目前国内外在视频显著性的研究上，有很多学者已经做过了卓越的贡献。通过Treisman and Gelade， Koch and Ullman的早期工作，并由Itti Wolfe和其他重视理论的人提出视觉注意具有两个阶段：1高速，预处理，自下而上的数据驱动的显著性提取 2慢速的，自下而上对任务依赖，目标驱动显著的提取[2]。25246
南加州大学iLab实验室Itti教授及其学生Siagian等，在博士期间的主要工作是生物学启发的机器人视觉定位研究。而Koch lab的J. Harel于2006年在matlab上提出了基于图像的视觉显著性检测. Itti提出了一个关于生物的模型，他通过对生命体的视觉中的选择性注意模型进行模拟，这个模型较适合处理一些天然的图像。此处的显著值是像素点在明亮、色彩、方位与周边的环境进行对比，全部点集合的显著值构筑的一张显著图论文网
    而在之后，复旦大学的教授Chenlei Guo和Liming Zhang在频域残差法（Spectral Residual）的基础上提出相位谱方法（Phase Spectrum）。清华大学的程明明教授基于全球性的区域对比来测算图像显著性。大连理工大学的卢湖川教授通过低，中层的线索来得到贝叶斯显著性。
清华大学的程明明教授的算法也是目前较为常用的图像显著性算法[3]。首先，他提出：全球对比基础的方法，从它的周围分离的大型物体，是在生产局部对比度为基础的方法，高显着值达到或接近对象边界。全球性的考虑启用可比性分配、遇到类似的图像区域的显着价值，并能均匀突出整个对象。一个区域的显着性主要取决于它的邻近区域相对于他的对比度，而与距离它较远的区域关系较小。在人摄照片中，对象通常集中朝向图像的内部区域，远离图像的边界。显着的地图应该是快速，准确，具有低存储器足迹，并容易产生，以允许处理大量图像集，并促进有效的图像分类和检索[4]。
Gibson和Wallach在1950年代首先提到了有关光流的概念，他们首先做出SFM假说，这个假说以心理学为核心，第一次提出从二次元光流场还原到三次元的空间运动参数和结构参数假设。光流简单来说是动态的物体在观察表面上的像素点移动的瞬间速度，是采用图像序列中点在时间坐标上的改变同连续帧间的关联性来搜寻连续两帧之间存在的相对联系，由此得到连续帧中区域运动消息的办法。按照常理来说，光流是因为影像中前景目标自己的运动、拍摄者的移动，或者两方的相对运动所造成的结果。其计算方法可以分为三类：
    基于特征的匹配法尝试对测试目标的显著特点进行定点以及追踪，而较大目标的移动和明亮变化具有鲁棒性。通常容易遇到的情况是光流一般较为稀薄，除此之外特征的获取和精准的配对也相对比较困难。与前者的方法不同，基于区域的方法最初对于相似的地区做出初步定位，紧接着再经由相似地区的移动距离得到它的光流。与前者不同，这个算法在视频编码时已经被大量的运动了。然而，它计算的光流仍较为稀疏。
    基于能量的方法是运用速率可变的滤波组输出相位和频率。尽管能够得到精度较好的起始光流预估，然而这常涉及到大量的运算。除此之外，对于可靠性的评定也相当的麻烦。
    基于梯度的方法是采用图片序列亮度的时空微分测量二位光流速度场。因为计算方式简便并可以得到优秀的结果，基于梯度的方法在如今的实验中已经获得了大范围的运用。虽然大量基于梯度的光流估计方法取得了较前者更好的光流估计，但考虑到在计算光流估计时涉及到可调参数的人工选择、可靠性估价因子选择较为困难，以及对光流测算结果的预处理，微量图像中噪音和帧收集的过程中产生的频谱叠加都可能极大影响基于梯度的方法的准确率，使结果产生很大的偏差。 视频显著性国内外研究现状:http://www.youerw.com/yanjiu/lunwen_18925.html