协同显著性检测是近几年活跃起来的一个研究热点,由于能从多张图像中获得比显著性检测更多的信息,它在图像检索、协同分割、视频压缩、目标跟踪等诸多领域都具有十分广泛的应用前景。通常,协同显著性检测包括两个部分:显著性检测和协同性检测。本文改进现有的显著性检测方法以获得更好的显著性,然后通过超像素聚类获得全局关联性,进一步通过不同测度计算协同性。本文的研究工作如下:(1)针对现有的基于引导学习的显著性目标检测模型对显著目标的边界处理很粗糙的问题,本文提出一种基于内容感知的多尺度显著性检测方法。为了更好地描述边界附近的显著性,利用流形简单线性迭代聚类方法对图像进行分割,得到具有内容感知的超像素块。然后通过底层特征计算每个超像素块的显著性,获得弱显著图。接着使用多核增强的学习方法根据3种特征(RGB、CIELab和LBP)以及4种核函数(Linear、Polynomial、RBF和Sigmoid),通过弱显著图学习得到强分类器,从而估计图像显著性得到强显著图。同时为了获得不同尺度上的显著性,构建了一个超像素金字塔。最后,结合不同尺度上的弱显著图和强显著图生成最终的显著图。在MSRA和PASCAL-S数据集上的实验结果表明,改进的显著性检测方法获得了更好的检测结果。(2)针对普通协同显著性检测方法计算每个像素的协同显著性效率低的缺陷,提出了一种基于超像素聚类的协同显著性检测方法。该方法利用具有内容感知的超像素分割方法将图像组内的所有图像都分割成超像素块,然后利用两种颜色特征(RGB和CIELab)和Gabor纹理特征对所有超像素块聚类,获得全局关联性。接着通过3种测度(对比度、中心位置和重复率)计算每个超像素块的协同显著性,利用多尺度融合获得弱协同显著图,最后使用基于内容感知的多尺度显著性检测方法获得的显著图引导形成最终的协同显著图。在iCoseg和MSRC数据集上的实验结果表明,本文提出的方法计算协同显著性的速度更快并且效果更好。(3)针对摄像头随运动目标运动所带来的背景变化导致背景建模失效的问题,在以上研究的基础上,本文设计了一种基于协同显著性检测的目标跟踪方法。借助基于超像素聚类的协同显著性检测方法检测两帧或多帧视频帧中的运动目标,通过计算目标的运动速度估算检测帧之间的目标位置实现目标跟踪。在Youtube-Objects视频数据集上的实验验证了本文提出方法的可行性。