视觉注意力机制可以使人们自动捕获到复杂场景中最具有吸引力的那一部分物体。显著目标检测作为计算机视觉领域的一个分支,致力于模拟注意力机制使计算机可以自动发现场景中的显著目标,在过去十多年一直是一个蓬勃发展的研究课题,并且已应用于分割、重定向、增强、前景标注等大量视觉任务中。近年来随着数据量爆炸式地增长,多个相关的图像需要被人们同时地处理。协同显著目标检测是对传统的单幅图像显著目标检测地拓展,其目的是在多个相关的图像中发现共同且显著的物体。与单幅图像显著目标不同,协同显著目标不仅需要在各自的图像中显著,并且需要在其他相关图像中也同样显著。以往对显著目标检测的研究主要集中在RGB图像上,仅利用颜色信息,而忽略了深度信息,但是深度信息在许多计算机视觉任务中已被证实是有用的。本文将利用深度信息对RGB颜色信息进行补充,对一组相关的RGB-D图像进行协同显著目标检测,主要工作如下:(1)针对现实中许多包含相同或相似目标的图像组是在相似的场景中被搜集的,会导致在检测协同显著区域时错误地检测出相同的背景区域的问题,并且为了更好地表示图像信息,于是提出了一种基于构图与特征优化的RGB-D协同显著目标检测方法。首先利用已有的RGB-D图像显著目标检测方法产生初始显著图,接着使用初始显著图得到图像组的初始前景区域集和图像边缘区域集,并基于这两个集合对原图像组以超像素为顶点构建一个闭环图,并通过遗传算法对提取自原图像的颜色、纹理和不同层次的高维语义特征组成的特征集进行选择,得到适合图像组的特征子集,然后结合闭环图和特征子集计算得到初始协同显著图,最后以深度图为辅助通过一个能量函数对初始协同显著图进行优化,产生最终的协同显著图。(2)一组图像中有些图像简单有些图像复杂,简单的图像更易于检测出前景区域,因此本文利用易于检测的简单图像指导复杂图像进行协同显著目标检测,提出了一个基于样本选择的RGB-D协同显著目标检测方法。首先,基于4个评分指标从图像组中选择部分显著目标易于检测的简单图像,构成简单图像集;接着,基于协同一致性的原则,从简单图像集中提取正负样本,并用深度学习模型提取的高维语义特征表示正负样本;再者,利用正负样本训练的协同显著分类器对图像中的超像素进行分类,得到协同显著目标区域;最后,经过一个平滑融合的操作,得到最终的协同显著图。本文提出的两个方法与其他几个方法在两个公开的数据集上进行对比分析,试验结果表明本文提出的方法有着较好的表现。