1.一种基于双目多维感知特性的立体视频显著性检测方法，包括显著特征提取和显著特征融合，其特征在于：所述的显著特征提取是从立体视频的空间、深度以及运动三个不同维度的视图信息分别进行显著性计算，具体包括三部分：二维静态显著区域检测、深度显著区域检测、运动显著区域检测；其中：二维静态显著区域检测：根据Bayesian模型计算单张彩色图像的空间特征的显著性，检测出彩色图像的二维静态显著区域，具体是：通过计算单点的感兴趣概率的方法来估计物体的显著程度SZ：式中z表示图像中的某个像素点，p表示相应的概率值，随机变量F表示一个点像素的视觉特征值，随机变量L表示一个像素点的坐标位置；二元随机变量C表示该点像素是否为目标像素，C＝1表示为目标像素，C≠1表示不是目标像素；fz和lz分别表示注视在z点时的视觉特征值以及相应的像素坐标位置；假设在C＝1的情况下，该点的视觉特征与空间位置是相互独立的，即有：为了在一张图像中方便比较该点的显著概率，将上式进行对数化：log sz＝-log p(F＝fz)+log p(F＝fz|C＝1)+log p(C＝1|L＝lz)；式中第一项-log p(F＝fz)表示该像素点特征的自信息量，只依赖于z的视觉特征，独立于任何先验信息；第二项log p(F＝fz|C＝1)表示对数似然函数项，用来表示目标的先验信息；第三项log p(C＝1|L＝lz)表示独立于视觉特性，反映目标可能出现位置的先验信息；将上式简化为：log Sz＝-log p(F＝fz)，通过计算图像各像素点的显著程度SZ获取二维静态显著图SMimage；深度显著区域检测的具体步骤是：①采用DERS软件根据输入的第k帧左视点图和右视点图计算出该帧的视差图，其中视差值d∈[0,255]；②根据视差图中的最大视差值dmax和最小视差值dmin将视差值归一化到[0 ,1]区间；如果某像素点的视差值接近dmax则赋予大的视差值，相反接近dmin则赋予小的视差值，给前景物体与背景物体赋予不同的显著性得到深度前景图Dforeground，其中前景物体相对于背景物体更为显著；③利用高斯差分滤波器提取重要的深度感知特征—深度对比度DoG(x ,y)，实现公式下：其中(x,y)代表滤波器位置，σ和K分别用来控制滤波器的尺度和高斯核的半径比，将经DoG滤波后的深度图作为深度对比度图Dconstrast；④将获取的深度前景图Dforeground和深度对比度图Dconstrast进行线性加权融合，获取深度显著图SMdepth：SMdepth＝ω1Dforeground+ω2Dconstrast；其中：ω1和ω2分别为Dforeground和Dconstrast的权重；运动显著区域检测：根据当前帧的二维静态显著图SMimage和深度显著图SMdepth中的显著区域采用光流法提取相邻帧间运动矢量，获取运动显著图SMmotion，具体步骤是：a.对二维静态显著图SMimage和深度显著图SMdepth进行二值化：式中，Timage和Tdepth分别为SMimage和SMdepth的二值化处理的门限值，最佳门限值通过大津算法获取，SM′image和SM′depth为经过二值化处理后的显著图，其中显著区域的像素值为1，不显著区域的像素值为0；然后将SM′image和SM′depth代入下式中来确定当前帧图像的光流计算区域S′(x,y)：式中S(x,y)表示当前帧原视图中像素点(x,y)处的灰度值；b.根据划分的显著区域利用Lucas-Kanade微分光流算法计算相邻帧的运动；假设连续时间内像素点的灰度值恒定不变，特征点邻域内做相似运动，对显著区域所有像素求解基本光流方程：IxVx+IyVy＝-It；式中Vx，Vy分别表示光流矢量沿x，y两个方向分量，Ix，Iy，It分别表示像素点沿x，y，t三个方向的偏导数，矢量形式表达式为：式中是该点的梯度方向，符号T代表转置，为该点的光流，联立n个光流方程采用最小二乘法求解x，y方向的速度：得到：

通过上述方程计算显著区域的光流进而获取运动显著图SMmotion；所述的显著特征融合是将已获取的三种不同维度的显著特征图SMimage、SMdepth、SMmotion采取全局非线性归一化的融合策略进行融合，进而获取立体视频显著区域；具体步骤是：(1)将已获取的种不同维度的显著图归一化到一个相同的0到1区间的动态范围内；( 2 )计算每张显著图的全局最大值Mi以及所有局部极大值的平均值i＝image ,depth,motion，其中Mi通过计算视差直方图可获取，是先通过matlab中的差分函数计算

出局部极大值，然后再取其平均值；(3)将归一化后的显著图与其相乘，计算公式如下：式中N(SMi)表示归一化操作，即把不同的显著图都归一化到[0,1]区间，其中权重通过

计算该图中全局最大值Mi与所有局部极大值的平均值的差值，当二者差值很大时，表明

该显著图中的显著特征更为明显，赋予大的权重；当差值很小的时候，表明该显著图的显著特征更为均匀，赋予较小的权重进行抑制，取(Mi-mi)2作为每张显著图的权重值；通过临近相似特征相互抑制的方式来近似模拟生物神经抑制机制，融合三个不同维度的显著特征来获取立体视频的显著区域。