利用判別顯著性的跟蹤課件

Histogram-basedInterestPointDetectors楊濤Histogram-basedInterestPoint1作者信息Wei-TingLee

李威霆Hwann-TzongChenAssistantProfessorDepartmentofComputerScienceNationalTsingHuaUniversityResearchInterestsComputerVision,ImageProcessing,MachineLearning作者信息Wei-TingLee李威霆2摘要本文提出利用灰度直方圖信息檢測感興趣點(diǎn)的新方法。與現(xiàn)有的對圖像亮度逐點(diǎn)測量差異不同，本方法包括基于直方圖的表示，因而能找到在鄰域中不同分布的圖像區(qū)域。提出的檢測器能夠獲得大尺度結(jié)構(gòu)和不同紋理模式，并顯示出對旋轉(zhuǎn)、亮度變化、模糊的不變性。實(shí)驗(yàn)結(jié)果證明本方法模糊和亮度變化情況下的紋理匹配任務(wù)中表現(xiàn)得特別好。擴(kuò)展本方法到空時(shí)感興趣點(diǎn)檢測可用于動作分類。摘要本文提出利用灰度直方圖信息檢測感興趣點(diǎn)的新方法。與現(xiàn)有的3基于直方圖的感興趣點(diǎn)檢測對于任意給定圖像塊中的像素，可以將其量化成幾個(gè)離散的值。假定有

階，那么在每個(gè)像素位置，加權(quán)直方圖的第k個(gè)分量由下式計(jì)算得到：其中集合定義圍繞的鄰域窗口是使得的正規(guī)化因子(1)基于直方圖的感興趣點(diǎn)檢測對于任意給定圖像塊中的像素，可以將其4基于直方圖的感興趣點(diǎn)檢測給定在像素處有一個(gè)微小的平移用BhattacharyyaCoefficient度量直方圖與的相似性：二階泰勒展開式的結(jié)果：基于直方圖的感興趣點(diǎn)檢測給定在像素處有一個(gè)5基于直方圖的感興趣點(diǎn)檢測其中將（1）式代入得其中基于直方圖的感興趣點(diǎn)檢測其中其中6基于直方圖的感興趣點(diǎn)檢測矩陣獲得像素周圍鄰域的直方圖結(jié)構(gòu)。如果的兩個(gè)特征值都很大，那么一個(gè)很小的平移，將會導(dǎo)致BhattacharyyaCoefficient的急劇下降，因而直方圖與直方圖非常不相似。將這樣的像素稱為感興趣點(diǎn)。所以問題轉(zhuǎn)化為與局部BhattacharyyaCoefficient相應(yīng)的HessianMatrix的特征值問題。無需顯式計(jì)算特征值，可以用行列式與跡的響應(yīng)函數(shù)來模擬：基于直方圖的感興趣點(diǎn)檢測矩陣獲得像素7提取局部不變區(qū)域用于匹配基于直方圖的圖像表示顏色直方圖方向梯度直方圖尺度選擇提取局部不變區(qū)域用于匹配基于直方圖的圖像表示8實(shí)驗(yàn)圖像匹配實(shí)驗(yàn)圖像匹配9實(shí)驗(yàn)圖像匹配實(shí)驗(yàn)圖像匹配10實(shí)驗(yàn)時(shí)空感興趣點(diǎn)檢測實(shí)驗(yàn)時(shí)空感興趣點(diǎn)檢測11RandomWalksonGraphstoModelSaliencyinImageRandomWalksonGraphstoMode12作者信息（1）ViswanathGopalakrishnanDegreeRegistered:Ph.DSupervisor:

AsstProfDeepuRajanResearchTitle:VisualAttentionYiqunHuPh.DcandidateSupervisor:

AsstProfDeepuRajanandChiaLiangTienResearchInterests:ComputerVisionNetworkTechnologyArtificialIntelligenceHumanComputerInteraction作者信息（1）ViswanathGopalakrishna13作者信息（2）DeepuRajanAssistantProfessorDivisionofComputingSystemsSchoolofComputerEngineeringCollegeofEngineeringNanyangTechnologicalUniversityResearchInterests:Imageandvideoprocessingcomputervisionmultimediasignalprocessing作者信息（2）DeepuRajan14摘要將顯著性區(qū)域檢測公式化成馬爾可夫隨機(jī)游走問題。通過全圖隨機(jī)游走提取圖像全局屬性，通過k-regular圖隨機(jī)游走提取局部屬性。最顯著的節(jié)點(diǎn)是全局最孤立且落在局部最緊湊的區(qū)域。背景節(jié)點(diǎn)是與最顯著節(jié)點(diǎn)“距離”最遠(yuǎn)的節(jié)點(diǎn)。通過最顯著節(jié)點(diǎn)與背景節(jié)點(diǎn)得到顯著區(qū)域。摘要將顯著性區(qū)域檢測公式化成馬爾可夫隨機(jī)游走問題。15各態(tài)歷經(jīng)馬爾可夫鏈從任意狀態(tài)出發(fā)可以到達(dá)任意狀態(tài)的馬爾可夫鏈稱為各態(tài)歷經(jīng)馬爾可夫鏈。621435各態(tài)歷經(jīng)馬爾可夫鏈從任意狀態(tài)出發(fā)可以到達(dá)任意狀態(tài)的馬爾可夫鏈16假設(shè)有N個(gè)狀態(tài)：轉(zhuǎn)移矩陣：狀態(tài)i到j(luò)的轉(zhuǎn)移概率平穩(wěn)條件：是1×N的行向量，為N個(gè)狀態(tài)的馬爾可夫平穩(wěn)分布，可以由計(jì)算得到。各態(tài)歷經(jīng)馬爾可夫鏈假設(shè)有N個(gè)狀態(tài)各態(tài)歷經(jīng)馬爾可夫鏈17基本矩陣Z定義成其中I是單位陣各態(tài)歷經(jīng)馬爾可夫鏈?zhǔn)钱?dāng)n趨于無窮大時(shí)的極限各態(tài)歷經(jīng)馬爾可夫鏈?zhǔn)钱?dāng)n趨于無窮大時(shí)的極限18表示從t=0時(shí)刻出發(fā)，從狀態(tài)i出發(fā)返回到狀態(tài)i的期望步數(shù)。表示從t=0時(shí)刻出發(fā)，從狀態(tài)i出發(fā)返回到狀態(tài)j的期望步數(shù)。表示從t=0時(shí)刻出發(fā)，從平穩(wěn)分布出發(fā)返回到狀態(tài)i的期望步數(shù)。各態(tài)歷經(jīng)馬爾可夫鏈表示從t=0時(shí)刻出發(fā)，從狀態(tài)i出發(fā)返回到狀19圖表示將一幅圖像劃分成若干個(gè)8×8的小塊，每一個(gè)小塊表示成一個(gè)節(jié)點(diǎn)（頂點(diǎn)），各小塊之間的相似性程度是連接節(jié)點(diǎn)的邊。8×8圖像塊塊節(jié)點(diǎn)之間的連接基于兩節(jié)點(diǎn)的特征集相似性的邊的權(quán)重圖表示將一幅圖像劃分成若干個(gè)8×8的小塊，每一個(gè)小塊表示成一20圖表示計(jì)算局部塊的方向直方圖，塊的復(fù)雜度由直方圖的熵得到：在YCbCr域中得到Cb和Cr。在尺度空間中得到五個(gè)尺度下的直方圖的熵。這樣得到特征向量為：

是相應(yīng)于方向的第i個(gè)bin的直方圖的值圖表示計(jì)算局部塊的方向直方圖，塊的復(fù)雜度由直方圖的熵得到：21圖表示由得到的各頂點(diǎn)的特征向量計(jì)算權(quán)重：N×N仿射矩陣獲得圖像特征的全局方面：所有連向節(jié)點(diǎn)i的權(quán)重之和：全連接的轉(zhuǎn)移矩陣計(jì)算如下：可以得到：圖表示由得到的各頂點(diǎn)的特征向量計(jì)算權(quán)重：22圖表示N×N仿射矩陣獲得圖像特征的局部方面：表示節(jié)點(diǎn)i的空間鄰域節(jié)點(diǎn)同理得到：圖表示N×N仿射矩陣獲得圖像特征的局部方面：23節(jié)點(diǎn)選擇最顯著節(jié)點(diǎn)在completegraph上，其他所有節(jié)點(diǎn)到最顯著節(jié)點(diǎn)的步數(shù)的期望和應(yīng)當(dāng)盡可能大。在k-regulargraph上，鄰域節(jié)點(diǎn)到到最顯著節(jié)點(diǎn)的步數(shù)的期望和應(yīng)當(dāng)盡可能小。任意節(jié)點(diǎn)的顯著性值由下式定義：最顯著節(jié)點(diǎn)：節(jié)點(diǎn)選擇最顯著節(jié)點(diǎn)24節(jié)點(diǎn)選擇圖中紅色區(qū)域代表最顯著節(jié)點(diǎn)節(jié)點(diǎn)選擇圖中紅色區(qū)域代表最顯著節(jié)點(diǎn)25節(jié)點(diǎn)選擇背景節(jié)點(diǎn)第一個(gè)背景節(jié)點(diǎn)：顯然第一個(gè)背景節(jié)點(diǎn)選擇那些本身顯著值低且與最顯著節(jié)點(diǎn)最不相似的節(jié)點(diǎn)。第n個(gè)背景節(jié)點(diǎn)：這樣選擇節(jié)點(diǎn)的目的是保證背景節(jié)點(diǎn)盡可能inhomogenous節(jié)點(diǎn)選擇背景節(jié)點(diǎn)26節(jié)點(diǎn)選擇圖中綠色區(qū)域代表背景節(jié)點(diǎn)節(jié)點(diǎn)選擇圖中綠色區(qū)域代表背景節(jié)點(diǎn)27顯著性區(qū)域檢測如果一個(gè)節(jié)點(diǎn)到最顯著節(jié)點(diǎn)的期望步數(shù)與到所有背景節(jié)點(diǎn)的期望步數(shù)之和小，那么該節(jié)點(diǎn)就被認(rèn)為是顯著區(qū)域的一部分。繼續(xù)這一步驟，找到所有這樣的節(jié)點(diǎn)，形成的區(qū)域就是顯著區(qū)域。右圖白色部分是檢測出的顯著性區(qū)域。顯著性區(qū)域檢測如果一個(gè)節(jié)點(diǎn)到最顯著節(jié)點(diǎn)的期望步數(shù)與到所有背景28與其他方法的比較未經(jīng)二值化的結(jié)果二值化后的結(jié)果與其他方法的比較未經(jīng)二值化的結(jié)果二值化后的結(jié)果29Saliency-basedDiscriminantTrackingSaliency-basedDiscriminantTr30作者信息（1）VijayMahadevanEducation2006-present:Ph.D(EE)UCSD,LaJolla,CA.GPA:4.0.2002-2003:M.S(EE)RensselaerPolytechnicInstitute,Troy,NY,Dec.2003.GPA:3.89.1998-2002:B.Tech(EE)IndianInstituteofTechnology,Madras.GPA:8.73/10.00.Publication'Thediscriminantcenter-surroundhypothesisforbottom-upsaliency',D.Gao,V.MahadevanandN.Vasconcelos,NeuralInformationProcessingSystems(NIPS),Vancouver,Canada,2007.'BackgroundSubtractioninHighlyDynamicScenes',V.MahadevanandN.Vasconcelos,IEEEConferenceonComputerVisionandPatternRecognition(CVPR),Anchorage,AK,June2008.作者信息（1）VijayMahadevan31NunoVasconcelosPositionAssociateProfessoratUCSD,headingtheStatisticalVisualComputingLaboratoryResearchinterestcomputervision,statisticalsignalprocessing,machinelearning,andmultimedia.AwardsHellmanFellowship,2005NSFCAREERaward,2005GraduateFellowship,JuntaNacionalparaaInvestigacaoCientificaeTecnologica,1993-1997GraduateFellowship,Luso-AmericanFoundation,1991-1993作者信息（2）NunoVasconcelos作者信息（2）32摘要本文提出基于判別顯著性的視覺跟蹤框架對于每一幀，將目標(biāo)與背景的判別看成二值分類問題利用最大化邊緣差異的原則選出對目標(biāo)與背景分類起最大作用的特征通過這些特征，使用Top-down顯著性檢測下一幀目標(biāo)的位置，完成跟蹤算法的一次迭代擴(kuò)展該框架，加入Bottom-up顯著性模式下的運(yùn)動特征能魯棒地檢測顯著運(yùn)動物體并且自動初始化跟蹤器。摘要本文提出基于判別顯著性的視覺跟蹤框架33問題起源當(dāng)前比較流行的基于表觀的物體跟蹤方法通過學(xué)習(xí)目標(biāo)表觀模型，確定目標(biāo)位置。缺點(diǎn)是未能引入背景信息。這樣當(dāng)背景凌亂或者目標(biāo)發(fā)生形變時(shí)就制約了跟蹤精度。為解決此問題，判別跟蹤方法被提了出來?；舅枷耄何矬w跟蹤伴隨檢測過程，將問題轉(zhuǎn)化為持續(xù)的目標(biāo)—背景分類。問題起源當(dāng)前比較流行的基于表觀的物體跟蹤方法通過學(xué)習(xí)目標(biāo)表觀34問題起源判別跟蹤器設(shè)計(jì)的三個(gè)問題目標(biāo)初始化特征選擇目標(biāo)檢測問題起源判別跟蹤器設(shè)計(jì)的三個(gè)問題35利用判別顯著性的跟蹤判別顯著性將顯著性問題看作感興趣刺激與背景兩類的最優(yōu)決策問題。每一位置的顯著性等價(jià)于該位置處特征的判別力。這樣判別的結(jié)果具有最低期望差錯(cuò)概率。利用判別顯著性的跟蹤判別顯著性將顯著性問題看作感興趣刺激與背36利用判別顯著性的跟蹤判別顯著性l位置處的顯著性定義為特征響應(yīng)與類的互信息又可以寫成

其中利用判別顯著性的跟蹤判別顯著性37利用判別顯著性的跟蹤學(xué)習(xí)顯著特征對目標(biāo)與背景有最優(yōu)判別能力的特征是那些與類別標(biāo)簽有最大互信息的特征。互信息的計(jì)算其中

表示第k個(gè)特征與前k-1個(gè)特征之間由于特征相關(guān)含有的判別信息利用判別顯著性的跟蹤學(xué)習(xí)顯著特征其中表示第k個(gè)特征與38學(xué)習(xí)顯著特征由于特征相關(guān)性對類的判別提供的信息很小，故顯著特征選擇對N個(gè)特征按降序排列互信息選擇前K個(gè)特征作為顯著特征利用判別顯著性的跟蹤學(xué)習(xí)顯著特征利用判別顯著性的跟蹤39利用判別顯著性的跟蹤顯著特征選擇過程利用判別顯著性的跟蹤顯著特征選擇過程40利用判別顯著性的跟蹤目標(biāo)跟蹤t時(shí)刻的顯著特征得到以后，下一步檢測t+1時(shí)刻的目標(biāo)位置。

包含通過似然比被分成目標(biāo)類的點(diǎn)集利用判別顯著性的跟蹤目標(biāo)跟蹤包含通過似然比被分成目標(biāo)41利用判別顯著性的跟蹤目標(biāo)跟蹤K個(gè)特征響應(yīng)y的Confidence之和為t+1時(shí)刻具有最大顯著值點(diǎn)位置就是新的目標(biāo)點(diǎn)的位置。利用判別顯著性的跟蹤目標(biāo)跟蹤42檢測器自動初始化初始化過程圖示檢測器自動初始化初始化過程圖示43實(shí)驗(yàn)結(jié)果跟蹤演示目標(biāo)初始位置已知（4幀）紅框表示本文方法的結(jié)果實(shí)驗(yàn)結(jié)果跟蹤演示目標(biāo)初始位置已知（4幀）紅框表示本文方法的結(jié)44實(shí)驗(yàn)結(jié)果目標(biāo)初始位置已知（6幀）紅框表示本文方法的結(jié)果實(shí)驗(yàn)結(jié)果目標(biāo)初始位置已知（6幀）紅框表示本文方法的結(jié)果45實(shí)驗(yàn)結(jié)果跟蹤誤差定義成groundtruthboundingbox與跟蹤器得到的boundingbox內(nèi)的平均像素差?？梢钥闯霰疚姆椒ǎ―ST）誤差最小。量化結(jié)果實(shí)驗(yàn)結(jié)果跟蹤誤差定義成groundtruthbou46目標(biāo)初始位置未知實(shí)驗(yàn)結(jié)果利用Bottom-Up的顯著性判別獲得目標(biāo)初始位置目標(biāo)初始位置未知實(shí)驗(yàn)結(jié)果利用Bottom-Up的顯著性判別獲47Thanks!Thanks!48Histogram-basedInterestPointDetectors楊濤Histogram-basedInterestPoint49作者信息Wei-TingLee

李威霆Hwann-TzongChenAssistantProfessorDepartmentofComputerScienceNationalTsingHuaUniversityResearchInterestsComputerVision,ImageProcessing,MachineLearning作者信息Wei-TingLee李威霆50摘要本文提出利用灰度直方圖信息檢測感興趣點(diǎn)的新方法。與現(xiàn)有的對圖像亮度逐點(diǎn)測量差異不同，本方法包括基于直方圖的表示，因而能找到在鄰域中不同分布的圖像區(qū)域。提出的檢測器能夠獲得大尺度結(jié)構(gòu)和不同紋理模式，并顯示出對旋轉(zhuǎn)、亮度變化、模糊的不變性。實(shí)驗(yàn)結(jié)果證明本方法模糊和亮度變化情況下的紋理匹配任務(wù)中表現(xiàn)得特別好。擴(kuò)展本方法到空時(shí)感興趣點(diǎn)檢測可用于動作分類。摘要本文提出利用灰度直方圖信息檢測感興趣點(diǎn)的新方法。與現(xiàn)有的51基于直方圖的感興趣點(diǎn)檢測對于任意給定圖像塊中的像素，可以將其量化成幾個(gè)離散的值。假定有

階，那么在每個(gè)像素位置，加權(quán)直方圖的第k個(gè)分量由下式計(jì)算得到：其中集合定義圍繞的鄰域窗口是使得的正規(guī)化因子(1)基于直方圖的感興趣點(diǎn)檢測對于任意給定圖像塊中的像素，可以將其52基于直方圖的感興趣點(diǎn)檢測給定在像素處有一個(gè)微小的平移用BhattacharyyaCoefficient度量直方圖與的相似性：二階泰勒展開式的結(jié)果：基于直方圖的感興趣點(diǎn)檢測給定在像素處有一個(gè)53基于直方圖的感興趣點(diǎn)檢測其中將（1）式代入得其中基于直方圖的感興趣點(diǎn)檢測其中其中54基于直方圖的感興趣點(diǎn)檢測矩陣獲得像素周圍鄰域的直方圖結(jié)構(gòu)。如果的兩個(gè)特征值都很大，那么一個(gè)很小的平移，將會導(dǎo)致BhattacharyyaCoefficient的急劇下降，因而直方圖與直方圖非常不相似。將這樣的像素稱為感興趣點(diǎn)。所以問題轉(zhuǎn)化為與局部BhattacharyyaCoefficient相應(yīng)的HessianMatrix的特征值問題。無需顯式計(jì)算特征值，可以用行列式與跡的響應(yīng)函數(shù)來模擬：基于直方圖的感興趣點(diǎn)檢測矩陣獲得像素55提取局部不變區(qū)域用于匹配基于直方圖的圖像表示顏色直方圖方向梯度直方圖尺度選擇提取局部不變區(qū)域用于匹配基于直方圖的圖像表示56實(shí)驗(yàn)圖像匹配實(shí)驗(yàn)圖像匹配57實(shí)驗(yàn)圖像匹配實(shí)驗(yàn)圖像匹配58實(shí)驗(yàn)時(shí)空感興趣點(diǎn)檢測實(shí)驗(yàn)時(shí)空感興趣點(diǎn)檢測59RandomWalksonGraphstoModelSaliencyinImageRandomWalksonGraphstoMode60作者信息（1）ViswanathGopalakrishnanDegreeRegistered:Ph.DSupervisor:

AsstProfDeepuRajanResearchTitle:VisualAttentionYiqunHuPh.DcandidateSupervisor:

AsstProfDeepuRajanandChiaLiangTienResearchInterests:ComputerVisionNetworkTechnologyArtificialIntelligenceHumanComputerInteraction作者信息（1）ViswanathGopalakrishna61作者信息（2）DeepuRajanAssistantProfessorDivisionofComputingSystemsSchoolofComputerEngineeringCollegeofEngineeringNanyangTechnologicalUniversityResearchInterests:Imageandvideoprocessingcomputervisionmultimediasignalprocessing作者信息（2）DeepuRajan62摘要將顯著性區(qū)域檢測公式化成馬爾可夫隨機(jī)游走問題。通過全圖隨機(jī)游走提取圖像全局屬性，通過k-regular圖隨機(jī)游走提取局部屬性。最顯著的節(jié)點(diǎn)是全局最孤立且落在局部最緊湊的區(qū)域。背景節(jié)點(diǎn)是與最顯著節(jié)點(diǎn)“距離”最遠(yuǎn)的節(jié)點(diǎn)。通過最顯著節(jié)點(diǎn)與背景節(jié)點(diǎn)得到顯著區(qū)域。摘要將顯著性區(qū)域檢測公式化成馬爾可夫隨機(jī)游走問題。63各態(tài)歷經(jīng)馬爾可夫鏈從任意狀態(tài)出發(fā)可以到達(dá)任意狀態(tài)的馬爾可夫鏈稱為各態(tài)歷經(jīng)馬爾可夫鏈。621435各態(tài)歷經(jīng)馬爾可夫鏈從任意狀態(tài)出發(fā)可以到達(dá)任意狀態(tài)的馬爾可夫鏈64假設(shè)有N個(gè)狀態(tài)：轉(zhuǎn)移矩陣：狀態(tài)i到j(luò)的轉(zhuǎn)移概率平穩(wěn)條件：是1×N的行向量，為N個(gè)狀態(tài)的馬爾可夫平穩(wěn)分布，可以由計(jì)算得到。各態(tài)歷經(jīng)馬爾可夫鏈假設(shè)有N個(gè)狀態(tài)各態(tài)歷經(jīng)馬爾可夫鏈65基本矩陣Z定義成其中I是單位陣各態(tài)歷經(jīng)馬爾可夫鏈?zhǔn)钱?dāng)n趨于無窮大時(shí)的極限各態(tài)歷經(jīng)馬爾可夫鏈?zhǔn)钱?dāng)n趨于無窮大時(shí)的極限66表示從t=0時(shí)刻出發(fā)，從狀態(tài)i出發(fā)返回到狀態(tài)i的期望步數(shù)。表示從t=0時(shí)刻出發(fā)，從狀態(tài)i出發(fā)返回到狀態(tài)j的期望步數(shù)。表示從t=0時(shí)刻出發(fā)，從平穩(wěn)分布出發(fā)返回到狀態(tài)i的期望步數(shù)。各態(tài)歷經(jīng)馬爾可夫鏈表示從t=0時(shí)刻出發(fā)，從狀態(tài)i出發(fā)返回到狀67圖表示將一幅圖像劃分成若干個(gè)8×8的小塊，每一個(gè)小塊表示成一個(gè)節(jié)點(diǎn)（頂點(diǎn)），各小塊之間的相似性程度是連接節(jié)點(diǎn)的邊。8×8圖像塊塊節(jié)點(diǎn)之間的連接基于兩節(jié)點(diǎn)的特征集相似性的邊的權(quán)重圖表示將一幅圖像劃分成若干個(gè)8×8的小塊，每一個(gè)小塊表示成一68圖表示計(jì)算局部塊的方向直方圖，塊的復(fù)雜度由直方圖的熵得到：在YCbCr域中得到Cb和Cr。在尺度空間中得到五個(gè)尺度下的直方圖的熵。這樣得到特征向量為：

是相應(yīng)于方向的第i個(gè)bin的直方圖的值圖表示計(jì)算局部塊的方向直方圖，塊的復(fù)雜度由直方圖的熵得到：69圖表示由得到的各頂點(diǎn)的特征向量計(jì)算權(quán)重：N×N仿射矩陣獲得圖像特征的全局方面：所有連向節(jié)點(diǎn)i的權(quán)重之和：全連接的轉(zhuǎn)移矩陣計(jì)算如下：可以得到：圖表示由得到的各頂點(diǎn)的特征向量計(jì)算權(quán)重：70圖表示N×N仿射矩陣獲得圖像特征的局部方面：表示節(jié)點(diǎn)i的空間鄰域節(jié)點(diǎn)同理得到：圖表示N×N仿射矩陣獲得圖像特征的局部方面：71節(jié)點(diǎn)選擇最顯著節(jié)點(diǎn)在completegraph上，其他所有節(jié)點(diǎn)到最顯著節(jié)點(diǎn)的步數(shù)的期望和應(yīng)當(dāng)盡可能大。在k-regulargraph上，鄰域節(jié)點(diǎn)到到最顯著節(jié)點(diǎn)的步數(shù)的期望和應(yīng)當(dāng)盡可能小。任意節(jié)點(diǎn)的顯著性值由下式定義：最顯著節(jié)點(diǎn)：節(jié)點(diǎn)選擇最顯著節(jié)點(diǎn)72節(jié)點(diǎn)選擇圖中紅色區(qū)域代表最顯著節(jié)點(diǎn)節(jié)點(diǎn)選擇圖中紅色區(qū)域代表最顯著節(jié)點(diǎn)73節(jié)點(diǎn)選擇背景節(jié)點(diǎn)第一個(gè)背景節(jié)點(diǎn)：顯然第一個(gè)背景節(jié)點(diǎn)選擇那些本身顯著值低且與最顯著節(jié)點(diǎn)最不相似的節(jié)點(diǎn)。第n個(gè)背景節(jié)點(diǎn)：這樣選擇節(jié)點(diǎn)的目的是保證背景節(jié)點(diǎn)盡可能inhomogenous節(jié)點(diǎn)選擇背景節(jié)點(diǎn)74節(jié)點(diǎn)選擇圖中綠色區(qū)域代表背景節(jié)點(diǎn)節(jié)點(diǎn)選擇圖中綠色區(qū)域代表背景節(jié)點(diǎn)75顯著性區(qū)域檢測如果一個(gè)節(jié)點(diǎn)到最顯著節(jié)點(diǎn)的期望步數(shù)與到所有背景節(jié)點(diǎn)的期望步數(shù)之和小，那么該節(jié)點(diǎn)就被認(rèn)為是顯著區(qū)域的一部分。繼續(xù)這一步驟，找到所有這樣的節(jié)點(diǎn)，形成的區(qū)域就是顯著區(qū)域。右圖白色部分是檢測出的顯著性區(qū)域。顯著性區(qū)域檢測如果一個(gè)節(jié)點(diǎn)到最顯著節(jié)點(diǎn)的期望步數(shù)與到所有背景76與其他方法的比較未經(jīng)二值化的結(jié)果二值化后的結(jié)果與其他方法的比較未經(jīng)二值化的結(jié)果二值化后的結(jié)果77Saliency-basedDiscriminantTrackingSaliency-basedDiscriminantTr78作者信息（1）VijayMahadevanEducation2006-present:Ph.D(EE)UCSD,LaJolla,CA.GPA:4.0.2002-2003:M.S(EE)RensselaerPolytechnicInstitute,Troy,NY,Dec.2003.GPA:3.89.1998-2002:B.Tech(EE)IndianInstituteofTechnology,Madras.GPA:8.73/10.00.Publication'Thediscriminantcenter-surroundhypothesisforbottom-upsaliency',D.Gao,V.MahadevanandN.Vasconcelos,NeuralInformationProcessingSystems(NIPS),Vancouver,Canada,2007.'BackgroundSubtractioninHighlyDynamicScenes',V.MahadevanandN.Vasconcelos,IEEEConferenceonComputerVisionandPatternRecognition(CVPR),Anchorage,AK,June2008.作者信息（1）VijayMahadevan79NunoVasconcelosPositionAssociateProfessoratUCSD,headingtheStatisticalVisualComputingLaboratoryResearchinterestcomputervision,statisticalsignalprocessing,machinelearning,andmultimedia.AwardsHellmanFellowship,2005NSFCAREERaward,2005GraduateFellowship,JuntaNacionalparaaInvestigacaoCientificaeTecnologica,1993-1997GraduateFellowship,Luso-AmericanFoundation,1991-1993作者信息（2）NunoVasconcelos作者信息（2）80摘要本文提出基于判別顯著性的視覺跟蹤框架對于每一幀，將目標(biāo)與背景的判別看成二值分類問題利用最大化邊緣差異的原則選出對目標(biāo)與背景分類起最大作用的特征通過這些特征，使用Top-down顯著性檢測下一幀目標(biāo)的位置，完成跟蹤算法的一次迭代擴(kuò)展該框架，加入Bottom-up顯著性模式下的運(yùn)動特征能魯棒地檢測顯著運(yùn)動物體并且自動初始化跟蹤器。摘要本文提出基于判別顯著性的視覺跟蹤