显著性模型

显著性模型（精选八篇）

显著性模型 篇1

证券投资组合是指投资者对各种证券资产进行选择从而形成的投资组合, 其目的在于分散个别风险或非系统性风险, 从而实现投资效用的最大化。

1952年, 诺贝尔经济学奖得主Harry Markowitz发表了《证券组合选择》一文, 在此文中他建立了最优投资组合的均值—方差模型, 即寻求在一定的期望收益水平下使风险达到最小的投资组合, 或在一定的风险水平下使平均收益达到最大的投资组合。他从理论上给出了资产组合选择的标准。

证券投资组合理论是在资本市场上进行投资的重要理论, 因此深入研究投资组合的理论和方法就显得十分必要。张立山、张晓红用线性规划单纯形法解决证券投资组合的优化问题。万中等人构造了外点惩罚函数, 采用Frank-Wolf算法解决这一问题。但随着证券种类以及数目的不断增多, 当线性规划模型的决策变量数目增加时, 就增加了计算工作量, 最优投资比例的确定变得非常困难。

徐绪松、陈彦斌用模拟退火法求解基于绝对离差的证券投资组合模型。杨利、李玉娟提出了一种改进的模拟退火法, 应用惩罚函数法将Markowitz投资组合模型转化成无约束的优化问题, 并对基本的模拟退火法的关键过程和参数进行了优化, 解决了模拟退火法初始温度和解的产生机制问题, 达到了速度和精度的平衡, 提高了该算法的效率。由于理论最小迭代次数无法确定, 因此存在着计算效率偏低的问题, 仍需要进一步研究。

从Markowitz的投资组合模型开始, 研究资产组合有效性的问题对于投资实务具有重要意义, 理论研究者在这方面做了大量检验工作。给定一个特定的投资组合p, 其组成部分或投资组合比例是已知的, 传统上, 把检验资产组合的有效性问题转化为检验资产定价模型的有效性, 以检验Sharpe-Lintner CAPM的形式进行, 在经典统计学的假设检验框架下, 在某一显著性水平下接受或拒绝投资组合的有效性。Gibbons首先在多元统计框架下检验资产组合的有效性。在存在无风险资产的情况下, Gibbons、Ross&Shanken (1989) 提供了有效的检验方法, 从而解决了资产组合有效性精确检验的问题。在不存在无风险资产的情况下, Zhou (1991) 应用特征值检验来检验资产组合的有效性。Harvey和Zhou使用贝叶斯推断来检验投资组合的有效性。

尽管目前已有许多方法被提出用来估计投资组合的最优权重, 但这些方法大多非常复杂。尤其是当资产组合中涉及的证券数目非常多的时候, 计算量会大幅增加, 估计精度迅速下降。如果能将投资组合问题转化为线性回归问题, 并借助技术上成熟的最小二乘法估计最优组合权重, 计算工作量将大幅下降, 估计精度大幅提高。

衡量投资组合是否有效的关键在于是否能够有效分散非系统性风险, 这取决于各组成部分在组合中的作用是否有效或显著。把检验资产组合的有效性问题转化为检验资产定价模型的有效性, 只能检验组合整体的有效性或市场的有效性, 对于单个证券在投资组合中是否有效不能给予明确的回答。即使一个组合在整体上是有效的, 也并不能保证组合中每一只证券在分散非系统性风险方面都有效, 所以对于组合中的单个证券的有效性检验仍十分必要。

根据分散化原理, 要想尽可能多地分散非系统性风险, 组合中包含的证券的数目就要足够多。但是, 组合包含的证券数目太多, 管理成本就会增大。而且, 组合中的一些证券对分散非系统性风险的贡献可能并不大, 需要把它们检验出来, 从模型中剔除, 建立一个精简、高效率的投资组合, 从而降低管理成本, 这对投资实务具有重要的现实价值。

本文主要解决两个方面的问题:首先揭示Markowitz投资组合模型与线性回归模型之间的联系, 通过线性回归方法估计最优组合权重;其次, 将回归分析中的参数显著性检验方法应用到最优组合权重的有效性检验中, 因为只有最优组合权重通过了显著性检验的证券才对分散组合的非系统性风险有明显的贡献。

二、Markowitz投资组合模型与线性回归模型

投资者是利益驱动和风险厌恶的, 总是期望收益率越高越好, 而方差 (风险) 越小越好, 所以投资者主要关心投资的收益率和方差:

其中, K是证券组合的个数;ri是第i只证券的收益率;E (ri) 是第i只证券的期望收益率;βi是第i只证券在投资组合中的权重;σij是第i与第j只证券收益率的协方差矩阵;E (rp) 和σp2分别是投资组合的期望收益率和方差。

我们可以得到每一只证券收益率的n个样本观测值, 如第j只证券在n个样本点上的收益率为r1j, r2j, …, rnj, 则第j只证券的平均收益率为:

投资组合p在第i个样本点上的收益率是:

投资组合p的平均收益率是:

投资组合p的样本方差是:

Markowitz投资组合模型以收益率的期望值来衡量未来收益率的水平, 以收益率的方差来衡量收益率的不确定性, 证券组合的特征完全由期望收益率和收益率的方差来描述。其模型如下:

我们将 (5) 式中的收益率用其相应的样本收益率和方差进行替换, 可得:

将约束条件代入目标函数, 可得:

可改写为:

与多元线性回归模型的最小二乘准则对比:

可得出 (6) 式的最优权重βj (j=1, 2, …, K-1) , 其可以看作以rK-rp为被解释变量, 以rK-rj (j=1, 2, …, K-1) 作为解释变量的一个不含截距项的多元线性回归模型的回归系数的参数估计值。

由于回归模型设定的特殊性, 作为被解释变量的第K只证券必须存在于组合中。但在实际中, 共有K只证券, 选谁作为第K只证券, 似乎并不唯一。而我们希望第K只证券应一定存在于组合中, 所以通常取证券收益率的样本均值与方差之比最大的作为第K只证券。

特别地, 在最小方差点处, rp未知, 也作为一个需要估计的参数, 此时可以令β0=rp, 得到含截距项的多元线性回归模型:

其中, μi为随机误差项, 满足回归模型基本假设, 是具有零均值、同方差、无序列相关, 且服从正态分布的随机变量。

前面的推导过程阐述了Markowitz投资组合模型与多元线性回归模型的联系。事实上, 我们也可以这样来理解Markowitz投资组合模型, 即寻找一组最优的投资组合权重β1, β2, …, βK, 使得其组合的收益率尽可能接近投资者的预期收益率, 有如下表达式:

将约束条件βK=1-β1-β2-…-βK-1代入上式, 整理后可得:

这与 (7) 式相同, 若假设rp未知, 也可得到 (8) 式。

这样, 我们就把一个Markowitz投资组合问题转化为一个简单的多元线性回归问题, 在多元线性回归框架下求解投资组合问题, 并且可以对回归模型的最优组合权重作统计检验。

三、实例分析

1. 样本数据。

为便于读者对本文的相关结果进行验证, 所以本文仅选用4只证券, 20个样本数据, 样本数据见表1, 样本数据的协方差矩阵见表2。

2. 有效前沿上的投资组合。

我们在此仅对最小方差点处的投资组合进行分析。首先我们采用GAMS23.4软件, 利用样本的均值和协方差信息建立Markowitz模型并求解, 在最小方差点处求解出最优组合权重, 以及收益与风险。

GAMS程序如下:

接下来, 选用均值与标准差之比最大的r4作为被解释变量, 以r4-r1, r4-r2, r4-r3作为解释变量, 用Eviews6.0软件进行含截距项的最小二乘回归, 得到参数估计结果如表3。

注:回归标准误差为0.044 79, AIC为-3.197 0。

用Markowitz模型在GAMS下的非线性规划求解与Eviews下的最小二乘求解几乎得到了相同的结果:在最小方差点处, 第一只证券的最优权重为-0.513 9;第二只证券的权重为0.785 3;第三只证券的权重为0.128 4;第四只证券的权重为0.600 2。该组合可以获得13.91%的期望收益, 但要承担0.044 79的风险。

两种求解过程的差别在于: (1) Markowitz模型使用的是样本的均值与协方差信息, 而回归方法直接使用样本的信息。 (2) Markowitz模型使用非线性规划求解, 求解结果受迭代精度的影响, 存在一定的误差;回归方法是线性的, 所以求解精度较高。 (3) 两种方法得到的投资组合的方差的估计值在小样本下是有差异的, 在大样本下是一致的。 (4) 最重要的是, 回归方法能够给出每一只证券的权重在投资组合中是否显著, 也就是说该证券对于分散组合非系统性风险是否具有显著的贡献提供了统计依据。

从表3中我们可以看到, 第三只证券回归系数的P值为0.687, 大于通常的显著性水平0.05, 表明第三只证券的权重不显著, 也就是说该证券对于分散整个组合的非系统性风险没有起到显著的贡献, 应从组合中剔除。

我们去掉第三只证券, 再次作最小二乘回归, 得到参数估计结果如表4所示。

注:回归标准误差为0.043 68, AIC为-3.286 5。

最小二乘回归结果表明:在最小方差点处, 第一只证券的最优权重为-0.453 8;第二只证券的权重为0.782 0;第三只证券的权重为0;第四只证券的权重为0.671 8。该组合可以获得13.82%的期望收益, 但要承担0.043 68的风险。第一、二只证券的权重都很显著, 对于第四只证券, 我们在选择被解释变量时已经保证它将以非常大的可能性存在于组合中, 但我们仍然可以作如下的受约束线性回归假设检验:

检验统计量为:

其中, RSSU、RSSR分别表示无约束与受约束回归下的残差平方和;n表示样本容量;KU、KR分别表示无约束与受约束回归模型中的解释变量个数。

线性约束的检验结果为13.15, P值为0.002 1, 小于通常的显著性水平0.05, 所以第四只证券的权重β4显著, 对于分散投资组合的非系统性风险具有显著的贡献。

去掉第三只证券后, 第二次回归的标准误差和AIC值均下降了, 因此, 与原组合相比, 新组合虽然包含的证券数目减少了, 但对于分散投资组合的非系统风险同样有效。

四、结论

通过推导, 本文揭示了Markowitz投资组合模型与线性回归模型之间的联系, 由此我们可以通过线性回归方法得到最优组合权重, 并且使最优组合权重的显著性检验成为可能。尽管Markowitz模型的组合权重是最优的, 但并不一定都能够显著分散组合的非系统性风险。

根据线性回归模型, 只有最优权重通过了显著性检验的证券才能对分散模型的非系统性风险有明显的贡献。组合中有些证券对分散非系统性风险的贡献可能并不大, 我们可以把它们检验出来, 从模型中剔除, 使得组合不一定必须包含过多的证券, 仍然可以有效分散组合的非系统性风险, 从而使金融机构管理投资组合的成本下降。

参考文献

[1].Harry Markowitz.Portfolio Selection.The Journal ofFinance, 1952;7

[2].张立山, 张晓红.线性规划在风险资产投资组合中的应用.职业时空, 2008;4

[3].万中等.证券投资组合问题的新模型和算法.湖南大学学报 (自然科学版) , 2008;10

[4].徐绪松, 陈彦斌.绝对离差证券组合投资模型及其模拟退火算法.管理科学学报, 2002;5

[5].杨利, 李玉娟.基于改进模拟退火法的证券投资组合优化.消费导刊, 2007;7

[6].Gibbons, M.R..Multivariate Tests of Financial Models:A newapproach.Journal of financial economics 1982;10

[7].Gibbons, M.R., S.A.Ross, J.Shanken.A Test of theEfficiencyof a Given Portfolio.Econometrica 1989;7

[8].Guofu Zhou.Small Sample Tests of Portfolio Efficiency.Journal of Financial Economics, 1991;3

“微信”商标缺乏显著性？ 篇2

在腾讯公司尚未正式推出微信通讯服务之前，一家山东公司创博亚太（山东）科技有限公司早于2011年11月12日向国家商标局提交了第38类“微信”商标的注册申请。但在其申请的三个月后，腾讯公司正式发布了“微信1.0测试版”，且截至2012年11月，微信注册用户已经超过了5000万人。第三人张新河在创博亚太公司的“微信”商标异议公告期提出了异议申请，商标局据其提交的证据对创博亚太公司的“微信”商标作出了不予核准的裁定。

创博亚太对该裁定不服并申请了复审，经过审理，复审单位商标评审委员会认为腾讯公司的微信软件在创博亚太公司的商标初审公告前已经推出且用户量持续迅猛增长，截至2013年7月腾讯公司的“微信”注册用户已经增长到4亿，并且很多政府机关、法院、学校、银行等推出了微信服务，商评委认为如核准被异议商标的注册申请会对社会公共利益和公共秩序造成不良影响，因此被异议商标已经构成《商标法》第十条第一款第（八）项所禁止的情形。综上，商标评审委员会裁定：被异议商标不予核准注册。创博亚太公司对该裁定不服，遂提起了诉讼。

一审法院经过审理后认为，腾讯“微信”已经具有很高的知名度和影响力，如果核准创博公司提交的第38类“微信”文字商标注册申请，不仅会使广大消费者对“微信”产生错误认知，也会对已经形成的稳定的市场秩序造成消极影响。因此，法院认为，商评委认定创博公司提交的38类“微信”文字商标的申请注册构成《商标法》第十条第一款第（八）项所禁止的情形并无不当，并判决维持了商评委不予核准注册的复审裁定。创博亚太公司对该判决依然不服并向北京高院提起上诉。

近日，北京高院公开宣判“微信”商标异议复审行政纠纷案。法院认为，被异议商标由中文“微信”构成，指定使用在“信息传送、电话业务、电话通讯、移动电话通讯、电子邮件、传真发送、电信信息、提供全球计算机网络用户接入服务（服务商）、为电话购物提供电讯渠道、语音邮件”服务上，其中“微”字有“小”、“少”等含义，与“信”字结合在上述服务项目上易使相关公众将其理解为是比电子邮件、手机短信等常见通信方式更为短小、便捷的信息沟通方式，是对第38类服务的功能、用途或其他特点的直接描述，而不易被相关公众作为区分服务来源的商标加以识别对待，因此，被异议商标在上述服务项目上缺乏显著性，属于《商标法》第十一条第一款第（二）项所指情形。商标评审委员会的相关认定虽有不当，但裁定结论正确，原审判决裁判结论正确，创博亚太公司的部分上诉理由虽然成立，但上诉请求不能成立，故终审判决驳回上诉，维持原判。

【杨河律师点评】

虽然二审维持了一审的裁判结论，但在裁判理由上大相径庭。二审纠正了一审认为原告在相关商品类别上申请注册“微信”商标的行为会造成“不良影响”的认定，而是认为“微信”商标用在指定商标（服务）类比上缺乏“显著性”，因此不应予以注册。

《商标法》第十条第一款第（八）项“不良影响”作为绝对禁止条款，主要是指“商标的文字、图形或者其他构成要素对我国政治、经济、文化、宗教、民族等社会公共利益和公共秩序产生消极的、负面的影响”。对于不良条款的适用，在实践中越来越严格，一般而言，与“我国政治、经济、文化、宗教、民族等社会公共利益和公共秩序”无关的个体，不宜适用该条款。

而《商标法》第十一条第一款第（二）项所指的缺乏显著性的情形则是相对禁止条款。在本案中，北京高院认为“微信”在其指定的第38类服务上仅对功能、用途等作直接描述而缺乏显著性，而创博亚太公司没有足够的证据证明该商标在其使用下产生了较高的知名度和影响力，能使相关公众对该商标与申请主体产生了固定的联想，因此维持商评委对“微信”商标不予核准注册的裁定。但是，因为缺乏显著性并非绝对禁止注册的条款，其他申请主体，如本案中的“腾讯公司”，如果其对“微信”商标的使用在第38类信息传送等服务市场上已经具有很高的知名度以及影响力，广大消费者对“微信”在该服务上与腾讯公司产生了固定的联想及认知，那么，腾讯公司仍可以此在第38类申请“微信”商标。

外媒称华为正在申请华为7P商标

日前，有外媒报道称华为正在申请HUAWEI 7P商标，而从目前的产品线来看，华为并没有HUAWEI 7P类似的商标产品线。去年，华为为谷歌代工了Nexus 6P，但是随着HTC获得未来几年谷歌的代工合同，华为代工的可能性非常低，或许华为是看重了之前Nexus 6P在海外市场取得了不错的成绩，因此想要开辟全新的产品线。

目前华为已经拥有P系列、Mate系列、Mate S系列旗舰产品线，而全新HUAWEI 7P商标的申请或将打造一款与之前所有产品不同的产品线，为2016年的业绩做贡献。（来源：中关村在线）

网店商标侵权 平台服务商将担责

平台服务商在提供网络服务时，教唆或者帮助网络卖家实施侵害商标权行为的，应与网络卖家承担连带责任。日前，北京市高院发布《涉及网络知识产权案件审理指南》，对涉及网络知识产权案件的审理进行规范。

据介绍，《审理指南》确定了平台服务商对网络卖家的具体信息负有举证证明的责任，并对权利人“通知”方式、内容、法律效力以及因“错误通知”导致的法律后果均进行了详尽的规定。

如果平台服务商故意以言语、推介技术支持、奖励积分、提供优惠服务等方式诱导、鼓励网络卖家实施侵害商标权行为的，可以认定其构成教唆网络卖家实施侵权行为；平台服务商知道网络卖家利用网络服务侵害他人商标权，未采取删除、屏蔽、断开链接等必要措施，或者仍提供技术、服务支持等帮助行为的，可以认定其构成帮助网络卖家实施侵权行为。实施这两种行为的平台服务商应当与网络卖家承担连带责任。

如何判断平台服务商“知道”网络卖家利用其网络服务实施侵害商标权行为？《审理指南》规定，这种“知道”包括“明知”和“应知”，如被控侵权交易信息位于网站首页、栏目首页或者其他明显可见位置；平台服务商主动对被控侵权交易信息进行了编辑、选择、整理、排名、推荐或者修改等；权利人的通知足以使平台服务商知道被控侵权交易信息或者交易行为通过其网络服务进行传播或者实施；以明显不合理的价格出售或者提供知名商品或者服务等，法院在认定是否侵权时，会予以综合考虑。（来源：北京晨报）

LG注册LG G5 SE商标 可能推出G5特别版

苹果推出iPhone SE之后，现在韩国LG公司也准备复制苹果的做法。LG已经在韩国申请注册LG G5 SE商标。目前很难说LG是否抄袭了苹果在商标名称上的创意，因为LG申请商标的日期是去年12月，在苹果发布iPhone SE之前。

我们只能说，LG在当时听到了或者看到了关于iPhone SE的一些传闻，苹果最近几年在新产品保密方面做得不是很好。

之前也有传闻表示苹果这款廉价智能手机新产品名称是iPhone 6C。除了LG G5 SE这个名称之外，我们不知道LG G5 SE采用什么样的硬件。但是从iPhone SE走中端路线的风格看来，LG G5 SE很大可能也是一款中端产品。（来源：cnbeta网站）

微软Win10“智能播放器”专利曝光

微软最近申请了新的专利，名为Multiple Stage Shy User Interface（MSSUI）。这个界面的专利描述配图为播放器样式，并且根据专利描述来看，这一新功能主要面向Win10手机、Surface Pro 5以及Surface Book 2等触屏Windows10设备，因此可暂时理解为Win10“智能播放器”。

众所周知，播放器主要控件有很多，比如播放、暂停、停止、上一个/下一个、快进/快退等。在现有模式下，如果用户想进行某种操作的话，播放器就显示出全部控件，用户需自行挑选。而在“智能播放器”中，它会猜到你想要进行的操作类型，并只给你最有可能的操作控件。

该专利支持3D Touch和悬停传感器，手指、手写笔、普通笔以及相关工具都支持操作。这项功能可能会在今后的Win10设备中出现，也许明年就能够了解到该专利更多实际体验。（来源：IT之家）

浅论商标的显著性 篇3

显著性是商标法上最为重要的概念。何谓商标显著性，目前学术界主要存在两种观点：一是商标构成要素说，认为所谓商标显著性是指“构成商标的文字、图形或其组合从总体上具有明显的特色，能与他人同种或类似的商品上的商品区别开来。”二是自他商品识别说，“认为显著性是商标借以识别自己与他人商品之能力”，“凡是符号具有识别商品来源能力者，即具有商标的显著性。”不难看出，以上两种说法的实质内容大同小异，无非从商标标志本身、标志与其他标志以及商标标志与其标示对象，即商品或服务之间的关系对显著性的内涵加以阐释。即商标必须具有可识别性，才能发挥其彰显商品或服务的来源，表示商品或服务的质量以及宣传商品或服务的作用。

因此，商标的可识别性即显著性，就成为商标注册的首要条件。我国商标法也采取同样的做法，具体体现在其中第8条和第9条的规定：“任何能够将自然人、法人或者其他组织的商品与他人的商品区别开的可视性标志，包括文字、图形、字母、数字、三维标志和颜色组合，以及上述要素的组合，均可以作为商标申请注册。”“申请注册的商标，应当有显著特征，便于识别，并不得与他人在先取得的合法权利相冲突。”英国1994年商标法第1条就规定：“本法所称‘商标’是指任何能够将某一企业的商品或服务区别于其他企业的标记。”这一定义的核心内容同样在于标记“能够将某一企业的商品或服务区别于其他企业”的特性，也就是显著性。其他国家和地区商标法对商标的定义也莫不体现上述规律。国际公约中，TRIPS协议第15条的规定最有代表性，其中，“任何标记或者标记的组合，只要能够将一个企业的商品和服务区别于其他企业，即可以构成商标”。可以视为商标的定义，其唯一要件也是显著性，即“能够将一个企业的商品和服务区别于其他企业”。

从以上的各国的规定和国际条约的规定来看，商标的显著性其实是商标的定义的另一方面的描述，即在注册制的国家，没有显著性的商标将不能获准注册，至此，我们可以把商标的显著性认为：商标的显著性即商标的可识别性，是指商标所具有的标示企业商品或服务出处并使之区别于其他企业之商品或服务的属性。

二、商标显著性的认定

一般说来，商标的显著性是商标自然取得的，是在设计和选定一件商标时就必须考虑的因素，欠缺显著性的商标一般禁止注册，甚至被禁止使用。因此，一件商标是否具有显著性，在其被当作商标使用之初就应当是显而易见的。但在特殊情况下，可以通过“使用”取得，这就是指“第二含义”的商标。欠缺显著性的商标，一般是不能得到注册的但经过使用具有“第二含义”具备了识别性.才可以注册。对于这个问题，我分作两个方面论述之，即申请注册是显著性的认定和使用后商标显著性及其价值的认定。

1、申请注册时显著性的认定

即该国商标审查机构对商标显著性的认定。一般认为纯粹描述性的词汇不具备固有的显著性，原因就在于消费者一般更倾向于认为描述性标志是对商品性质或特征的描述，而非标明商品出处（这和商标的作用是为了表示不同的商品或者服务的提供者的初衷是违背的）。如对于apple，可以作为苹果公司的电脑的注册商标，但是绝对不能作为某个地方生产的苹果的注册商标，也不能作为某个厂家生产的果汁的注册商标。因为对于消费者而言，apple牌果汁并不具有任何的标识意义。这是对于绝大多数情况而言，但并不绝对，如“两面针”牌牙膏，两面针是这种牙膏中的一种成分，对治疗口疾疗效明显，一般不能作为牙膏的商标（因为别的品牌的牙膏也会含有两面针这种成分），但这是历史问题，在今天，类似的情况肯定不会获准注册。一些根本不存在的词语，如果具备显著性是能获准注册的，如微软的Microsoft，中国海尔的Haier，这些词本身没有任何意义，但是作为商标能产生区别功能，因此能获准注册。

2、市场和消费者对商标的显著性的认定

这种认定带有商业化的意义，也标识了一个商品和厂家的市场认可程度，因此更具有意义。一般而言，认定标准是商标不能使消费者产生认识上的“混淆可能”为界。“混淆是指消费者在选购过程中将附有某商标的商品误认为是自己本来要选购的商品。‘混淆可能’则是指具有一般分辨力的消费者依照普通注意力会发生这种错误。”在商标侵权案件中，争议商标是否具有显著性，关键是看所争议的商标能否使具有一般分辨能力的消费者产生认知的错误。这里给出两个有先例的规定。

TRIPS协议的认定标准：第16条规定：“注册商标所有人应享有专有权防止任何第三方未经许可而在贸易活动中使用与注册商标相同或近似的标记去表示相同或类似的商品或服务，以造成混淆的可能。如果确将相同标记用于相同的商品或服务，即应推定已有混淆之虞。”

台湾地区的认定标准：使用获得显著性的认定对于通过使用获得显著性应当如何认定，我国没有具体规定。台湾地区的规定具有操作性，值得借鉴。我国台湾地区在具体认定商标的识别性时一般要综合考查下列事项，现将此列出做借鉴：

(1）使用该商标于指定商品之时间长短、使用方式及同业使用情形；（2）使用该商品于指定商品之生产、销售、广告之数量；（3）使用该商标于指定商品之市场分布、销售网络、贩卖陈列之处所等；（4）广告业者、传播业者出具之证明；（5）公会、商会、其他具公信力机构出具之证明；（6）各国注册之证明；（7）其他得据为认定有识别性之证据。

三、商标的淡化和商标的显著性的保护

商标淡化是指减少、削弱驰名商标或其他具有相当知名度的商标的识别性和显著性，损害、玷污其商誉的行为。从性质上说，商标淡化既是一种侵权行为，又是一种不正当竞争行为，而且还是一种损害消费者及一般社会公众利益的行为。美国1996年《联邦商标反淡化法》（Federal Trademark Anti-Dilution Act）将商标淡化定义为：“减少、削弱驰名商标对其商品或服务的识别性和显著性能力的行为”，商标淡化是通过对他人商标的淡化使用，来影响商标权人的商标权，降低该商标的知名度。商标的所有者都希望商标能在市场上有较大的影响力，从而提高自身的商业信誉和商品的销售能力，但是对于驰名商标而言，过分的显著性则可能导致商标被泛化使用，从而沦为某种商品或者服务的通用名称，而该商标再也不能获准使用，亦不可续展了。这对其权利无疑是一种损害，因此，驰名商标而言，就有一个显著性和淡化的平衡问题。这个在中外历史上不乏先例。最突出的例子是阿司匹林，从一个商标变成了一种药物的通用名，该公司再也不能使用该商标销售药品了。

商标的反淡化在我国还没有明确的法律规定，但是也有学者认为我国在商标反淡化的态度已经从现行的法律规定中衍生出来。《商标法》第13条规定：“就相同或者类似商品申请注册的商标是复制、摹仿或者翻译他人未在中国注册的驰名商标，容易导致混淆的，不予注册并禁止使用。就不相同或者不相类似商品申请注册的商标是复制、摹仿或者翻译他人已经在中国注册的驰名商标，误导公众，致使该驰名商标注册人的利益可能受到损害的，不予注册并禁止使用”。《驰名商标认定和管理暂行规定》第8条规定：“将与他人驰名商标相同或者近似的商标在非类似商品上申请注册，且可能损害驰名商标注册人的权益，从而构成《商标法》第八条第（9）项所述的不良影响的，由国家工商行政管理局商标局驳回其注册申请；申请人不服的，可以向国家工商行政管理局商标评审委员会申请复议；已经注册的，自注册之日起5年内，驰名商标注册人可以请求国家工商行政管理局商标评审委员会予以撤销，但恶意注册不受时间限制。”当然，我国的上述规定与商标淡化理论尚有一定的差距，无法涵盖商标淡化理论的全部内容。商标法第13条款只规定了禁止他人在相同或近似的商品或服务上使用或注册与驰名商标相同或近似的商标，这并不是商标淡化行为的全部表现形式，因为把与被淡化驰名商标相同或相似的商标做商标以外的其他使用，例如，把他人商标作为某类商品的质量等级、通用名称、特殊的广告宣传用语等使用的行为，也是商标淡化行为的典型表现.驰名商标的所有人因此要充分保护自己的权利。

显著性是商标的本质属性，商标以之与他人的标志相区别。对商标进行显著性审查时，一般采用否定性审查的原则。法律无法穷尽列举哪些标记具有显著性，而是规定在何种情况下标记被认为不具有显著性。而禁用标志之所以应被禁止，因其有损于社会公共利益，这并不会因其商标是否注册而改变。有人认为对于商标显著性的对策是：首先，应深入认识商标的极端重要性，其次，充分准备。申请注册商标，第一应考虑使用商标商品的市场需要，再次，坚持独创性原则。应广泛开展市场调查，了解消费者的兴趣爱好、习惯，了解同类商品的长处和不足。因此，每个商标注册申请人应在申请是充分考虑商标是否具备显著性，在使用是增强商标的继发显著性，防止淡化，确实维护自己的权益。

参考文献

[1]汤跃.显著性—商标权构成的法律基础[J].贵州师范大学学报 (社会科学版) .2003 (5) .

[2]张芳霞.对商标显著性认定的再认识[J].商业现代化, 2005, 11 (499) .

[3]彭学龙.商标显著性传统理论评析[J].电子知识产权, 2006 (02) .

[4]杜颖.商标显著性与商标权的保护[J].知识产权研究, 2006, 3 (63) .

浅谈声音商标的显著性认定 篇4

一、显著性认定的一般方法

根据显著性产生的方式，显著性可分为固有显著性和获得显著性。固有显著性是指一个标志由于正确选用而具有天生的标示产品出处并区别于他人产品的属性。在固有显著性认定上，各国立法一般仅原则性规定其概念，又以列举的方式规定不能注册为商标的标识。我国亦采此种立法模式。除此之外，在商标实践中，一般还须考虑以下两方面因素。一是对商标标志本身进行认定。将商标构成要素作为一个整体加以观察，能够给人留下深刻印象或者能够产生识别作用的即被视为具有显著特征。二是考虑商标所标示的商品或服务。商标与其标示的商品或服务之间关系越疏远，商标的显著性越强；反之，商标的显著性越差。

判断一个商标是否具有显著性，应综合衡量上述各方面因素并结合个案具体情形加以判断。此标准亦适用于声音商标显著性之认定，但在具体内容上有所差异。

二、我国声音商标显著性认定及问题

由于我国首次承认声音商标，具体细则仍未出台，也并未有典型案例可供参考，理论界对声音商标显著性认定更是众说纷纭。不过，随着申请声音商标数量的增多，我国国家工商总局商标局对“声音商标以什么标准进行审查？”进行了答复（后文简称“答复”）。在声音商标显著特征审查问题上，具体标准如下：第一，仅直接表示指定商品或服务内容、消费对象及其他特点的声音，缺乏显著特征。第二，其他缺乏显著特征的声音，例如：简单、普通的音调或旋律；一首完整或冗长的歌曲或乐曲；以平常语调直接唱呼普通标语或口号；行业内通用的音乐或声音。通常情况下，声音商标需要经过长期使用，才能取得显著特征。商标局可以发出审查意见书，要求申请人提交使用证据，并就商标通过使用取得显著特征进行说明。(1)这是我国目前仅有的针对声音商标显著性认定的参考标准，“答0复”实际上具有法律上的规范意义，但其分类内容简单不规范、解释模糊不具体等问题也不容忽视，这在实践中极易导致混乱。

三、声音商标显著性认定的域外法考察

（一）美国

美国将声音商标分为具有先天识别性的声音商标和获得第二含义的声音商标。前者具有固有显著性，不要求提供证明便能够注册为商标；而后者则是常见的声音经过长时间使用或大量广告使消费者认可并将该声音与提供的商品或服务相联系、区分其他来源后才获得显著性，且须经过证明才能获得注册。除此之外，行业内通用的声音禁止注册声音商标。

（二）澳大利亚

澳大利亚在进行声音商标显著性判断时严格遵循功能性原则并在法律中进行了详细举例。这种规制使法条更明确，同时进行具体举例，更具指导性意义。然而，其不足之处在于显著性判断并不等于排除功能性原则，一味强调于此，一则不全面，二则容易混淆。

（三）我国香港地区

考虑到声音商标的特殊性即其显著性认定困难，香港在《商标注册处工作手册》中对声音商标的显著性认定进行了详细规定。其具体判定标准如下：1、根据消费者的一般认识进行显著性判断。2、声音的时间长短也是重要的显著性判断因素。3、功能性商标不具有显著性。4、综合判断声音商标显著性。(2)

（四）对域外法的总结研究

综上所述，声音商标显著性的判断除围绕固有显著性和获得显著性之外，也有关注于功能性的立法例。概言之，声音商标显著性判定标准如下。

1. 创造性之于声音商标的显著性。

具有先天识别性的声音商标具有固有显著性，而其核心在于能够识别和区分商品或服务的来源，这与声音商标的创造性程度紧密相关。因此，创造性对声音商标固有显著性的认定具有重要意义。

2. 通用性及功能性声音商标显著性排除原则的适用。

通用性声音和功能性声音缺乏显著性，不得予以注册为声音商标。目前，国际上对此已达成一致。对其排除适用的主要理由在于对社会公共利益和避免不正当竞争的考量。

3. 消费者感知判断声音商标显著性。

商标显著性的直接针对者便是一般消费者，因此消费者对声音标识的感知差异判断对声音商标显著性的认定相当重要。根据在实践中消费者感知的侧重点不同，可分别从声音标识多数出现的场合、持续的时长以及生产经营者的市场投入等方面进行综合考量。此认定因素主要适用于获得显著性声音商标的考察。

四、对我国声音商标显著性认定的建议

为解决声音商标显著性认定存在的问题，目前我国的当务之急应是对声音商标显著性认定进行具体的法律规定。

第一，对声音商标显著性进行明确划分，以便在判断时更好把控。根据传统理论将其分为固有显著性和获得显著性，在判断声音标识的固有显著性时，一方面遵循商标法一般判断原理；另一方面，着重衡量声音标识创造性因素大小。

第二，对声音标识获得显著性进行认定时，应重点以消费者感知判断为基准对商标市场使用情况进行判断。这里的消费者是法律认为的理性的消费者，这种理性是指掌握了合理的信息、具有正常的理解力并且做事合理谨慎的人。

总而言之，对声音商标显著性进行认定是实质性审查中至关重要的内容，我国当务之急是对商标显著性认定进行具体的法律规制。各国及各地区对声音商标显著性认定的具体规定值得我国借鉴，本文在此基础上提出完善意见，以期对我国声音商标显著性认定之完善有所裨益。

参考文献

[1]吴汉东.《知识产权法学》[M].北京:北京大学出版社.2014:208.

浅析我国季风气候的显著性 篇5

一、冬、夏风向交替明显, 风力强劲

冬季, 蒙古、西伯利亚高压势力强盛, 由其东部边缘吹出的偏北风, 风力强劲, 性质干寒, 成为影响我国大部分地区的冬季风。受其影响, 我国冬季气温普遍低于世界上同纬度地区 (见下表) , 从南到北, 气温要偏低5~18℃, 十分寒冷。强劲的冬季风使我国冬季大部分地区寒冷、干燥, 降水稀少。

夏季, 从西太平洋副热带高压 (副高) 西部边缘吹出的东南风和来自印度洋的西南风, 高温高湿, 成为影响我国东、南部的夏季风。我国东、南部除华南沿海一带以外, 其他地区都要比世界上同纬度地区的平均温度偏高1.3~2.5℃, 十分炎热;而且极端最高气温很高, 从华北平原地区到江南地区, 极端最高气温都超过40℃。夏季风带来的降水也比同纬度多得多。

和世界上同纬度其他地区相比, 我国季风区的冬、夏季风都很盛行、风力强大, 气候具有明显的季节变化:冬、夏季持续时间长;冬季气温更低, 降水更少;夏季气温更高, 降水更多、更集中, 且变率大。

二、绿水青山的江南受惠于季风

季风环流破坏了低层的大气环流, 夏季风从热带、副热带海洋上带来大量的暖湿气流形成了丰沛的降水。雷州半岛以北至秦岭—淮河以南的广阔区域为亚热带季风气候, 终年湿润, 这在世界气候上颇具特殊性:因为地球上大约与此相同的纬度带大陆中西部, 多为终年受副热带高气压带或信风带控制的干旱的热带荒漠带, 而我国这一地带却是湿润的绿水青山, 其范围也大于北美洲东岸亚热带湿润气候区, 这是季风给我国带来的最大、最好的赠礼。

三、冬冷使自然带的界线南移

1. 热带季风气候区最北界线南移

冬季, 频繁爆发的强冷空气迅速南下, 能使我国华南地区24小时降温12℃以上, 海南岛亦可降温8℃以上。受其影响, 我国北回归线以南、雷州半岛以北的大片地区因1月均温小于15℃ (如, 广州1月平均最低气温为9.8℃, 香港1月平均最低气温为13.6℃) , 按柯本气候分类是亚热带季风气候, 使热带季风气候区的面积缩小, 仅限于台湾南部、海南岛、雷州半岛、滇南等地, 而同纬度的北非、西亚、南亚、北美洲等地的热带气候区向北达到或超越了北回归线。

2. 亚热带常绿阔叶林界线南移

由于受势力强劲的冬季风的肆虐, 亚热带常绿阔叶林带的北界南移到长江沿线甚至到太湖流域, 大致就是柑橘分布的最北界限。秦岭—淮河以南、长江以北广大地区的森林季相更替明显, 为亚热带夏绿阔叶林。

四、夏热使夏季作物区位向北扩展

夏季, 北方太阳高度增大、日照时间增长以及受大陆的影响, 普遍高温;夏季风带来高温高湿的海洋气流, 使我国北方夏季气温更高且降水丰沛, 农作物生长界限北扩。如, 三江平原是世界上水稻种植纬度最高的地区之一, 所产稻米为上等佳品, 享有盛誉;我国棉花种植的最北界线可到长城 (大约40°N附近) , 此线以南的暖温带热量条件 (积温>3400°) 完全能满足棉花生长的需求, 同纬度的美国棉花种植的界线为35°N;近几年, 江淮平原也有农民零星栽种甘蔗的。

夏热是我国气候资源的一大优势, 我国秋熟农作物单产高与夏季高温有直接关系, 如, 我国稻谷单产比世界平均水平高60%。若某一年份夏季气温比常年偏低, 农作物收成就受到影响。

五、河流径流量变化大

受冬、夏季风影响, 我国季风区年降水量时空分布不均:南多北少;夏秋多, 冬春少, 多数地方5~10月的降水量占全年的75%~98% (仅东南丘陵占55%~65%) 。如, 北京仅7、8两月的降水量就占全年的62%以上, 11月到次年4月的降水量只占全年的9.2%。各年各地降水的变率也大。因此, 河流径流量的季节变化、年际变化大。华北平原的降水集中分布于7、8两月, 且多暴雨, 此时河流的径流量占全年的60%~80%, 河水猛涨, 人们疲于防洪;冬春季节进入枯水期, 河流干涸、断流现象普遍, 几乎是无河不干, 这种现象在世界上也是罕见的。加上一些人为的原因, 有些河流的生命已经或正在被终结, 就是黄河、海河等大的河流也出现了频频断流的现象, 生命处于生死存亡的重要关头。工农业、生活、生态用水短缺, 严重影响社会、经济的发展, 兴修水利工程任务艰巨。

六、气象灾害频发

1. 寒潮

蒙古、西伯利亚高压于9月形成, 随后逐月加强, 1月最强盛, 每隔7~10天冷空气就频繁爆发南下。强冷空气迅速入侵带来大风、剧烈降温、雨雪、沙尘暴等恶劣天气。剧烈降温使农作物遭受冻害, 尤其是秋末、春初的寒潮危害最大;大风摧毁牲畜棚舍等建筑物;暴雪、冻雨毁坏通讯设施, 导致交通运输中断。

2. 旱涝灾害

受西太平洋副高等因素的影响, 影响我国的夏季风各年的强弱、进退的迟早是不同的。副高的位置一旦异常, 我国东部季风区各地的降水就会异常, 河流径流季节变化、年际变化大, 导致我国每年总有一些地方发生旱涝灾害:非旱即涝、非涝即旱或者旱涝交替。水旱灾害是我国最大的自然灾害, 国民经济、人民生命财产遭受巨大损失, 影响社会的稳定。

我国地理环境深深地打上了季风气候的烙印, 农业区划、工业布局、交通运输、建筑、商业、旅游、医疗等各种社会、经济活动都要考虑我国季风气候的显著性, 以便合理开发、利用气候资源, 趋利避害, 实现我国社会经济的可持续发展。

摘要：八年级地理 (人教版) 上册讲了我国气候特征之一——季风气候显著, 课本重点描述了我国季风气候的特点并作了评价。我国季风气候显著在哪里?则叙述较少, 学生难以理解。试从以下几个方面浅析我国季风气候的显著性。

关键词：季风,季风气候,自然带,径流,气象灾害

参考文献

[1]任美锷.中国自然地理纲要.商务印书馆, 2004-12.

睡眠指数性别平均差异的显著性检验 篇6

t检验是用于两个平均值差异程度的检验方法。它是用t分布理论来推断差异发生的概率, 从而判定两个平均数的差异是否显著。其一般步骤如下:

第一步, 建立虚无假设H0∶μ1=μ2, 即先假定两个总体平均数之间没有显著差异。

第二步, 计算统计量t值, 对于不同类型的问题, 选用不同的统计量计算方法。

(1) 如果要评断一个总体中的小样本的平均数与总体平均值之间的差异程 度 , 则其统计量t值的计算公式为

(2) 如果要评断两组样本平均数之间的差异程度, 则其统计量t值的计算公式为:

第三步, 根据自由度df=n-1, 查t值表, 找出规定的t理论值并进行比较。理论值差异的显著水平为0.01级或0.05级。不同自由度的显著水平理论值记为t (df) 0.01和t (df) 0.05。

第四步, 比较计算得到的t值和理论t值, 推断发生的概率, 依据表1给出的t值与差异显著性关系表作出判断。

第五步, 根据以上分析, 结合具体情况, 得出结论。

二、利用SPSS对睡眠指数进行性别t检验分析及其结果

利用SPSS软件对不同性别的大学生在睡眠指数的得分进行差异检验, 结果见表2。

* P<0.05, **P<0.01, *** P<0.001

总体来说, 大学生的睡眠质问题较少, 匹兹堡睡眠质量指数平均得分4.83±2.7, 小于一般人群。

其中日间功能障碍得分最高, 催眠药物得分最低, 总的顺序:日间功能障碍>睡眠障碍>入睡时间>睡眠质量>睡眠时间> 睡眠效率>催眠药物。可见大学生在日间功能障碍、睡眠障碍、入睡时间存在的睡眠问题较多, 而在睡眠效率和催眠药物方面的睡眠问题较少。

大学生的睡眠指数各维度的显著性差异不大。不同性别的学生只在睡眠障碍维度的得分上存在明显差异, 女生存在的睡眠障碍问题明显高于男生, 在匹兹堡睡眠指数的其他维度的得分上, 男女生之间不存在显著差异。

利用SPSS软件对不同性别的学生的网络社会支持进行t检验, 根据表1给出的t值与差异显著性关系表作出判断, 得到睡眠指数及睡眠质量、入睡时间、睡眠效率、睡眠时间、睡眠障碍、日间功能障碍、 催眠药物七个维度的t检验结果如表2所示, 分析可知:

基于交通标志的显著性目标检测方法 篇7

人类在未知环境中能够快速发现感兴趣的和凸显的事物,比如绿叶丛中的一朵花,这就是视觉注意机制。正是因为视觉注意机制,人眼能够在每秒都要处理海量数据的情况下,仍能快速有效的获取所需信息。 这种特性引起了大量学者们的注意,他们希望计算机能通过模拟人眼的这种特性来快速找到感兴趣的区域即显著性区域,从而有效减少后续的图像处理工作。而其中基于交通标志的显著性已经成功运用到我们的生产生活中,比如智能交通、智能轮椅、移动机器人的环境识别等等。交通标志,是用文字或符号传递引导、限制、警告或指示信息的道路设施。交通标志的设置醒目、清晰、明亮,充分考虑了人眼的视觉特征, 有固定的几何形状。但是由于自然环境的复杂,各种道路、建筑、车辆、甚至是行人都会对其显著性检测产生干扰,很容易把不是交通标志的背景区域也当作显著性区域,这无疑给我们的各种应用带来不便。

现有的显著性目标检测方法大都属于自底向上的,这种方法不需要先验知识,运行速度快,能满足实时性的需求,发展也较为成熟,本文的方法也属于该类。最经典的显著性检测方法是由Itti于1998年提出的,ITTI[1]模型通过提取颜色、亮度、方向三个视觉初级特征。再对每个特征生成高斯金字塔,然后利用中央周边差算子生成各高斯金字塔的显著图,最后融合得到最终显著图。现有的很多方法也是对ITTI模型的改进。如文献[2]主要是对ITTI算法进行了速度上的优化,先对算法进行了前期常规化,再用Integral Images(图像积分)[3]进行快速运算。文献[4]在ITTI算法的基础上增加了用KLD计算颜色、亮度、方向特征的差异性,并采用信息论方法融合显著图。AC[5]算法是利用对比度来计算显著图的,它的核心思想是图像的显著性是由多个尺度下图像区域与它的邻域的局部对比度决定的,该算法在Lab空间下实现。2007年Hou等人提出了一种基于频域的SR[6]算法,该方法另辟蹊径,通过抑制先验信息即图像中的背景区域来得到显著图。Hou将图像分为先验信息和新颖信息,通过分析图像在频域上的对数谱,去除掉先验信息,然后进行傅里叶反变换得到显著性区域。其他还有一些基于频域的方法,如IG[7]主要通过计算像素空间分布方差得到显著图,基于频域的方法最大的优点是计算速度快,具有良好的抗噪性能。HFT[8]沿用了PQFT[9]的四元数傅里叶变换相位谱的方法,并在此基础上加入幅度信息得到的,明显提高了性能。

以上的方法对背景简单的场景检测性能都比较好,但是对有街道、建筑、行人车辆等复杂场景的路标的检测性能不理想,会把这些背景信息错误的当作显著性目标。基于此,利用Lab颜色空间和HSV颜色空间的不同颜色通道提取出的图像显著图的不同,即不同颜色特征对显著图的贡献是不一样的(有的通道提取出的显著图几乎都是无关的背景,有的通道则几乎全是前景),提出了一种能去除这些背景干扰,筛选出有效的显著图,融合为最终交通标志显著图的方法。

1算法原理

1.1算法处理流程

本文算法对彩色图像处理的框架如图1所示,首先将输入的彩色图像进行小尺度的高斯平滑,再将图像从RGB颜色空间分别转换为Lab和HSV颜色空间,计算在L、a、b颜色通道和H、S、V颜色通道下像素的对比度,分别筛选出Lab和HSV空间下的有效显著图,最后归一化两幅显著图,相加融合。

1.2高斯滤波

对输入的图像采用高斯滤波进行预处理,高斯滤波是一种线性平滑滤波,对于抑制服从正态分布的噪声非常有效。在本文中使用3×3的小尺度高斯滤波器,来消除编码噪声和环境噪声,同时能较好的保持显著性区域纹理。

1.3像素对比度

交通标志的显著性区域与背景区域在颜色对比度上存在明显的差异,因此可以通过计算其各个颜色通道上的像素的对比度来得到初步显著图。

像素对比度类似于文献[7]中计算显著图的方法,被定义为

其中:I(x ,y)为经过高斯平滑滤波后的图像像素值, I为图像像素均值。这里选用Lab和HSV两种颜色空间是因为这两种颜色空间更加符合人类视觉感受,并且显著性区域在不同的颜色空间表现不同并且可以互补[10]。对L、a、b和H、S、V分别计算其像素对比度后,得到Lab和HSV颜色空间的三幅显著图。如图2所示,从左至右分别为输入图像、L、a、b和H、S、V颜色通道的显著图。

1.4有效显著图的筛选方法

由图2可发现每个颜色通道所提取的显著性区域有所差别,即不同颜色特征对显著图的贡献是不一样的,有的存在大量的背景和干扰区域,有的则几乎是交通标志显著性区域。这是因为不同的交通标志使用的颜色不同,因此对该颜色表现出显著性的颜色通道也不同。需要对上述显著图进行一个筛选过程,分别找出Lab和HSV颜色空间中的有效显著图,筛选有效显著图的过程如下。

在这里我们定义三个量,低亮度的像素点的总和Ilow,中等亮度的像素点的总和Imid和高亮度的像素点的总和Ihigh。在一个有效的颜色通道中,Ilow应该是很高的,Imid应该是很低的,Ihigh应该是比较稀少的。这与交通标志的显著性区域具有稀疏性有关。

因此有效的颜色通道的显著图该有以下特点:

1) 低亮度的像素点的总和在Lab或HSV颜色空间的三个子通道中应该最大;

2) 中等亮度的像素点的总和在Lab或HSV颜色空间的三个子通道中应该最小;

3) 高亮度的像素点的总和在Lab或HSV颜色空间的三个子通道中应该不超过某一个数值。

以上三个像素点区域在Lab颜色空间下定义为

在HSV颜色空间下定义为

其中Hi(x)是颜色空间子通道的显著图的直方图。对于图2中的子通道显著图,其Ilow、Imid、Ihigh的取值如表1。

由表1及有效显著图的判决标准可知,图2中有效的显著图为a和S颜色通道,这和我们主观判断的有效显著图一致。

1.5融合

图像融合方式分为像素级融合、特征级融合和决策级融合。其中像素级融合是使用最广泛并且性能最好的方法。本文采用像素级融合的方法,像素级的融合方法常用的有相加融合、相乘融合和取最大值融合。 通过实验,相加融合的效果在三者中最好,因此采用该融合方式,最后得到的显著图3。

融合方法如下式:

其中:I1,I2分别为上一步中选择出的Lab颜色空间和HSV颜色空间的有效显著图。

2实验结果

所有实验是在i5-4200U双核CPU,主频1.6 GHz,内存4GB,windows7平台上进行,文章代码由MATAB R2012编写运行。测试图库来自数据堂(http://www.datatang.com/data/44817/),为48幅不同路标场景,不同明暗程度的图像,图像大小为360 pixels×270 pixels。选用ITTI、SR、AC和HFT算法作为对比实验,ITTI模型是最经典的基于人类底层视觉特征的方法,SR是代表性的基于频域的纯数学的算法,AC是基于对比度的算法,HFT是PQFT的改进算法,效果较好且比较新。ITTI、SR、HFT算法是用作者提供的MATLAB代码,AC算法在作者提供的代码的基础上添加了图像积分的加速模块。以上方法所得到的显著图如图4, 从左至右分别为输入图像,本文算法,ITTI算法,SR算法,HFT算法,AC算法。

实验中使用了AUC值来作为判别性能好坏的标准,AUC值能比较好的克服中心偏移(center bias和边界问题的影响,是目前最好的模型比较准则。AUC即ROC曲线下面积(Area Under the Curve),通常AUC的值介于0.5到1.0之间。AUC的值越大代表ROC曲线逼近左上角的速度越快,则性能越好,各算法的AUC值如表2。

由于本文方法需要对每个颜色通道的显著图的高、中、低亮度范围的像素点进行统计,因此运行速度处于中间水平。各算法的平均运行时间如表3所示。

由实验结果可知本文的方法能够很好的去除掉复杂路况对目标检测区域的干扰,比较准确的检测出路标显著性区域,而其他几种方法不仅存在大量的非路标的显著性区域,而且对路标的显著性区域的检测也不准确,并且ITTI和HFT由于运用高斯滤波比较多,导致检测出的显著性区域都比较模糊。

3总结

显著性模型 篇8

关键词：视频监控,视觉显著性,动态目标跟踪,Itti Saliency算法

0 引言

随着对维护社会稳定的空前重视,如何实现对重要安全部门和敏感的公共场合进行全天候、自动的、实时的监控,变得越来越紧迫,视频监控成为解决这一问题的有效手段,广泛用于平安城市和智慧城市建设中。平安城市始于2004 年,是中央政府推进和谐社会建设的重要手段,截至2011 年相关投资已超过700 亿元,初步预计“十二五”内“平安城市”的总投资额将超过5000 亿元,“平安城市”涉及的视频监控产品金额就将超过1200 亿元。视频监控系统的基础建设已经初具规模,视频监控已经成为现代安防、公共安全、智能交通不可缺少的技术手段[1]。

然而随着视频监控的迅速发展,大量的摄像头和海量的视频数据同时给实时监视报警、视频数据的有效管理和信息挖掘,包括快速搜索案件线索、浏览案件/事故视频资料、案件/事故现场快照、嫌疑目标的标注、信息检索以及案件/事件的管理查询等带来了巨大挑战。传统监控普遍还处在一个只能“监”不能“控”的被动状态,对于发生的可疑和异常行为无法自动检测,起不到实时预防、预警的作用,使用的模式还是事件发生后的倒查。传统视频监控缺乏对视频的智能分析,严重制约了监控视频的实际效用发挥。解决以上问题的一个有效方法是对视频进行自动智能分析。智能视频监控系统应运而生[2]。系统采用图像处理、模式识别和计算机视觉技术,通过在监控系统中增加智能视频分析模块,借助计算机强大的数据处理能力过滤掉视频画面无用的或干扰信息、自动识别不同物体,分析抽取视频源中关键有用信息,快速准确的定位事故现场,判断监控画面中的异常情况,并以最快和最佳的方式发出警报或触发其它动作,从而有效进行事前预警、事中处理、事后及时取证的全自动、全天候、实时监控的智能系统。

视频动态目标检测与跟踪是智能化视频分析的基础,随着计算机视觉以及视频分析技术的发展,视频动态目标检测识别技术在智能交通、国家安全、军事安全、刑事侦查和公共安全领域以及智能门禁、智能视频监控、公安布控、国防安全等方面发挥着重要作用。然而,就目前取得的研究成果和实际应用情况而言,动态目标跟踪这一技术还远远不够成熟,距离投入民用还需要更深入和广泛的研究。

目标跟踪算法大致可分为四种: 基于主动轮廓的跟踪算法、基于特征的跟踪算法、基于区域的跟踪算法和基于模型的跟踪算法。其中基于特征的跟踪方法不考虑运动目标的整体特征,只通过目标图像的一些显著特征进行跟踪,对运动目标的尺度、形变和亮度等变化不敏感,即使目标的某一部分被遮挡,只要还有一部分特征可以被看到,就可以完成跟踪任务。假定运动目标由惟一的特征集合表达,在视频序列图像中搜索到相应的特征集合就认为跟踪上了运动目标。基于特征的跟踪主要包括特征提取和特征匹配两个方面。特征提取是指从原始图像中提取图像的描绘特征,目标跟踪中常用的运动目标的特征主要包括颜色、纹理、边缘、块特征,光流特征、周长、面积、质心和角点等。提取对尺度伸缩、形变和亮度变化不敏感的有效特征至今仍是图像处理研究领域中一个活跃的方面。特征匹配的目的是进行帧间目标特征的匹配,并以最优匹配来跟踪目标。常见的基于特征匹配的跟踪算法有基于二值化目标图像匹配的跟踪、基于边缘特征匹配或角点特征匹配的跟踪、基于目标灰度特征匹配的跟踪和基于目标颜色特征匹配的跟踪等。

如何选择符合人类视觉特征、能够较好区分不同目标的目标特征是实现动态目标跟踪的基础,本文基于人类视觉对运动的方向和速度等特征并不需要精确感知而是大致感知的特点,结合HR生物相关运动检测模型[3]改进Itti Saliency算法[4],建立颜色、方向、亮度和运动四特征通道的特征图提取算法,对特征图进行跨尺度融合及归一化,从而提取视频图像中动态目标的视觉显著图。对视频序列图像的显著图逐一显示,便可实现对运动目标的跟踪。提出的运动感知模型,改善了对运动目标视觉显著性的检测效果,能够准确检测并跟踪监控视频中的动态目标,为实现视频监控从能“监”到能“控”的功能跨越提供强有力支援。

1 目标显著性算法研究

1. 1 视觉显著性算法原理

人类的视觉系统拥有图像理解、识别、处理的能力,让计算机模拟视觉系统建立视觉注意力模型是图形图像处理领域中的研究热点。人类的视觉观察具有选择性,不会将视线看到的所有事物都进行分析和思考,大脑只关心他关心的那些事物。简而言之,大脑只处理明显并特殊的事物,即为显著的事物。电脑模拟的视觉注意力模型重点就是快速地定位到显著区域。从广义上来讲,图像包含了多种能够被人类所感知到的信息,例如: 颜色、纹理、亮度、图表和文字等。但是,通常情况下,并不是所有信息都是我们所关心的,往往只有某一部分区域的信息才是我们所感兴趣的。因此,定义并定位感兴趣区域,并将其从图像中提取出来,就成为图像处理中非常必要的步骤。

视觉注意机制在视觉感知过程中具有关键作用。它通过局部化视觉感知信息,将有限的计算资源在第一时间内集中处理最关键的信息,从而使得视觉感知过程具有实时性,且能适应复杂的感知环境。现有研究表明,影响视觉注意的因素来自两个方面,即自顶向下的先验知识和输入信号产生的自底向上传感器刺激。其中,自顶向下的先验知识与应用领域高度相关,很难进行统一建模分析,因此出现了很多仅对传感器刺激进行建模的自底向上视觉注意模型。自底向上的视觉注意模型主要分为两类: ( 1) 通过眼球跟踪仪获取人眼凝视图像的位置,采用统计的方法得到人眼凝视时间长和凝视次数多的区域,并将其作为人类感兴趣的显著性区域;( 2) 通过对输入图像多特征通道进行多尺度分析,得到关于图像中每个像素点感兴趣程度的显著性分布图,并基于该分布图进行感兴趣区域的提取。

视觉注意力模型是一种用计算机来模拟人类视觉注意力系统的模型[5],在一幅图像中提取人眼所能观察到的引人注意的焦点,相对于计算机而言,就是该图像的显著性区域[6]。近年来,视觉注意力模型的研究已成为焦点,它可以应用到基于感兴趣区域的图像检索、计算机视觉、关键帧的提取、图像压缩等领域。在视觉注意力模型中分为静态图像显著性的视觉注意力模型和动态图像显著性的视觉注意力模型。目前较流行的静态图像显著性的视觉注意力模型有以下三种: Itti注意力模型、Stentiford注意力模型和以分割为基础的注意力模型。动态图像显著性的视觉注意力模型有: 基于大脑两条处理路径的动态场景视觉注意力模型、偏向强注意力的启发式融合策略和基于运动优先的视觉注意力模型等。

基于视觉注意力模型的目标检测处理过程一般由特征图提取、显著图合成和阈值分割三部分组成。特征图提取是对输入的图像进行分析采样,从各种特征上,得到这个图像的特征图; 显著图合成是将进行突出显著性处理后的特征图,整理处理,并将这些新生成的特征图合成为显著图; 阈值分割指根据显著图中的标出的特征区域,分割目标与背景。

1. 2 基于视觉显著性的动态跟踪算法概述

人类视觉系统是目前发现最为完善的视觉系统。而基于视觉显著性的动态跟踪算法[7,8],是最接近人类视觉系统的算法。图像的主要信息只集中在少数的关键区域中,正确地提取这些关键区域,可以大大提高图像分析和处理的效率及准确度,降低计算的复杂度,避免不必要的计算资源浪费。基于视觉显著性的动态目标跟踪算法是将视觉显著性提取的技术用于跟踪问题中的目标区域检测。

迄今,国内外将视觉显著性运用于目标跟踪问题,已取得了一定的研究成果,如提出了基于多尺度的视觉显著性跟踪算法,基于动态显著性特征的粒子滤波多目标跟踪算法等。在基于动态显著性特征的粒子滤波多目标跟踪算法中,其核心思想是将显著性与粒子滤波器相结合。显著性提取出的特征用作粒子滤波器的状态特征量,并通过滤波迭代预测目标位置,同时利用视觉显著图进行单帧的运动目标检测,将得到的预测目标位置和检测目标位置进行数据关联,根据关联结果对每个运动目标实现航迹管理,这样就能够很好地完成多运动目标跟踪任务。在该算法中,既利用了动态显著性特征的稳健性优点,又利用了粒子滤波解决非线性、非高斯问题的优势,同时还根据目标的预测位置和检测位置实现了航迹管理。

基于视觉显著性算法实现对监控视频的动态目标跟踪,其基本步骤是输入一帧图像,提取出显著图像之后,将显著图像显示出来,再读取下一帧,并显示,将显著图进行特征匹配,一旦信息匹配,则判定跟踪到了目标,如此往复便形成了视频的动态跟踪。算法实现的基本流程如图1 所示。

2 基于视觉显著性的动态目标跟踪

2. 1 Itti Saliency算法分析

Itti Saliency显著性视觉注意模型是视觉显著性计算的代表算法,其基本原理和计算框架可描述为:( 1) 提取亮度、颜色和方向三通道特征; ( 2) 用高斯滤波器( 5 × 5) 对亮度、颜色和方向特征图像进行滤波,得到9 层的高斯金字塔( 其中第0 层是原尺度图像,1 到8 层分别是为原尺度图像的1 /2 ~ 1 /256) ; ( 3) “中央—周围”差分( Center-surround difference) 和归一化,获取亮度、颜色和方向特征图;( 4) 对特征图进行跨尺度融合及归一化后,合成视觉显著图。该模型的结构图如图2 所示[4]。

根据人眼视觉系统特性,Itti模型首先使用高斯金字塔模型,在不同的层次和亮度、颜色及方向三个方面进行非均匀采样。从这三个不同的方面观察、采集图像信息以便能够全面表针和理解图像,尽可能恢复原图像。然后,Itti算法使用“中央—周边”差算子进行特征的提取,经过一系列处理之后形成的是相对应的特征关注图: 亮度特征图、颜色特征图和方向特征图。在方向特征图中存在峰值,意味着显著度最高的特征; 在亮度关注图中,峰值越大表示图像的黑白颜色差异越大; 在颜色关注图中,峰值表示颜色的差异。

接下来提取图像中真正的视觉显著物体,为此Itti算法采用了独特的处理方法。研究发现,在得到三种特征图之后,有时特征图的峰值很不明显,而有时却频繁出现,几乎没有平缓的区域。对此考虑到人类视觉的惯性,人眼真正一眼能够看到的是图片中区别于其余物体的部分,也就是特征图中较少出现的那种情况。如果峰值较多,那视觉的焦点便在平缓的区域,如果峰值较少,那峰值便是视觉注意点。据此,可以将得到的三种特征图进行突出重点的处理,以显示视觉显著区域。峰值较为频繁的,将该特征图的峰值高度按比例降低,使其趋于平缓,而峰值较少且整张图较为平缓的特征图,将峰值按比例升高。这样得到的新的三种特征图便是原图的视觉显著区域物体。

最后,将不同尺度特征融合并归一化,得到最终的显著图。融合归一化的方法与特征分解的方法相反。在不同尺度上,对每一特征的特征图进行下采样,而得到最高的主尺度层,经过运算后会得到三个特征归一化的图,称为归一化特征图。通过这些归一化特征图,重新整合便可得到最终的显著图。

2. 2 改进的Itti Saliency算法

Itti模型本质上是通过融合图像的底层视觉特性,然后通过显著性递减的方式来得到显著图。在静态图像处理中,Itti算法能够有效地检测到显著性区域。但是,在实际的显著性检测中,Itti模型得到的结果与人眼关注的一些显著性区域存在一定差异,Itti模型仍然具有很大的改进空间。尤其处理视频流中的目标跟踪信息,Itti Saliency算法的高时间复杂度便会让视频的目标跟踪变得十分缓慢。研究如何缩小显著性区域的选择范围,才能让Itti Saliency算法很好的运用于视频目标跟踪问题。

视频文件一个重要的特点是图像会随时间的变化而变化。人眼对视频的感知中,不仅会注意到图像,更会注意到视频帧之间图像的对比信息,也就是运动。从视觉对运动特征的感知角度分析,人眼并不会精确地观察到运动速度的大小以及精确的运动方向,而是对方向和速度大致地感知。因此,建立有效的运动感知模型,能够使得连续视频下,显著性提取得到较大改善。本文结合基于生物视动行为研究提出的HR( Hassenstein-Reichardt) 生物相关运动检测模型来改进Itti Saliency算法。

运动显著性的提取是基于生物运动检测提出来的,最早的HR运动检测模型通过对一个物体的周围亮度差异在空间和时间上的分析检测来感知运动。如图3 所示,D1与D2为亮度感应接收器,用于检测图像的亮度分布; T为运动的目标物体,用于检测; Δt为时间差,用于判断 Δt时间内的运动[3]。

图3 的含义为: Δt时间之前目标物体被D1检测到在左边T的位置,Δt时间之后便检测到在右边的T的位置,相对于右边的D2则位置刚好相反。假设T之间的距离为 Δs,D1与D2检测器只能检测与自己x轴相同的位置。则得到T相对于D1在空间的移动速度 ,方向为 Δt之前的T指向 Δt之后的T的运动。例如,图3 上T相对于D1的运动方向便为右边。相对应的,D2也可以做类似计算。再者,D1与D2满足视动反应,所以运动状态可以用视动反应相乘的方式来表示。最后,视觉对于运动也有类似于对颜色的抑制。当眼睛注重于向左的运动时,其余运动方向的运动会被抑制。所以D1与D2的运动检测结果相减便能将一个方向的运动分离出来。

Itti算法中的中央周围模型,在多个尺度下为周围相对于中心提取图像的三个通道的显著特征。HR模型的运动检测也是需要多个尺度下检测运动,所以将静态图像拓展到两个帧的画面,则可以通过对两个帧应用HR运动检测得到四个方向,上下左右的运动特征图。

设定M( a,b,c) 为像素( a,b) 在c时刻的亮度,假设 为1,则在每两帧之间的运动检测中( 也就是Δt = 1 帧) ,左边运动的检测结果为:

右边的运动检测结果相反。在对图像进行高斯滤波下采样之后,第N层的高斯金字塔相当于在进行2N速度的运动,当两个对立的方向运动值不等的时候,运动方向便检测出来了。

将运动加入Itti Saliency算法的显著性提取中,作为一种显著特征,在每两个相邻的时间段上应用HR运动检测,并且在上下左右四个方向上检测速度,得到四个方向的运动特征图。其余的处理与Itti Saliency一样。

如图4 所示为改进的Itti Saliency算法运用于视频图像显著性计算的算法流程。

2. 3 基于改进的Itti Saliency算法的动态目标跟踪

将改进的Itti Saliency算法应用于图1 的动态目标跟踪。首先输入视频帧,进行改进的Itti Saliency算法的四方面特征提取和线性融合,得到该帧图像的显著图; 其次将这帧显著图显示出来,便代表了这帧视频内的运动显著区域; 提取下一帧视频,重复上述工作,便得到视频动态目标的检测与跟踪。若要进行特定目标的跟踪,则需对显著区域进行特征匹配,符合匹配标准的目标则显示为跟踪目标。

3 实验分析

为验证本文算法的有效性,以人的视频资料为实验数据,测试本文算法对动态目标的跟踪效果。首先在HDMovie Clip. mp4 的视频数据上进行复杂背景下的动态目标跟踪实验,实验结果如图5 所示。图5( a) 为视频开始时的一帧图像,此时人物距离镜头较远,跟踪结果图像中包含了人物的头部、上身和腿部区域; 图5( b) 为人物前行中的一帧,此时,本文算法能够跟踪到人的区域,但结果中人物的腿部模型不能被匹配,取而代之的是脸部和上身的模型越来越清晰; 图5( c) 是视频的结尾某一帧,此时,对于人物的检测最为清晰。该实验数据的特点是场景背景复杂,本文算法亦能准确进行人物跟踪。

在实际监控视频中,动态目标往往同时出现在一段视频中,为验证本文算法对多目标的运动跟踪效果,在768x576. avi的视频数据上进行多目标跟踪实验,实验结果如图6 所示。图6( a) 显示了本文算法能够检测到左边3 个被灯柱摘挡的行人,图6( b) 运行结果与图6( c) 运行结果图的影像是连续帧,在图6( b) 中站在中心的人因为侧着身子且未行走,所以不能检测到头、身和腿的完整模型。但是下一帧图6( c) 中人物开始走动,便能够检测出人的模型。此实验说明本文算法对视频中多目标跟踪以及目标存在遮挡和目标不明显的运行亦能获得良好跟踪效果。

4 结束语