任意目标提取的方法

现在很多分类器都是用滑动窗口的方法来取得，并且大多数都用来提取确定的一类目标，这里定义了一种提取一般目标的方法，可以用来找到所有类型的目标，这一点和saliency很像
我们认为一个目标应该含有下面三个特征中的至少一个：
（1）在空间上具有很好的封闭边界
（2）目标和背景在外观上有很大不同
（3）目标在图像内是独一无二的，并表现显著
文章主要做了以下三个贡献：
（1）设计了一种目标识别方法，是用贝叶斯模型对上述特征进行融合得到
（2）提出了一种新的影响因子，加入了saliency因子，并说明了融合方法比任意一种单独的效果都要好
（3）说明了怎样利用这种方法作为现在特定类别分类器的位置优先因子，可以大大减少窗口数量。
图像目标因子：
（1）对尺度显著（MS）：用基于频谱的sr方法进行多尺度分析（不同于sr的是，sr是将彩色图转换为灰度图，然后进行运算，而这里是将彩色的图的三个色道分别进行运算），在每种尺度下，计算各个窗口内的显著点密度，密度越大的越趋近于含有目标。尺度s：{16,24,32,48,64} （s*s大小）
（2）颜色对比（CC）：计算窗口与窗口附近背景（窗口外部分宽度的环形区域）的LAB直方图卡方距离，当然，首先对图像进行量化，颜色量化到8*16*16
（3）边缘密度（ED）：与颜色对比相似，不过不是扩大，而是收缩，在一个窗口内收缩一个小窗口，计算小窗口内的canny检测后算子的和与小窗口周长的比值。（计算到200*200大小）
（4）超像素交叉（SS）：一个超像素中的所有像素应该都在同一个目标内。对于一个窗口，计算位于被窗口界线分割开的超像素的较小那一块面积的和。和越大，窗口内含有目标的可能性越小。（因为其跨越了太多超像素）