由于视频可以携带丰富的信息,数字视频在日常生活中的应用越来越广泛。在观看视频时,海量的信息会一同进入视野中,但只有少数是有用的。人类视觉系统一般都会快速地捕捉视频中的突出区域和运动,以减少搜索工作。由此可见视觉关注机制是人眼的固有属性。人眼所关注的地方通常被称之为显著性区域。预测视频中的显著性区域在监控系统、目标识别、目标跟踪、视频质量评价等应用领域都具有重要意义。视频显著性区域检测在数字视频处理中起重要作用。本文基于视频质量评价研究的需求,以现有的图像显著性检测算法为基础,提出了一种基于光流的视频显著性检测方法。通过对视频时域上的光流信息做显著性分析得到视频的时域显著区域,并结合空域显著性,计算最终的视频显著性。同时使用真实的人眼注视结果,对算法性能进行评估。本文的主要工作包括下面三个部分。一、总结了当前视觉显著性检测的国内外研究现状,以及视觉关注机制的一些基本特性和图像的基本特征,为显著性检测算法的研究提供了理论依据。二、针对当前视频显著性和视频质量评价研究这两个热点,为了给视频显著性提供人眼关注区域真值,本文设计了眼动数据采集实验。以LIVE、VQEG等视频质量评价数据库作为视频源,使用Tobii X120眼动仪采集了人眼在观看视频时的注视点位置。同时以所采集到的眼动数据为依据,通过统计分析,计算了视频帧上的热点图,对眼动数据进行了可视化处理,构建了基于眼动数据的视频显著性数据库。三、运动反映的是视频在时域上的信息,而光流可以估计视频中的运动矢量,因此本文以已有的图像显著性算法为基础,提出了一种基于光流的视频显著性检测方法。将视频包含的信息分解成空域上的视频帧信息和时域上的光流图信息两个部分,并分别对视频帧和对应光流图进行特征提取,分析其显著性,获得视频在空域和时域上的显著性区域。再结合全局运动分析融合空域和时域上的结果计算最终的视频显著性。本文还在所创建的基于眼动数据的视频显著性数据库上选取视频对该算法性能进行了评估,结果证明,与现有的GBVS等算法相比,本文算法结果与人眼实际观看结果具有更高的一致性。