第4期 张丽坤，等：视觉关注转移的事件检测算法 ·335· 2.1.2静态关注模型 这里用图像块平均灰度值代表这个图像块的受关注 静态关注模型的加入主要是从视频的空间信息 程度，均值越大，这个块的受关注程度越高. 考虑的.监控视频中各帧的静态关注模型S的提取 3)以均值最大的块为中心，通过区域扩展形成 方法为：首先对视频帧进行多尺度变换，在不同尺度 一个最优的矩形区域作为视觉关注区域。这个矩形 上提取颜色、亮度、纹理等低级特征的局部对照特 区域要满足矩形面积最小且局部平均像素值最大的 征，然后根据局部对照特征形成特征图，并将形成的 要求.这样就可以获得第1个视觉受关注区域， 特征图进行全局归一化，最后将归一化后的特征图 在选择最优矩形区域R,时，采用文献[8]中的 进行线性结合，得到最终的显著图[ 方法： 2.1.3运动优先融合 动态关注模型和静态关注模型需要结合在一起， 如果a≥T,扩展R,直到<T 得到最终视频帧符合人眼视觉关注的显著图.由于相 T =d x avg(maxblock_Sa(x)). 比于对静态的关注，人眼往往对于运动的物体更加关 式中：k∈{1,2}代表被选定的受关注区域的数目， 注，所以两者在融合的时候采用的权重不能相同，在这 x:∈R,表示矩形R。中的像素，N,表示矩形R,中总 里用文献[3]中提到的权重计算方法，定义动态关注模 像素数，T,是选择最优矩形区域时设定的阚值， 型和静态关注模型的权重如式(3)、(4)： avg(maxblock._Sa(x))是第k个最大均值块的均 or=T×exp(1-Tm), (3) 值，k∈(0,1)是一个经验数据.在实验中，选用∂= 0s=1-0r (4) 0.9,即将最大均值块均值的90%设定为选择最优 式中：0r和心s分别是动态关注模型和静态关注模 矩形区域时的國值.每一个受关注区域可以表示 型的权重.式(3)中的T如式(5)所示： 为： Ta=max(Tm）-mean(Tm）, (5) R Re ct(cI,r1,WI,H), 式中：mean(Tm)反映了视频中运动所占的比例，视 R2 Re ct(c2,r2,W2,H2). 频中运动区域面积越大，它的值就越大，因为T是 式中：Rect(·)代表设定矩形区域的函数，(ck,rk) 二值图像，所以当视频序列中不存在运动时， 是矩形区域左上顶点的坐标，W,和H分别是矩形 mean(Ta)和max(Tm)都为0，此时or等于零，os 区域的宽度和高度， 为1，即视频帧中不存在运动，此时视频帧的视觉关 当第1个视觉受关注区域确定以后，将这部分 注区域取决于静态关注；但两者都为1时，说明运动 区域的像素值置为零，然后返回到2)进行，直到第2 区域遍布整个视频帧，运动无法为视觉关注提供参 个受关注区域被选定为止。 考，此时视频帧的视觉关注由静态关注决定，当 4)分别计算视频帧所选2个区域的均值，用均 mean(Tm)∈(0,0.768]时，0r>os,视频序列中的 值的变化来表征视觉关注的转移 动态关注优于静态关注，这时动态关注在视频帧的 当aw1(i)>aw2(i)&a2(i+1)>aw1(i+1)或 视觉关注中占主导地位；当mean(Tm)∈(0.768,1] 者aw2(i)>am1(i)&aw1(i+1)>am2(i+1)时，表示 时，0r<0s,静态关注优于动态关注，这时视频帧的 在第i帧时刻发生了视觉转移，此时将第i+1帧选 视觉关注由静态关注主导， 出作为关键帧的候选帧，这里aw,(i)和aw2(i)表示 这样就可以得到符合人眼视觉关注的视频帧的 第帧选出的2个受关注区域的均值. 最终视觉显著图Saliency: 5)获得视觉关注节奏曲线，定义视觉转移量来 Saliency wr x Tm ws x S.m 表示视觉转移程度的大小，视觉转移量是指视觉转 显著图Saliency的像素值归一化到0~1内.其中 移之前，视觉关注保持在某一关注区域的时间，它可 1表示受关注度最高，0表示受关注度最低 以用视频中没有视觉转移发生的这段时间内视频的 2.2视觉关注转移 帧数来表示： 根据人眼的转移机制，人眼关注点的转移意味 着有特征事件的出现。因此，首先要找到视觉显著图 8.()=d,T∈N 中局部最受关注的区域，然后再根据连续帧中的最 式中：T是没有视觉转移发生的一段时间内出现的 受关注区域的变化来确定人眼视觉关注点的转移， 视频帧数，N是正整数或零，6，()为第i帧出现时刻 从而选定关键帧的候选帧，具体步骤如下： 的视觉转移量. 1)将视频帧的最终视觉显著图分成无重叠的、 视频当前帧选出的2个关注区域的均值与前一 大小为8×8的块， 帧选出的2个关注区域的均值相比没有发生变化 2)计算每块的均值，并找到均值最大的块.在 时，视觉转移量为零；若发生变化，视觉转移量累加