1、目標(biāo)識(shí)別是視覺系統(tǒng)的基本目的。如何從復(fù)雜場景中識(shí)別目標(biāo)則是更加重要和困難的問題。局部不變性特征具有尺度和旋轉(zhuǎn)不變性，對(duì)視點(diǎn)變化、光線變化以及噪聲等仿射畸變都具有較強(qiáng)的魯棒性，能夠完成不同角度下獲得的同一目標(biāo)之間的可靠識(shí)別，但它的缺點(diǎn)在于每個(gè)局部不變性特征描述子一般選擇高維，而且隨著圖像尺寸增加，描述子數(shù)量呈線性增長，因此計(jì)算量增大，很難滿足目標(biāo)識(shí)別系統(tǒng)的實(shí)時(shí)性要求。
　　目標(biāo)識(shí)別系統(tǒng)因計(jì)算資源有限和對(duì)實(shí)時(shí)性要求較高，要求計(jì)算量盡可

2、能少。視覺注意是能解決這種計(jì)算資源消耗問題的一個(gè)十分有效的工具。人類的視覺注意能快速選擇復(fù)雜場景下少量與視覺任務(wù)相關(guān)的信息進(jìn)行處理，因此將人類視覺注意引入到基于局部不變性特征的目標(biāo)識(shí)別系統(tǒng)具有廣闊的應(yīng)用前景。近幾年來，相關(guān)研究已經(jīng)提出了許多基于自底向上視覺注意和局部不變性特征相結(jié)合的目標(biāo)識(shí)別方法。不過，現(xiàn)有的基于自底向上視覺注意和局部不變性特征相結(jié)合的目標(biāo)識(shí)別方法還無法令人滿意，其主要原因是顯著圖本身的質(zhì)量不夠高，典型的局部不變性特征方

3、法不太適合低分辨率感興趣區(qū)域匹配，視覺注意機(jī)制應(yīng)用方式和方法也還不夠成熟。因此，需要尋找更加令人滿意的實(shí)現(xiàn)方法。
　　本文充分總結(jié)和比較了現(xiàn)有的圖像顯著性檢測(cè)算法和局部不變性特征方法。在此基礎(chǔ)上提出了快速而魯棒的顯著性檢測(cè)及局部不變性特征方法，并設(shè)計(jì)了基于視覺注意與局部不變性特征相結(jié)合的目標(biāo)識(shí)別方法。
　　本文的主要工作和創(chuàng)新點(diǎn)如下:
　　(1)沿著頻域信息和頻率調(diào)諧的思路，本文提出兩種快速而準(zhǔn)確的目標(biāo)區(qū)域檢測(cè)算法，I

4、HFT算法和IMSSS算法。針對(duì)HFT算法運(yùn)行時(shí)間慢的缺點(diǎn)，IHFT算法把卷積運(yùn)算變成點(diǎn)對(duì)點(diǎn)相乘運(yùn)算進(jìn)行頻域信息加速處理;針對(duì)MSSS算法顯著圖融合運(yùn)算的缺點(diǎn)，IMSSS算法用基于每個(gè)特征圖熵計(jì)算的特征圖挑選處理代替三個(gè)顏色特征圖的相加運(yùn)算。這兩種算法的理論基礎(chǔ)都較單一，對(duì)復(fù)雜背景下的目標(biāo)區(qū)域檢測(cè)都有一定的局限性。為了實(shí)現(xiàn)IHFT算法的IMSSS算法的優(yōu)勢(shì)互補(bǔ)，本文提出一種基于IHFT算法的IMSSS算法的綜合算法，從而能夠適應(yīng)更多的復(fù)

5、雜場景，提高算法的適應(yīng)性和檢測(cè)準(zhǔn)確率。
　　(2)沿著BRISK局部不變性特征方法的思路，本文提出一種新穎的對(duì)數(shù)-螺旋局部不變性特征方法，簡稱為LOS-K。針對(duì)復(fù)雜場景下進(jìn)行感興趣區(qū)域檢測(cè)之后得到的圖像是尺寸小而低分辨率的情況，本文首先設(shè)計(jì)了一個(gè)可以提高低分辨率圖像匹配性能的局部不變性特征檢測(cè)器。跟圖像金字塔方法不同，提出的檢測(cè)器使用對(duì)數(shù)-螺旋采樣模式來估計(jì)局部不變性特征的位置、尺度和方向。同時(shí)提出一種有效的描述子生成方法。該方法

6、依賴于一種能捕獲局部不變性特征周圍的更多信息的對(duì)數(shù)-螺旋采樣模式和兩種能提高描述子之間的獨(dú)立性的比特生成函數(shù)。實(shí)驗(yàn)表明新方法的有效性和魯棒性。
　　(3)針對(duì)復(fù)雜場景下的目標(biāo)識(shí)別問題，提出一種基于注意-識(shí)別融合模型(Attention-Recognition Fusion Model，簡稱ARF模型)的目標(biāo)識(shí)別方法。該方法利用局部不變性特征方法來識(shí)別由自底向上顯著圖和自頂向下親密圖相結(jié)合方法所獲得的感興趣區(qū)域。該方法通過引入自頂向