,有效地抑制背景。(2)针对由单一尺度的稀疏重构来描述图像显着性时产生的错误检测问题,提出了一种融合上下文信息的多尺度图像显着性检测算法。该方法首先采用多尺度的SLIC超像素分割方法处理输入图片,建立背景模板,采用稀疏表示算法进行稀疏重构;然后构建图像的上下文信息计算各超像素显着值,平滑相似图像块之间的稀疏重构误差;之后设计加权融合策略完成多尺度显着性融合,最后加入位置信息使得上下文显着性检测的结果更加准确,得到最终的显着图。仿真实验结果表明,在国际公开的数据库中,该方法得到的显着图能够均匀地突出显着对象,较强地抑制背景噪声。(3)针对视频显着区域检测问题,研究了视频的显着性检测,针对静态物体的显着性检测方法应用在动态视频中存在的问题进行了改进。为了准确地反映视频序列中的显着区域,对视频中的目标进行运动特征的分析,提出了融合运动特征的视频显着性检测方法。首先,使用SLIC超像素分割算法将每一帧图像表示为一系列超像素以保持目标的边界结构;针对图像本身的内在显着性,应用流形排序方法进行空间显着性的计算;然后,采用光流向量区域对比的方法进行时间显着性的检测,使用一种自适应融合方法将运动显着图和空间显着图进行融合。最后,对显着图进行自适应阈值的二值化,进一步滤除背景,显着目标。仿真实验结果表明,仿真实验结果表明,针对自然场景的图像,该方法能够均匀地突出显着对象,有效地抑制背景。(本文来源于《江南大学》期刊2017-05-01）
杜静,严云洋,高尚兵,刘以安[3]（2014）在《时空视觉选择性注意机制的视频火焰检测》一文中研究指出引入计算视觉领域中的显着性思想,结合自上而下的视觉注意模型,构建了基于时空视觉选择性注意机制的视频火焰检测模型.该模型用HSV空间的V分量表示火焰的亮度显着性,用RGB空间火焰R和B分量的关系表示火焰的颜色显着性,用局部二值模式的3种形式组合成的特征向量之间的距离表示火焰的纹理显着性;为降低模型时间、空间的复杂度,采用主成分分析对局部二值模式特征向量降维,用改进的基于火焰颜色的累积差分表示火焰的运动显着性.最后经加权线性组合各静态、动态特征图,得到当前视频帧的综合显着图.对Bilkent大学火焰视频库中全部的13段火焰视频和通过互联网获得的2段非火焰视频进行实验的结果表明,与其他流行模型相比,该模型可以更准确地检测出视频序列中的火焰区域.(本文来源于《计算机辅助设计与图形学学报》期刊2014年03期）
刘扬,杨伟,郑逢斌[4]（2014）在《视觉选择性注意的认知神经机制与显着性计算模型》一文中研究指出针对目前显着图计算复杂度高、分辨率低、对比度差等问题,受Stevens视觉认知模型和注意的神经控制回路的信息处理结构启发,提出一种基于选择性注意认知神经机制的视觉显着性计算模型和相关算法.该模型兼容了自上而下和自下而上两种视觉注意机制,可很好地模拟了人类的视觉注意系统.在显着性对象图像数据库进行的实验中,本模型在选择性注意的显着区提取精度、运行时间、噪声干扰抑制等方面都取得了令人满意的结果.(本文来源于《小型微型计算机系统》期刊2014年03期）
王晶莹,韦义平[5]（2012）在《选择性注意的抑制机制对视觉工作记忆的影响》一文中研究指出本研究使用ERP技术,以对侧延迟活动(contralateral delay activity,CDA)的幅值为指标,采用变化觉察范式测查20名被试在初步加工(100ms)和充分加工(500ms)两种加工时间下,选择性注意的分心物抑制机制对视觉工作记忆的影响。行为结果显示,比较两种加工时间下的视觉工作记忆成绩,记忆无分心物的2客体正确率没有差异;记忆有2个分心物的2客体正确率差异显着,充分加工比初步加工的正确率高;记忆无分心物的4客体正确率差异显着,充分加工比初步加工的的正确率高。初步加工条件下,记忆有2个分心物的2客体正确率低于无分心物的2客体,高于无分心物的4客体;充分加工条件下,记忆有2个分心物的2客体正确率高于无分心物的2客体和4客体。ERP结果显示,记忆有2个分心物的2客体,充分加工下的CDA幅值相对初步加工有所下降。初步加工条件下,记忆有2个分心物的2客体的CDA幅值高于记忆无分心物的2客体和4客体,记忆无分心物的2客体和4客体的CDA幅值没有显着差异;充分加工条件下,记忆无分心物的4客体的CDA幅值高于有2个分心物的2客体和无分心物的2客体,记忆有2个分心物的2客体与无分心物的2客体的CDA波幅没有显着差异。由以上实验结果可以得出结论,(1)在初步加工的基础上延长加工时间,对客体进行充分的加工,可以提高选择性注意对分心物的抑制水平,并且较多目标刺激得到加工,视觉工作记忆的成绩得以提高。(2)对分心物抑制水平提高的同时,对目标刺激的激活水平也有所提高,有分心物干扰的客体在得到充分加工时工作记忆成绩要好于无分心物的。适当的分心物更加有利于注意力的集中。(本文来源于《第十五届全国心理学学术会议论文摘要集》期刊2012-11-30）
李翠彬[6]（2010）在《基于视觉选择性注意机制的物体的识别与跟踪研究》一文中研究指出视觉选择性注意模型是以认知科学、神经心理学等相关领域的研究成果为基础的,在计算机信息处理中引入并研究这种选择性注意机制,其理论成果对于智能信息研究发展具有重要的意义。本文的主要研究内容是建立一个具有较好定量描述能力的视觉选择性注意模型来实现对特定物体的识别和运动物体的检测跟踪。首先围绕建立视觉选择性注意模型的相关问题研究,主要探讨了建立模型过程中的若干关键技术。将尺度、显着性和物体识别放在一个框架里来研究,分析了视觉中的尺度问题和尺度空间的表示方法以及显着性度量。选取亮度、颜色、方向叁种特征及尺度共同引导注意,对特征图合并采取局部迭代策略,从而形成特征空间的显着性度量;其次对图像中的主尺度进行估计,建立特征图的尺度空间表示,结合尺度与特征实现显着性度量,并对注视点进行最佳尺度选择;然后根据注视点的尺度,近似估算注意目标的大小实现了感兴趣区域的建模。最后进行了模拟实验,基于本文的视觉选择性注意模型,结合基于局部不变性特征识别,实现了对特定物体的识别;并结合感兴趣区域提取模型,对图像序列进行目标预检测,对运动物体应用“检测-定位-检测”的思想,在检测出的候选目标区域中选择与跟踪目标的不变矩特征匹配的区域,从而实现目标跟踪。综合以上分析,本文改进了经典注意模型存在的伪注意焦点和目标整体性描述能力差的缺点,并将改进的注意模型进行了仿真实验,结果表明特征和尺度共同引导注意以及合并策略的改进能更有效的保持图像的重要特征信息,能获得更加符合人类视觉感知的注意焦点及区域。(本文来源于《河北工业大学》期刊2010-11-01）
韦灵丽,李翠彬[7]（2010）在《基于视觉选择性注意机制的目标检测的研究》一文中研究指出视觉选择性注意模型的应用是当今认知信息处理领域的研究热点。根据人类视觉感知理论,在介绍具有代表性的视觉注意模型(Itti模型)的基础上,在特征提取的初级阶段引入新的低层视觉特征,形成一种新的引导注意的显着图,从而实现较为准确的目标检测。结果证明该方法在一定程度上避免了漏检测现象的发生,使得注意区域更能接近生物视觉系统的实际。(本文来源于《计算机与现代化》期刊2010年08期）
陈丹[8]（2009）在《基于视觉选择性注意机制的车辆检测》一文中研究指出近几年来,随着公路上汽车数目的不断增多,目前的道路建设已经跟不上车辆的发展。这就需要研究如何更加有效地利用现有的交通网络,缓解交通拥挤、提高道路利用率、减少交通事故。利用计算机视觉技术进行交通状况检测与信息采集成为了智能交通系统领域中的一个重要课题,而运动车辆的检测和识别则是其中最基础的部分。传统图像处理方法进行目标检测时存在计算量大、实时性差等问题,而视觉选择性注意机制恰恰可以解决这方面的问题,为此,本文将视觉选择性注意机制引入到运动车辆检测中,提出了一种在自然道路背景下运动车辆检测与识别的方法,初步实现了运动车辆的检测与识别。本文所做的主要工作如下:第一,在研究现有视觉注意模型的基础上,利用Itti等人的自底向上的数据驱动的视觉注意模型提取出注意焦点。考虑到噪声等各种干扰的存在,提取出的注意焦点可能是一个孤立点,并未落在感兴趣区域的目标物体上,本文对模型进行了改进,提出了一种依据显着图的全局效应原则对注意焦点进行筛选的目标注意模型。实验表明,该方法有效地实现了注意焦点的转移。第二,为了将车辆目标从交通场景中提取出来,本文基于视觉注意机制,提出了一种视觉特征图和运动特征图相结合的车辆检测算法,该算法先将亮度、颜色、方向叁个底层视觉特征相结合提取出静态视觉特征显着图,将视觉特征图和运动特征图相结合来检测运动车辆。实验结果验证了该方法的有效性。第叁,利用视觉注意机制检测出车辆后,为了统计交通道路上的车流量情况,通过在每个车道上设置一条虚拟检测带,将通过检测线的实时车辆个数累加求和,计算每个车道的车流量。为了识别车辆的类型,本文在对各种目标识别算法分析的基础上,提出了一种多特征相结合的物体识别算法,该算法结合车辆边缘线长度、形状复杂等特征对分割出的运动车辆加以分类识别。结果显示,该方法能有效识别出大型、中型和小型车,准确率比较高。(本文来源于《杭州电子科技大学》期刊2009-12-01）
吴月娥,边后琴[9]（2009）在《尺度与特征引导视觉选择性注意机制模型》一文中研究指出针对在传统机器视觉研究中,尺度、显着性和物体识别多数被分开研究的现状,首先分析叁者之间的内在联系和相互关系,得出应该在一个框架中来研究它们的结论;然后讨论视觉中的尺度空间表示方法、显着性度量方法。最后选取强度、颜色和方向叁种特征以及尺度引导注意,建立一个自下而上的结合尺度与特征引导的计算模型,并给出仿真实验结果。(本文来源于《现代电子技术》期刊2009年22期）
沈杰[10]（2009）在《视觉选择性注意机制研究及在RoboCup应用》一文中研究指出随着信息技术的发展,图像已成为最主要信息载体。传统的图像处理、分析和查询方法难以应付日益膨胀的大量的图像资源。但值得注意的是,人们关心的内容通常只是整幅图像或整段视频中很小的一部分。因此,研究和引入人类视觉的选择性注意机制理应成为提高计算机图像信息处理的效率的一种可行途径。基于此动机,本文主要针对注意机制模型的建立,注意焦点的检测算法,基于注意机制的图像分析与理解应用,特别是RoboCup仿人机器人足球比赛应用,叁个方面来展开研究。本文首先讨论了选择性注意机制的模型。先回顾了相关认知心理学和视觉注意理论的基础,总结了图像特征提取技术的研究现状；研究了自底向上选择性注意模型和自顶向下选择性注意模型,并结合它们的优点,建立了基于自底向上和自顶向下协同工作的注意机制模型。其次,着重讨论了自底向上的图像注意焦点检测问题。以Itti提出的注意机制计算模型为基础,引入全局特征,设计了自底向上的注意焦点检测算法。利用RoboCup比赛场景图片和各类型的现实场景对算法的有效性进行了验证。最后,对模型和算法的应用做了简单的探索。将选择性注意机制应用到仿人机器人足球比赛实验中,根据具体的视觉任务特点和比赛规则中的先验知识设计了自顶向下的特征提取算法,改进了自底向上图像FOA检测模型,提出了具体的协同工作注意模型算法,实验结果证明了算法的有效性。(本文来源于《国防科学技术大学》期刊2009-05-01）
视觉选择性注意机制论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着科技飞速发展,大量的图像信息每时每刻都在不断地生成,为了对图像中的有效信息进行筛选和处理,人们以观察者对视觉场景中的内容进行选择和处理的能力——亦即视觉注意机制——为基础而逐步发展出了图像显着性检测的方法。所谓图像显着性检测,指的是一种能将图像中最引起人们注意的区域提取出来的图像处理方法。目前如何对数字图像进行更有效的管理和对其进行更加高效快速的图像显着性检测已经逐渐成为研究重点。如果能够精准地识别和提取图像或视频中的显着区域,让计算机优先处理这些显着区域,就可以极大地提高图像分析处理的效率。本文根据人类视觉注意机制的基本原理,对显着特征提取和显着性计算方法进行了研究,具体的研究工作如下:(1)为了准确地提取出图像中的显着区域,根据人类视觉注意机制的基本原理,提出一种基于背景和中心先验的图像显着性检测方法。首先选择了SLIC(Simple Linear Iterative Clustering)超像素分割算法对输入图像进行预处理,使得检测结果能够最大程度上保持图像中物体的形状;然后根据背景先验理论,大致区分图像的背景和显着目标;最后,针对传统的中心效应对偏离图像中心的显着目标检测失效的问题,将背景先验显着图的质心作为显着目标的中心位置建立中心显着图,进一步抑制背景,突出显着目标。仿真实验结果表明,针对自然场景的图像,该方法能够均匀地突出显着对象,有效地抑制背景。(2)针对由单一尺度的稀疏重构来描述图像显着性时产生的错误检测问题,提出了一种融合上下文信息的多尺度图像显着性检测算法。该方法首先采用多尺度的SLIC超像素分割方法处理输入图片,建立背景模板,采用稀疏表示算法进行稀疏重构;然后构建图像的上下文信息计算各超像素显着值,平滑相似图像块之间的稀疏重构误差;之后设计加权融合策略完成多尺度显着性融合,最后加入位置信息使得上下文显着性检测的结果更加准确,得到最终的显着图。仿真实验结果表明,在国际公开的数据库中,该方法得到的显着图能够均匀地突出显着对象,较强地抑制背景噪声。(3)针对视频显着区域检测问题,研究了视频的显着性检测,针对静态物体的显着性检测方法应用在动态视频中存在的问题进行了改进。为了准确地反映视频序列中的显着区域,对视频中的目标进行运动特征的分析,提出了融合运动特征的视频显着性检测方法。首先,使用SLIC超像素分割算法将每一帧图像表示为一系列超像素以保持目标的边界结构;针对图像本身的内在显着性,应用流形排序方法进行空间显着性的计算;然后,采用光流向量区域对比的方法进行时间显着性的检测,使用一种自适应融合方法将运动显着图和空间显着图进行融合。最后,对显着图进行自适应阈值的二值化,进一步滤除背景,显着目标。仿真实验结果表明,仿真实验结果表明,针对自然场景的图像,该方法能够均匀地突出显着对象,有效地抑制背景。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
视觉选择性注意机制论文参考文献
[1].黄玲,李梦莎,王丽娟,张喜淋.视觉选择性注意的神经机制[J].生理学报.2019
[2].陈南而.基于视觉选择性注意机制的显着性区域检测[D].江南大学.2017
[3].杜静,严云洋,高尚兵,刘以安.时空视觉选择性注意机制的视频火焰检测[J].计算机辅助设计与图形学学报.2014
[4].刘扬,杨伟,郑逢斌.视觉选择性注意的认知神经机制与显着性计算模型[J].小型微型计算机系统.2014
[5].王晶莹,韦义平.选择性注意的抑制机制对视觉工作记忆的影响[C].第十五届全国心理学学术会议论文摘要集.2012
[6].李翠彬.基于视觉选择性注意机制的物体的识别与跟踪研究[D].河北工业大学.2010
[7].韦灵丽,李翠彬.基于视觉选择性注意机制的目标检测的研究[J].计算机与现代化.2010
[8].陈丹.基于视觉选择性注意机制的车辆检测[D].杭州电子科技大学.2009
[9].吴月娥,边后琴.尺度与特征引导视觉选择性注意机制模型[J].现代电子技术.2009
[10].沈杰.视觉选择性注意机制研究及在RoboCup应用[D].国防科学技术大学.2009