显著性检测是计算机视觉领域的重要研究方向,在图像分割、图像压缩、目标跟踪、图像识别等领域都有广泛的应用。传统的显著性检测算法依赖于图像数据的底层特征,或者利用大量人工标注的真值图训练机器学习模型,计算量大、计算速率慢、很难应对实时变化的实际环境。人类视觉系统具有视觉注意机制可以快速高效的定位目标区域,因此本文模拟人类视觉系统,提出了一种基于注视眼动的主动视觉框架。主要工作如下:(1)提出了一种基于学习的显著性检测算法框架,分为注视点预测、注视区划分、分类模型训练、像素分类四部分。注视点预测阶段借助改进的谱残差算法进行预测;其次利用大值显著点划分注视区域并采样;用超限学习机训练分类模型;像素分类阶段利用分类模型扫描场景实现显著目标检测。(2)提出了两种注视区划分策略。1.以单个大值显著点为中心利用最大信息熵画局部小框;2.以多个大值显著点为边界画全局大框。注视区域的划分结果直接决定采集的样本的质量,从而间接影响模型的性能是本文算法的重要步骤。(3)提出了一种图像尺度的自适应选择算法。针对频域分析算法对图像尺度变化敏感的问题,本文通过选取注视点预测图中的多个大值点并计算它们在空域上的离散度,依据离散度的大小判定最优尺度。本文算法在六个公开的标准数据集上进行测评,并与其他经典的显著性检测算法进行了对比实验。实验结果显示,本文算法能够快速高效的突出显著目标区域同时能够有效抑制图像周边噪声,相比于经典算法本文检测结果具有较高的准确率、召回率和F分数,同时具有较少的运行时间,为将显著性检测模型推广到实际应用提供了可能。