7、选择性注意力的感知分组与面部模型研究

选择性注意力的感知分组与面部模型研究

1. 肤色密度函数分类学习

在估计肤色密度函数时，可采用一种新的方法，即利用正例和反例像素（属于皮肤区域和非皮肤区域的像素）来学习分类函数，而非使用 EM 算法和交叉验证。对于模型阶数选择问题，可通过支持向量机的结构风险最小化来解决。使用高斯核函数实现的支持向量机能够捕捉决策边界，而无需对颜色的完整分布进行建模。与使用交叉验证等技术确定所需高斯函数的数量不同，支持向量会根据风险最小化中明确定义的误差边界自动确定。

2. 选择性注意力的感知分组

运动和颜色都能提供像素级的视觉线索，但基于对象的选择性注意力需要对这些基于像素的线索进行感知分组。感知分组是视觉系统将图像区域组织成新兴边界结构的过程，旨在分离对象和场景背景。
- 运动线索 ：前注意运动线索通常会产生运动轮廓簇，这些轮廓簇往往对应于整个运动区域，例如人体。
- 颜色线索 ：基于对象的颜色模型会产生具有高可能性的像素区域。

可以基于连通性、接近性和形态学运算符进行自下而上的分组。通过对下采样的运动和颜色概率图像进行分组，并采用多分辨率策略，可以提高计算效率。

下面介绍一种使用多尺度递归非线性形态学操作的分组方法，步骤如下：
1. 计算图像中前景（运动或颜色）的对数概率，得到概率图像 (I^p)。
2. 对 (I^p) 应用形态学腐蚀，减少噪声和错误的前景，得到图像 (I^{eT})。
3. 令 (I^ = I^{eT})，然后多次迭代以下操作：
(I^ = \frac{1}{2}(I^ <