摘要：为了解决弱对比度车辆目标分割不准确的问题,结合多示例学习方法,提出一种基于视觉注意机制的弱对比度车辆目标分割方法。首先提取基于训练图像局部区域的亮度梯度与纹理梯度特征,再采用多示例学习方法进行特征学习并得到具有学习能力的显著性模型,实现预测测试图像的显著性结果;然后利用显著性结果构建精简的加权图模型,对传统图割框架进行优化,最后求解图割代价函数表示的广义特征系统次小特征值所对应的最优分割状态向量,得到测试图像车辆目标的精确分割。试验结果表明：将有监督的显著性检测方法与图割方法结合,能够针对特定类别的图像进行有目的的学习,学习到的显著性检测模型具有较强的适应性,同时利用显著性检测结果作为图割输入,有效提高了图割方法的效率和精度;当弱对比度情况下目标与背景边界过渡缓慢且差异极小时,能够得到较好的车辆目标分割效果;所提算法的PRI均值（0.899）和F指数（0.70）均高于其他3种图割方法,GCE值相对集中在0.15-0.17之间,误差较小。

关键词：交通工程 目标分割 显著性检测 图割 多示例学习 

单位：长安大学信息工程学院; 陕西西安710064; 长安大学电子与控制工程学院; 陕西西安710064; 西安航天精密机电研究所; 陕西西安710100