一种生物激励的自顶向下的视觉注意方法技术

本发明专利技术公开了一种生物激励的自顶向下的视觉注意方法，步骤为：①提取所有的学习图的特征；②将同类型所有的学习图表示成均值向量和标准差向量；③获取待注意图的自顶向下的显著性图和自底向上的显著性图；④获取最终显著性图；⑤胜者全赢；⑥返回抑制，将最终显著性图中最显著性点所在区域的像素值都置为零，得到了一个新的最终显著性图；⑦注意选择。本发明专利技术在学习目标的表示时，仅仅利用了学习目标本身的特性，而没有考虑其所在的背景，这样的目标表示具有更强的鲁棒性，获得较好的视觉效果。

【技术实现步骤摘要】

本专利技术属于计算机视觉领域，具体涉及。
技术介绍
视觉注意方法主要是解决图像中的数据筛选问题。在计算机图像中，任务所关心 的内容通常仅仅是图像中很小的一部分，所以，有必要将不同的处理优先级赋予不同的图 像区域，这样可以降低处理过程的复杂度，还能够减少不必要的计算浪费。在人类视觉信息 处理中，总是迅速选择少数几个显著的对象进行优先处理，而忽略或舍弃其他的非显著的 对象，这样使本专利技术能够有选择地分配计算资源，从而极大地提高视觉信息处理的效率，该 过程被称为视觉注意。心理学研究发现，不但那些能够产生新异的刺激、较强的刺激的图像区域容易引 起观察者的注意，而且那些能够产生与观察者所期待的刺激的图像区域也容易引起观察者 的注意。据此，可以将视觉注意分为两种类型一种是基于初级视觉，由数据驱动的自底向 上的注意；另一种是基于高层视觉，与任务、知识等相关的自顶向下的注意。常用的自底向上视觉注意方法是Itti等(L. Itti，C.Koch and E. Niebur, "A model of saliency-based visual attention for rapid scene analysis,，，IEEETransactions on Pattern Analysis and Machine Intelligence, 20(11)，pp. 1254-1259,1998.)提出的，该方法独立使用了初级视觉特征如亮度，方位和颜 色。Itti 等(L Itti and C. Koch,"Feature combination strategies forsaliency-based visual attention systems,，，Journal of Electronic Imaging，10 (1)，pp. 161-169， 2001.)还提出了空间竞争函数来融合不同的初级视觉特征。在自顶向下的视觉注意 方法中，现有的具有代表性的是V0CUS自顶向下的模型(S.Frintrop，V0CUS :A Visual Attention System for Object Detection andGoal—directed Search,Lecture Notes in Artificial Intelligence(LNAI), Springer,Berlin/Heidelberg,2006.)禾口 Navalpakkam 的模型(V. Navalpakkam and L. Itti,"An integrated model of top-down and bottom-up attention for optimal objeetdeteetion speed,，，IEEE Computer Society Conference on Computer Vision andPattern Recognition，pp. 2049-2056，2006.)。V0CUS 自顶向 下的模型描述如下，先将学习图像和待注意的图像都分解成一些低水平的视觉特征图， 再对学习图像中的每个特征图，计算目标与背景的比值作为该特征的权重，然后在待注 意图中将每一个特征图乘以从学习图像中获得的相应权重得到了自顶向下的显著性图。 Navalpakkam模型是根据下述的方法得到的，先将学习图像和待注意的图像都分解成一些 低水平的视觉特征图，再对学习图像中的每一个特征图，利用统计知识通过最大化目标和 背景的信噪比得到该特征的最优权重，最后在待注意图中将每一特征图乘以相应的最优权 重得到自顶向下的显著性图。这两种现有的自顶向下的视觉注意方法都与目标所在的背景有关，因而当目标所在的背景改变时，即当待注意图中的目标不总是出现在训练图的背景中，或者待注意图中 的目标和其背景的组合与训练图中的目标和其背景的组合相差很大时，现有方法的视觉注 意效果将变得很差。
技术实现思路
本专利技术的目的在于提出，该方法仅利用 了目标自身的属性，能获得较好的视觉效果。本专利技术提供的，其步骤为第1步对于一个给定的待注意图，先提取颜色，亮度，方位和纹理初级视觉特征； 将颜色特征分解成红、绿、蓝3种类型，将亮度特征分解成亮度开启和亮度闭合2种类型；用 4个方位的滤波器分别对待注意图进行滤波，得到4种方位特征类型；分别用原始的LBP算 子和环半径延伸的LBP算子计算得到的2种纹理特征类型，一共得到待注意图的11种特征 类型；第2步根据待注意图的11种特征类型和长期记忆库中存储学习目标类得到自 顶向下的显著性图；根据待注意图的11种特征类型本身的对比度得到一个自底向上的显 著性图；第3步将自顶向下显著性图中的每一点的像素值除以自顶向下显著性图中的 最大像素值，将自底向上显著性图中的每一点的像素值除以自底向上显著性图中的最大像 素值，最后将这两个标准化后的图的乘积作为最终显著性图；第4步利用胜者全赢的方法，得到最终显著性图中的最显著的点和该点对应的 最优尺寸构成了最显著区域；第5步将最终显著性图中最显著区域的像素值都置为零，得到一个新的最终显 著性图；第6步重复第4步至第5步，直至预先设定的次数，完成后得到的最显著性的点 和该点所在区域的尺寸，作为注意焦点。本专利技术提出，包括学习目标的表示，自 顶向下显著性图和自底向上显著性图。在学习目标的表示时，现有的方法都是利用了学习 目标的特性和学习目标所在背景的特性，再将每一个特征图中的目标与背景的比值作为该 特征的权重，然后根据这些权重联合待注意图中的不同的特征图得到自顶向下的显著性 图。这些方法存在的缺点是当目标所在的背景改变时，即当待注意图中的目标不总是出现 在训练图的背景中，或者待注意图中的目标和其背景的组合与学习图中的目标和其背景的 组合相差很大时，在待注意图中很难检测到学习的目标。为了解决以上的问题，本专利技术在 学习目标的表示时，仅仅利用了学习目标本身的特性，而没有考虑其所在的背景，这样的目 标表示具有更强的鲁棒性。在实验结果中，分别与Itti等的方法，V0CUS自顶向下的方法， Navalpakkam的方法相比，本专利技术在待注意图中能够更好地检测学习的目标图像，获得较好 的视觉效果。附图说明图1是本专利技术流程图2是LBP算子；图3(a)是原始的LBP算子；(b)是延伸的LBP算子；图4是合成图的实验结果；图4a是Itti模型第12次找到目标；图4b是V0⑶S自顶向下模型第4次找到目标； 图4c是Navalpakkam模型第7次找到目标；图4d是本专利技术的模型第1次找到目标；图5是训练图；图6是测试图；图6a是Itti模型第10次找到目标；图6b是V0⑶S自顶向下模型第8次找到目标；图6c是Navalpakkam模型第6次找到目标；图6d是本专利技术的模型第3次找到目标；图7是四种方法的所有目标的实验结果的直方图(X轴表示找到目标的次数，Y轴 表示该次出现的总数)；图7a是Itti的自底向上的方法； 图7b是V0⑶S自顶向下方法；图 7c 是 Navalpakkam 的方法；图7d是本专利技术的方法。具体实施例方式下面结合附图和实例对本专利技术作进一步详细的说明。在实施本专利技术之前，需要先建立长期记忆库，用于存储学习目标类，其步骤包括(1本文档来自技高网...

【技术保护点】
一种生物激励的自顶向下的视觉注意方法，其步骤为：第１步对于一个给定的待注意图，先提取颜色，亮度，方位和纹理初级视觉特征；将颜色特征分解成红、绿、蓝３种类型，将亮度特征分解成亮度开启和亮度闭合２种类型；用４个方位的滤波器分别对待注意图进行滤波，得到４种方位特征类型；分别用原始的ＬＢＰ算子和环半径延伸的ＬＢＰ算子计算得到的２种纹理特征类型，一共得到待注意图的１１种特征类型；第２步根据待注意图的１１种特征类型和长期记忆库中存储学习目标类得到自顶向下的显著性图；根据待注意图的１１种特征类型本身的对比度得到一个自底向上的显著性图；第３步将自顶向下显著性图中的每一点的像素值除以自顶向下显著性图中的最大像素值，将自底向上显著性图中的每一点的像素值除以自底向上显著性图中的最大像素值，最后将这两个标准化后的图的乘积作为最终显著性图；第４步利用胜者全赢的方法，得到最终显著性图中的最显著的点和该点对应的最优尺寸构成了最显著区域；第５步将最终显著性图中最显著区域的像素值都置为零，得到一个新的最终显著性图；第６步重复第４步至第５步，直至预先设定的次数，完成后得到的最显著性的点和该点所在区域的尺寸，作为注意焦点。

【技术特征摘要】

【专利技术属性】
技术研发人员：桑农，魏龙生，王岳环，高常鑫，左峥嵘，杨卫东，胡静，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：83[中国|武汉]