基于对比敏感度和马尔可夫链的注意信息提取算法

基于对比敏感度和马尔可夫链 的注意信息提取算法 张孝临１，２，赵宏伟１，２，王 慧１，２，戴金波１，２，３ （１吉林大学计算机科学与技术学院，吉林长春 １３００１２； ２吉林大学符号计算与知识工程教育部重点实验室，吉林长春 １３００１２； ３长春师范学院计算机科学与技术学院，吉林长春 １３００３２） 摘 要： 借鉴生理学的研究成果，提出了一种新的基于对比敏感度和马尔可夫链的视觉注意信息提取算法．在 注意特征向量提取之前，先用与离心率有关的对比敏感度函数对输入的图像进行加权，用以模拟视网膜神经节的反应 机制；在特征向量上定义马尔可夫链，用它的平稳分布做为活动图上的显著度．算法的平均计算时间和以神经生物学 家的研究成果为标准计算的接受者操作特性曲线下面积证明了算法的有效性． 关键词： 视觉注意；视觉显著性；对比敏感度；马尔可夫链 中图分类号： ＴＰ３９１ 文献标识码： Ａ 文章编号： ０３７２２１１２（２０１０）２Ａ２１３０５ ＥｘｔｒａｃｔｉｎｇＡｔｔｅｎｔｉｏｎＩｎｆｏｒｍａｔｉｏｎＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎ ＣｏｎｔｒａｓｔＳｅｎｓｉｔｉｖｉｔｙａｎｄＭａｒｋｏｖＣｈａｉｎ ＺＨＡＮＧＸｉａｏｌｉｎ１，２，ＺＨＡＯＨｏｎｇｗｅｉ１，２，ＷＡＮＧＨｕｉ１，２，ＤＡＩＪｉｎｂｏ１，２，３ （１ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＪｉｌｉｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３００１２，Ｃｈｉｎａ； ２ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｙｍｂｏｌｉｃＣｏｍｐｕｔａｔｉｏｎａｎｄＫｎｏｗｌｅｄｇｅＥｎｇｉｎｅｅｒｉｎｇｏｆＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＪｉｌｉｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３００１２，Ｃｈｉｎａ； ３ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＣｈａｎｇｃｈｕｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３００３２，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ： Ｉｎｓｐｉｒｅｄｂｙｔｈｅｒｅｓｅａｒｃｈｉｎｐｈｙｓｉｏｌｏｇｙ，ａｎｏｖｅｌａｌｇｏｒｉｔｈｍｆｏｒｅｘｔｒａｃｔｉｎｇｂｏｔｔｏｍｕｐａｔｔｅｎｔｉｏｎｉｎｆｏｒｍａｔｉｏｎ（ｉｎｔｅｇｒａ ｔｉｏｎｏｆｃｏｎｔｒａｓｔｓｅｎｓｉｔｉｖｉｔｙａｎｄＭａｒｋｏｖｃｈａｉｎ，ＡＣＳＭＣ）ｉｓｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒ．Ｉｎｏｕｒａｌｇｏｒｉｔｈｍ，ｔｈｅｏｒｉｇｉｎａｌｉｍａｇｅｉｓｗｅｉｇｈｔｅｄ ｗｉｔｈａｃｏｎｔｒａｓｔｓｅｎｓｉｔｉｖｉｔｙｆｏｒｍｕｌａｗｈｉｃｈｉｓａｆｕｎｃｔｉｏｎｒｅｔｉｎａｌｅｃｃｅｎｔｒｉｃｉｔｙｔｏｓｉｍｕｌａｔｅｔｈｅｍｅｃｈａｎｉｓｍｏｆｒｅｔｉｎａｌｇａｎｇｌｉｏｎ．ＡＭａｒｋｏｖ ｃｈａｉｎｉｓｄｅｆｉｎｅｄｏｎｆｅａｔｕｒｅｍａｐｓ．Ｔｈｅｅｑｕｉｌｉｂｒｉｕｍｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｉｓｃｈａｉｎｉｓｔａｋｅｎａｓｓａｌｉｅｎｃｙｖａｌｕｅｓ．Ｔｈｅａｖｅｒａｇｅｏｆａｌｇｏｒｉｔｈｍｃｏｓｔ ｔｉｍｅａｎｄａｒｅａｕｎｄｅｒｒｅｃｅｉｖｅｒｏｐｅｒａｔｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｃｕｒｖｅ（ＡＵＲＯＣ）ｂａｓｅｄｏｎｔｈｅｒｅｓｅａｒｃｈｏｆｎｅｕｒｏｂｉｏｌｏｇｉｓｔｄｅｍｏｎｓｔｒａｔｅｉｔｓｅｆｆｅｃ ｔｉｖｅｎｅｓｓ． Ｋｅｙｗｏｒｄｓ： ｖｉｓｕａｌａｔｔｅｎｔｉｏｎ；ｖｉｓｕａｌｓａｌｉｅｎｃｙ；ｃｏｎｔｒａｓｔｓｅｎｓｉｔｉｖｉｔｙ；Ｍａｒｋｏｖｃｈａｉｎ １ 引言 视觉注意可以把系统中有限的处理资源优先分配 给少数几个显著的视觉区域上．视觉注意的分配算法对 智能模拟、图像压缩和目标识别等多个领域都具有重要 意义，近几年来，已成为一个热点课题． 目前视觉注意模型在提取自底向上的视觉信息时 大体上可以分为特征向量提取（ｅｘｔｒａｃｔｉｏｎ）、活动图形成 （ａｃｔｉｖａｔｉｏｎ）和整合（ｃｏｍｂｉｎａｔｉｏｎ）三个步骤．目前大多数视 觉注意计算模型在提取特征向量时均采用基于生物学 的研究成果的多通道多尺度滤波器组对图像进行滤波 的方法［１～６］．在特征提取之后，一些学者用中央—外围 算子［１～５］来模拟细胞的感受野特性从而获得局部显著 性，也有一部分学者在特征向量上计算附加函数来形成 活动图［６，７］，还有学者将协同识别理论引入到这一过 程［８］．最后，根据计算得到的活动图用局部最大值［１～３］、 高斯差［４］和多尺度熵［９］等算法来确定注意固定点等信 息．以上模型无论具体采用哪种算法，其中心思想均是 在视觉空间中具有较高的显著性的区域在获得有限的 注意资源时具有优先性．因此，图像显著性的计算在注 意焦点转移的确定中起决定作用． 本文提出了一种新的视觉注意信息提取算法 收稿日期：２００９０２０７；修回日期：２００９０４０７ 基金项目：高等学校博士学科点专项科研基金项目（Ｎｏ．２００５０１８３０３２），吉林省教育厅科学基金项目（Ｎｏ．２００４１５０） 第２Ａ期 ２０１０年２月 电 子 学 报 ＡＣＴＡＥＬＥＣＴＲＯＮＩＣＡＳＩＮＩＣＡ Ｖｏｌ．３８ Ｎｏ．２Ａ Ｆｅｂ． ２０１０ 更多技术文章，论文请登录www.srvee.com 内容版权归作者所有 ＡＣＳＭＣ（ＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＣｏｎｔｒａｓｔＳｅｎｓｉｔｉｖｉｔｙａｎｄＭａｒｋｏｖ Ｃｈａｉｎ），用对比敏感度和马尔可夫链来提高注意固定点 确定的可靠性和计算效率．在构建金字塔之前用与离 心率有关的对比敏感度函数对输入的图像进行加权， 可以更好的模拟视网膜神经节细胞在视网膜不同位置 上对相同的明暗刺激产生不同响应的情况．令质点在 得到的特征向量上做具有反射边界的二维随机游动， 以相邻两点间的差异和距离做为相互游动的可能性度 量，以马尔可夫链的平稳分布做为该点的活动显著值． 具体算法和实验数据如下． ２ 基于对比敏感度的特征向量提取 经典的注意计算模型在特征向量提取时通常将原 始视觉图像分为颜色通道、亮度通道、方向通道和纹理 通道等通道分别传递，利用图像金字塔降采样得到不 同等级的特征向量［１～６］．图像金字塔降采样可以有效的 模拟感受野的等级特性，然而大多数模型在金字塔的 底层上采用固定尺寸的滤波器进行滤波，它们没有考 虑到在金字塔底层上因视网膜上光感受器、神经节细 胞的分布不均而造成的视网膜神经节细胞对相同的明 暗刺激随着离心率的增加而产生急剧减小的刺激的情 况．事实上，大多数视觉注意的模型在提取视觉显著度 的时候是依靠亮暗、红绿和黄蓝的视觉对比得到 的［１～５］，即使有的模型在程序上没有直接做这种视觉对 比，它们在最终获取注意固定点时也是根据全局的显 著度情况来确定的［６，７］，全局显著度计算落到神经节的 层次上也应随着离心率的不同而不同．这里，我们用对 比敏感度函数做为视网膜变换的权系数． 对比敏感度为视觉系统能察觉的对比度阈值的倒 数，它描述了人眼区分细微明暗和它们边界的能力．对 比度阈值越低，则对比敏感度越高，视觉功能越好．视网 膜的生理结构决定了，在中央凹区域的对比敏感度是最 高的，当从中央凹往外围测试时，对比敏感度急剧下降． 文献［１０］给出了一个符合心理学关于对比敏感度 的实验数据的公式，如下所示 ＣＴ（ｆ，ｅ）＝ＣＴ０ｅｘｐ（αｆ ｅ＋ｅ２ ｅ２ ） （１） 其中，ＣＴ是可视对比阈值，ｆ是空间频率，ｅ是视网膜 离心率，ＣＴ０为最大对比阈值，α是空间频率衰减常数， ｅ２是半分辨离心率常数．最佳的参数设置是α＝０１０６， ｅ２＝２３，ＣＴ０＝１／６４． 对比敏感度是对比阈值的倒数， ＣＳ（ｆ，ｅ）＝１／ＣＴ（ｆ，ｅ） （２） ｆ通常被设置为图像的奈奎斯特频率，这样对比敏 感度函数 ＣＳ（ｆ，ｅ）实际上是关于视网膜离心率的函数． 设输入图像为 Ｏ：［ｎ］２→Ｒ（实际上，文中用到的图像 不是严格正方的，而是矩形的，这时我们取矩形的短边为 ｎ），该幅图像的整个视角为θ，则视距 ｖ是使得图像边缘 的离心率为θ／２的从眼睛到图像的观察距离．可得， ｖ（θ）＝ ｎ ２／ｔａｎ（ θ ２） （３） 设图像中心点坐标为（ｘ０，ｙ０），则图像上任一点 （ｘ，ｙ）∈［ｎ］２的离心率 ｅ是该点到中心点的距离与视 距之比的反正切． ｅ（ｘ，ｙ，θ）＝ｔａｎ－１ ｘ－ｘ( )０ ２＋ ｙ－ｙ( )０( )２ １／２ ｖ（θ( )） （４） 则用对比敏感度函数变换后的图像为 Ｏ′（ｘ，ｙ）＝Ｏ（ｘ，ｙ）ＣＳ（ｅ（ｘ，ｙ，θ）） （５） 当θ＝５５°，ｆ＝５４ｃｐｄ时，视网膜变换权系数如图１ 所示．在图像正中央视觉敏感度最大，归一化权系数为 １．可以看出，权系数随着该点与中心点距离的增加（离 心率的增加）而减小． 用敏感度对图像进行加权变换可以有效的抑制图 像外围信息在注意显著图形成过程中的活跃性． 本文选择视觉上较为敏感的亮度、颜色和方向这 三类特征参与检测．用文献［１］中特征通道提取方法对 变换后的图像 Ｏ′（ｘ，ｙ）分别计算，得到亮度图 Ｉ，颜色 通道中红绿特征图 ＲＧ、蓝黄特征图 ＢＹ，方向通道特征 图 Ｏ（θ），其中θ＝０°，４５°，９０°，１３５°．分别对三个通道的 ７幅特征图用 ９层的高斯金字塔滤波，得到 Ｉ（σ），ＲＧ （σ），ＢＹ（σ）和 Ｏ（θ，σ），其中σ＝０，…，８．选取金字塔的 第二层和第三层并把它们归一化 Ｎ（局部平均［１］）到统 一尺寸做为特征向量． ３ 基于马尔可夫链的活动图形成 在特征向量上定义马尔可夫链，用它的平稳分布 做为活动图上的显著度．在我们之前，文献［６］把特征 图上的所有点做为节点，把两点之间的差异与它们距 离的乘积做为边的连接权值，以此构成完全有向图，并 在完全图上定义马尔可夫链，用马尔可夫链的平稳分 布来估计活动图上的显著度，取得了较好的效果．但文 献［６］中计算在完全有向图上定义的马尔可夫链的平 ４１２ 电 子 学 报 ２０１０年 更多技术文章，论文请登录www.srvee.com 内容版权归作者所有 稳分布具有较高的时间复杂度，约为 Ｏ（ｎ４）．我们对其 定义马尔可夫链的方法进行了改进，在得到注意固定 点效果损失不那么明显的情况下，大幅降低计算所耗 费的时间，改进后的算法时间复杂度约为 Ｏ（ｎ２），具体 算法如下： 设特征向量 Ｆ的维数为Ｍ×Ｎ，则在该特征向量上 做具有反射边界的二维随机游动，如果游动点 Ｑ现在 位于任一非边界上的点（ｘ，ｙ）上，则下一时刻 Ｑ只能 位于与当前点Ｑ相邻的周边八个点上（如果当前位于 边界点，则下一时刻 Ｑ只能位于周边五个点上；若位于 角点，下一时刻只能位于周边三个点上），Ｑ向周边点 （ｘ′，ｙ′）移动的概率与两点的向量值差异成正比，与两 点的距离指数成反比．令 ｐ′（（ｘ，ｙ），（ｘ′，ｙ′））为未归一 化之前 Ｑ从（ｘ，ｙ）点向（ｘ′，ｙ′）点游动的可能性，则 ｐ′ ｘ，( )ｙ，ｘ′，( )( )ｙ′ ＝ Ｆ ｘ，( )ｙ －Ｆ ｘ′，( )ｙ′ ｅｘｐ（ ｘ－ ( )ｘ′２＋ ｙ－( )ｙ′２ ２σ２ ） 其中，｜ｘ－ｘ′｜≤１，｜ｙ－ｙ′｜≤１，σ为常数． （６） 由于 Ｑ点向周围八个方向的游动概率之和应为１， 我们归一化 ｐ′，得到 Ｐ｛Ｘｎ＋１＝（ｘ′，ｙ′）｜Ｘｎ＝（ｘ，ｙ）｝ ＝ ｐ′ （ｘ，ｙ），（ｘ′，ｙ′( )） ∑ １ ｉ＝－１ ∑ １ ｊ＝－１ ｐ′（ｘ，ｙ），（ｘ＋ｉ，ｙ＋ｊ( )） 其中，｜ｘ－ｘ′｜≤１，｜ｙ－ｙ′｜≤１ （７） Ｑ当前位于边界点或角点的情况以此类推． 设置一步转移概率矩阵 Ｐ的维数为（ＭＮ）×（ＭＮ） 维，其矩阵元素 Ｐｉｊ＝Ｐ｛Ｘｎ＋１＝（「ｊ／Ｎ?，（ｊｍｏｄＮ）＋Ｎ（?ｊ／Ｎ」 －「ｊ／Ｎ?＋１））｜Ｘｎ＝（「ｉ／Ｎ?，（ｉｍｏｄＮ） ＋Ｎ（?ｉ／Ｎ」－「ｉ／Ｎ?＋１））｝ （８） 其中，ｉ，ｊ＝１，２，…ＭＮ 此时，其平稳分布π＝（π１，π２，…，πＭＮ）为满足方程 组（９）的解． π＝πＰ ∑ ＭＮ ｉ＝１ πｉ { ＝１ （９） 这个分布给出了经过长时间游动以后 Ｑ点位于某 点的可能概率．用本文方法定义的马氏链，其平稳分布 反映了特征图上该点在竞争过程中获胜的可能性，用 它做为活动图的显著度具有良好的物理意义． 本文整合算法即显著图的生成方法，与活动图生 成方法类似，游动点 Ｑ在活动图上做具有反射边界的 二维随机游动．不同之处是，未归一化之前 Ｑ从（ｘ，ｙ） 点向（ｘ′，ｙ′）点游动的可能性 ｐ′（ｘ，ｙ），（ｘ′，ｙ′( )） ＝ Ｆ（ｘ′，ｙ′） ｅｘｐ（（ｘ－ｘ′） ２＋（ｙ－ｙ′）２ ２σ２ ） 其中，｜ｘ－ｘ′｜≤１，｜ｙ－ｙ′｜≤１，σ为常数． （１０） 显著图的生成方法其它部分与活动图生成方法相 同，由于篇幅限制，不再累述． ４ 实验结果及分析 实验原始数据采用 Ｅｉｎｈｕｓｅｒ等人［１１］的数据集． Ｅｉｎｈｕｓｅｒ等人测试并了７个人在自由注视的情况 下对 １０８幅自然场景图像和它们的修改版本图像（共 ９７２幅图片）进行观察所获得的注意固定点位置．他们 将９７２幅图片分为１８组（每组５４幅），７个人分为四组 （前三组二个人，第四组一个人），人物前三组分别对１８ 组图片中的６组图片进行测试，人物第四组对所有 １８ 组图片进行测试．这样，每幅图片均有三个人对其进行 测试．我们在测试本文算法性能时只选取 Ｅｉｎｈｕｓｅｒ等 人的数据集中未被修改的１０８幅自然场景图片和它们 的三个人的注意固定点位置坐标做为标准数据集，其 中１０８幅图片只用到其中心位置 ６００×４００像素部分， 对应的视角范围是７６°×５５°．由于标准数据集中的测试 图片是灰度图，因此实际在计算算法特征图时只选择 亮度通道和方向通道参与检测．把本文算法 ＡＣＳＭＣ与 目前被普遍认可的Ｇｂｖｓ［６］和Ｓａｌｉｅｎｃｙ［２］算法的部分与整 体分别做比较，比较结果如下． ４１ 活动图形成和整合算法性能比较 为实现比较的公平性，进行这一部分的比较时特征 提取部分采用的方法相同．对亮度通道和方向通道５幅 特征图进行金字塔滤波，选用金字塔的第二层和第三层 共１０幅特征图，并把它们分别归一化（局部平均［１］）到２５ ×３７尺寸做为特征向量．其中 Ｃｅｎｔｅｒｓｕｒｒｏｕｎｄ（ｃｓ）［２］活 动图生成算法需要做多尺度特征图的相减操作，这里我 们选取的ｃ为金字塔的２层和３层，δ为４层．我们把１０８ 幅自然图片分为１１组进行测试（前１０组分别含有１０幅 图片，第１１组含有８幅图片），分别用文中基于马尔可夫 ５１２第 ２Ａ 期 张孝临：基于对比敏感度和马尔可夫链的注意信息提取算法 更多技术文章，论文请登录www.srvee.com 内容版权归作者所有 链的活动图形成和整合算法 ＭＢ（Ｍａｒｋｏｖｉａｎｂａｓｅｄ）， ｇｒａｐｈ［６］和 ｃｓ＆ａｖｅｍａｘ［２］对它们进行计算得到显著图， 根据 Ｅｉｎｈｕｓｅｒ数据集中的注意固定点位置计算ＲＯＣ曲 线下面积（ａｒｅａｕｎｄｅｒｒｅｃｅｉｖｅｒｏｐｅｒａｔｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｃｕｒｖｅ， ＡＵＲＯＣ）．以图片分组的序号为横坐标，以每组图片的 ＡＵＲＯＣ平均值为纵坐标的实验结果图如图２所示． 表１给出了这三种算法对１０８幅图片进行计算得 到的平均 ＡＵＲＯＣ值和在主频为１５ＧＨｚ，５１２ＭＢ内存的 机器上算法的平均计算时间． 虽然ＭＢ算法的平均 ＡＵＲＯＣ值略低于 ｇｒａｐｈ算法 的平均ＡＵＲＯＣ值，但 ＭＢ算法的平均计算时间大幅小 于ｇｒａｐｈ算法的平均计算时间．以上三种算法的平均计 算时间以 ｃｓ＆ａｖｅｍａｘ算法为最小，仅为０．０９７ｓ，但同时 它的平均ＡＵＲＯＣ值也是最小的． 表１ 算法性能测试结果 算法性能 算 法 ｇｒａｐｈ ｃｓ＆ａｖｅｍａｘ ＭＢ 平均ＡＵＲＯＣ ０．６４３１ ０．５６７０ ０．６３６４ 平均计算时间（ｓ） １１．２７８ ０．０９７ ６．２７１ ４２ 注意信息提取算法比较 为符合标准数据集中图片对应的视角范围，文中 ＡＣＳＭＣ算法视网膜变换部分设置θ＝５５°．用 ＡＣＳＭＣ， Ｇｂｖｓ和 Ｓａｌｉｅｎｃｙ算法分别计算测试集中图片的显著图， 并计算它们的 ＲＯＣ曲线下面积．部分测试结果如图 ３ 所示．用Ｅｉｎｈｕｓｅｒ数据集给出的注意固定位置做为评 判性能的标准．为观察方便，在图３中的测试原图上用 黄色“■”标记了相关注意固定点位置． 仍旧把１０８幅自然图片分为１１组进行测试，计算 平均 ＡＵＲＯＣ值，注意信息提取算法 ＡＣＳＭＣ，Ｇｂｖｓ和 Ｓａｌｉｅｎｃｙ算法的分组测试结果如图４所示． 由图４可知，ＡＣＳＭＣ结果曲线略高于Ｇｂｖｓ曲线，且 两者的曲线值均大于Ｓａｌｉｅｎｃｙ曲线值．图４中Ｓａｌｉｅｎｃｙ的 检测结果要好于图２中 ｃ－ｓ＆ａｖｅ－ｍａｘ的检测结果，这 可能与Ｓａｌｉｅｎｃｙ根据原文［２］选择的相减尺度比图２中 ｃ －ｓ＆ａｖｅ－ｍａｘ选择的尺度多有关系． 这三种算法 对数据集所有图片进行注意信息提取的平均 ＡＵＲＯＣ 值和平均计算时间如表２所示． 由表２可知，ＡＣＳＭＣ的平均 ＡＵＲＯＣ值略大于 Ｇｂｖｓ ６１２ 电 子 学 报 ２０１０年 更多技术文章，论文请登录www.srvee.com 内容版权归作者所有 且平均计算时间小于 Ｇｂｖｓ，虽然 ＡＣＳＭＣ的平均计算时 间大于Ｓａｌｉｅｎｃｙ，但ＡＣＳＭＣ的计算准确度相对于Ｓａｌｉｅｎｃｙ 要高很多．综合考虑，ＡＣＳＭＣ算法的整体性能要好于 Ｇｂｖｓ算法和Ｓａｌｉｅｎｃｙ算法． 表２ 算法性能测试结果 算法性能 算 法 Ｇｒｂｖｓ Ｓａｌｉｅｎｃｙ ＡＣＳＭＣ 平均ＡＵＲＯＣ ０．６４３１ ０．５７３７ ０．６５４１ 平均计算时间（ｓ） １５．３７４ ４．７２８ １１．１０７ ５ 结论 本文提出了一种新的基于对比敏感度和马尔可夫 链的视觉注意信息提取算法．通过计算以神经生物学 家的研究成果为标准的接受者操作特性曲线下面积和 算法平均计算时间证实，该算法是一种行之有效的自 底向上的注意信息提取方法． 同时，本文算法还存在有待改进之处．算法只估计 了注意固定点的位置，没有对显著区域的尺寸进行估 计．通常上注意模型在得到注意固定点以后以注意固 定点为圆心以一定尺寸范围内的区域做为显著区域， 然而根据心理学的研究发现显著区域的尺寸在注意过 程中会不断发生变化．因此有效的算法来估计显 著区域尺寸将是下一步工作的方向． 参考文献： ［１］ＬＩｔｔｉ，ＣＫｏｃｈＥＮｉｅｂｕｒ．Ａｍｏｄｅｌｏｆｓａｌｉｅｎｃｙｂａｓｅｄｖｉｓｕａｌａｔ ｔｅｎｔｉｏｎｆｏｒｒａｐｉｄｓｃｅｎｅａｎａｌｙｓｉｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔ ｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，１９９８，２０（１１）：１２５４－ １２５９． ［２］ＬＩｔｔｉ．Ｍｏｄｅｌｓｏｆｂｏｔｔｏｍｕｐａｔｔｅｎｔｉｏｎａｎｄｓａｌｉｅｎｃｙ［Ａ］．ＩＬ．Ｉｔｔｉ ｅｄ．Ｎｅｕｒｏｂｉｏｌｏｇｙｏｆａｔｔｅｎｔｉｏｎ［Ｃ］．ＳａｎＤｉｅｇｏ，ＣＡ：Ｅｌｓｅｖｉｅｒ， ２００５．５７６－５８２． ［３］ＣＳｉａｇｉａｎ，ＬＩｔｔｉ．Ｒａｐｉｄｂｉｏｌｏｇｉｃａｌｌｙｉｎｓｐｉｒｅｄｓｃｅｎｅｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇｆｅａｔｕｒｅｓｓｈａｒｅｄｗｉｔｈｖｉｓｕａｌａｔｔｅｎｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃ ｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２００７，２９ （２）：３００－３１２． ［４］ＬＩｔｔｉ，ＣＫｏｃｈ．Ａｓａｌｉｅｎｃｙｂａｓｅｄｓｅａｒｃｈｍｅｃｈａｎｉｓｍｆｏｒｏｖｅｒｔ ａｎｄｃｏｖｅｒｔｓｈｉｆｔｓｏｆｖｉｓｕａｌａｔｔｅｎｔｉｏｎ［Ｊ］．ＶｉｓｉｏｎＲｅｓｅａｒｃｈ，２０００， ４０（１０－１２）：１４８９－１５０６． ［５］ＤＰａｒｋｈｕｒｓｔ，ＫＬａｗ，ＥＮｉｅｂｕｒ．ＭｏｄｅｌｉｎｇｔｈｅｒｏｌｅｏｆＳａｌｉｅｎｃｅｉｎ ｔｈｅａｌｌｏｃａｔｉｏｎｏｆｏｖｅｒｔｖｉｓｕａｌａｔｔｅｎｔｉｏｎ［Ｊ］．ＶｉｓｉｏｎＲｅｓｅａｒｃｈ， ２００２，４２（１）：１０７－１２３． ［６］ＪＨａｒｅｌ，ＣＫｏｃｈ，ＰＰｅｒｏｎａ．Ｇｒａｐｈｂａｓｅｄｖｉｓｕａｌｓａｌｉｅｎｃｙ［Ｊ］． ＡｄｖａｎｃｅｓｉｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ，２００７，１９： ５４５－５５２． ［７］ＮＢｒｕｃｅ，ＪＴｓｏｔｓｏｓ．Ｓａｌｉｅｎｃｙｂａｓｅｄｏｎｉｎｆｏｒｍａｔｉｏｎｍａｘｉｍｉｚａｔｉｏｎ ［Ｊ］．ＡｄｖａｎｃｅｓｉｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ， ２００６，１８：１５５－１６２． ［８］邵静，高隽．基于协同感知的视觉选择注意计算模型［Ｊ］． 中国图象图形学报，２００８，１３（１）：１２９－１３６． ＳｈａｏＪｉｎｇ，ＧａｏＪｕｎ．Ｖｉｓｕａｌｓｅｌｅｃｔｉｖｅａｔｔｅｎｔｉｏｎｃｏｍｐｕｔａｔｉｏｎａｌ ｍｏｄｅｌｂａｓｅｄｏｎｓｙｎｅｒｇｅｔｉｃｐｅｒｃｅｐｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＩｍａｇｅａｎｄ Ｇｒａｐｈｉｃｓ，２００８，１３（１）：１２９－１３６． ［９］田媚，罗四维，黄雅平 等．基于局部复杂度和初级视觉特 征的自底向上注意信息提取算法［Ｊ］．计算机研究与发 展，２００８，４５（１０）：１７３９－１７４６． ＴｉａｎＭｅｉ，ＬｕｏＳｉｗｅｉ，ＨｕａｎｇＹａｐｉｎｇｅｔａｌ．Ｅｘｔｒａｃｔｉｎｇｂｏｔｔｏｍ ｕｐａｔｔｅｎｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｂａｓｅｄｏｎｌｏｃａｌｃｏｍｐｌｅｘｉｔｙａｎｄｅａｒｌｙｖｉ ｓｕａｌｆｅａｔｕｒｅｓ［Ｊ］．Ｊｏｕｒｎａｌｏｆｃｏｍｐｕｔｅｒｒｅｓｅａｒｃｈａｎｄｄｅｖｅｌｏｐ ｍｅｎｔ，２００８，４５（１０）：１７３９－１７４６． ［１０］Ｗ ＳＧｅｉｓｌｅｒ，ＪＳＰｅｒｒｙ．Ａｒｅａｌｔｉｍｅｆｏｖｅａｔｅｄｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎ ｓｙｓｔｅｍｆｏｒｌｏｗｂａｎｄｗｉｄｔｈｖｉｄｅｏｃｏｍｍｕｎｉｃａｔｉｏｎ［Ｊ］．Ｈｕｍａｎ ＶｉｓｉｏｎａｎｄＥｌｅｃｔｒｏｎｉｃＩｍａｇｉｎｇ，Ｐｒｏｃ．ＳＰＩＥ，１９９８，３２９９：２９４－ ３０５． ［１１］ＥｉｎｈｕｓｅｒＷ，ＫｒｕｓｅＷ，ＨｏｆｆｍａｎｎＫＰ，ＫｎｉｇＰ．Ｄｉｆｆｅｒｅｎｃｅｓ ｏｆｍｏｎｋｅｙａｎｄｈｕｍａｎｏｖｅｒｔａｔｔｅｎｔｉｏｎｕｎｄｅｒｎａｔｕｒａｌｃｏｎｄｉｔｉｏｎｓ ［Ｊ］．ＶｉｓｉｏｎＲｅｓｅａｒｃｈ，２００６，４６：１１９４－１２０９． 作者简介： 张孝临 男，１９７９年 １２月出生于辽宁鞍 山．吉林大学计算机科学与技术学院博士研究 生．主要研究方向：智能信息系统与嵌入式技术． Ｅｍａｉｌ：ｚｘｌ２２５７ｃｎ＠ｙａｈｏｏ．ｃｏｍ．ｃｎ 赵宏伟 男，１９６２年１１月出生于辽宁沈阳． 吉林大学计算机科学与技术学院教授，博士生导 师．主要研究方向：智能信息系统与嵌入式技术、 计算机图像处理与可视化． Ｅｍａｉｌ：ｚｈａｏｈｗ＠ｊｌｕ．ｅｄｕ．ｃｎ 王 慧（通信作者） 女，１９８２年 １２月出生 于黑龙江密山．吉林大学计算机科学与技术学院 博士研究生．主要研究方向：智能信息系统与嵌 入式技术． Ｅｍａｉｌ：ｅｍａｉｌ－ｗａｎｇｈｕｉ＠１２６．ｃｏｍ 戴金波 女，１９７１年１０月出生于吉林蛟河．吉林大学计算机科学 与技术学院博士研究生，长春师范学院计算机硬件教研室副教授．主要 研究方向：智能信息系统，思维计算．Ｅｍａｉｌ：ｅｍａｉｌ－ｗａｎｇｈｕｉ＠１２６．ｃｏｍ ７１２第 ２Ａ 期 张孝临：基于对比敏感度和马尔可夫链的注意信息提取算法 更多技术文章，论文请登录www.srvee.com 内容版权归作者所有