The invention belongs to the field of computer vision, and is a method for detecting fixation points based on local evaluation and global optimization. The extraction of candidate target images using edge density algorithm; then using supervised learning methods for these local target assessment, two assessment methods: (1) with the image of the entire database for each training SVM proposals significant rate; (2) using a semi coupled dictionary learning algorithm for image reconstruction from different different SVM, as this image of proposals targeted scoring; after partial evaluation, using proposal subset optimization algorithm proposals clustering. Finally, global optimization is carried out. The present invention according to the different characteristics of human attention caused by information, designed to capture the information model, can effectively detect the semantic information of images, including images of the object, the complex eye contains or does not contain an image of an object in the eye area.
【技术实现步骤摘要】
基于局部评估和全局优化的注视点检测方法
本专利技术属于计算机视觉领域,涉及到图像处理相关知识,特别涉及到注视点检测方法。
技术介绍
注视点检测作为显著性检测的一个分支,在图像分割、图像压缩、目标识别等领域有广泛的应用前景。近年来,眼动点检测领域涌现出许多新颖的算法,对于部分数据库检测效果已经达到较好水平,但是仍有很多关键问题没有解决。下文对眼动点检测的经典算法进行分析,总结目前的发展现状。Itti等人在论文“Amodelofsaliency-basedvisualattentionforrapidsceneanalysis,1998”中提出了最早的注视点预测算法。他们提取图像的颜色,亮度,方向三种特征,采用中心—周围对比的方法,计算出各个像素的显著度。并通过构建高斯金字塔提取图像多尺度信息,以兼顾图像全局对比信息。最终通过对多个特征图融合得到结果。在Itti模型的基础上,研究人员提出了很多预测视觉注视点的改进。但都是基于同一模型框架的,即首先将输入图像分解为多类视觉特征通道,然后对每类视觉通道单独进行显著性度量生成特征显著图,最后结合多类特征显著图来生成最终的一个显著图。这些方法同Itti模型的不同之处在于,论文“Predictinghumangazeusinglow-levelsaliencycombinedwithfacedetection,2008”选用了不同种类的视觉特征,论文“Predictinghumangazeusinglow-levelsaliencycombinedwithfacedetection,2008”采用了不同的显著性度量方式。 ...
【技术保护点】
基于局部评估和全局优化的注视点检测方法,其特征在于,步骤如下:(1)提取待检测图像上存在物体的区域,以检测到的候选目标作为后续处理的基本单位;(2)利用微调后的卷积神经网络提取候选目标的深度特征;(3)局部评估的总体训练:根据候选目标的深度特征评估该区域受注视的程度,采用自顶向下的监督学习方式训练分类器,评判每一个候选目标是人眼注视区域的可能性;首先,根据注视点信息的真值,从训练集图像的候选框中挑出训练样本框;然后,利用训练集图像的样本框的深度特征训练支持向量机SVM;在测试阶段,把测试集图像的候选目标输入支持向量机,得到对应的评估分数;(4)局部评估的具体训练:采用半耦合字典学习(SCDL)算法,实现一张图像对应一个分类器;给定一张图像I,通过卷积神经网络得到其深度特征x
【技术特征摘要】
1.基于局部评估和全局优化的注视点检测方法,其特征在于,步骤如下:(1)提取待检测图像上存在物体的区域,以检测到的候选目标作为后续处理的基本单位;(2)利用微调后的卷积神经网络提取候选目标的深度特征;(3)局部评估的总体训练:根据候选目标的深度特征评估该区域受注视的程度,采用自顶向下的监督学习方式训练分类器,评判每一个候选目标是人眼注视区域的可能性;首先,根据注视点信息的真值,从训练集图像的候选框中挑出训练样本框;然后,利用训练集图像的样本框的深度特征训练支持向量机SVM;在测试阶段,把测试集图像的候选目标输入支持向量机,得到对应的评估分数;(4)局部评估的具体训练:采用半耦合字典学习(SCDL)算法,实现一张图像对应一个分类器;给定一张图像I,通过卷积神经网络得到其深度特征xI;再从图像I中选取100个正负样本训练SVM,得到SVM的权重向量wI;对于训练集图像S,候选目标特征集合为其中每一列代表一张图像的深度特征,d为特征向量维数,N为数据库中图像个数;对应的SVM权重向量集合为分别定义为特征字典、权重字典、映射字典;k是字典大小;那么,字典的联合优化问题的公式如下:
【专利技术属性】
技术研发人员:李建华,姜博,卢湖川,
申请(专利权)人:大连理工大学,
类型:发明
国别省市:辽宁,21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。