The invention discloses a saliency detection method, visual perception based on positive feedback including: 1) detection method using the several preliminary saliency image saliency detection; 2) superimposed on the above results, a new generation of integrated saliency map. Thresholding binarization of the graph, formed two value gaze zone Ip; 3) collected a small number of pixels inside and outside the training sample, Ip, parallel constructs a RVFL neural network model; multiple neural network model to classify pixels, by the integrated form two value target output BW; 4) BW as a God by issuing pulse, return to step 2 and saliency map superimposed, forming iteration; 5) iteration, if the input and output Ip BW positive feedback is basically the same, that perception is saturated, the iteration stops. Ip or BW is the most significant target segmentation result in the image. The invention simulates human vision by means of a plurality of significant detection methods, superposition and visual perception, and positive feedback iteration, and obtains a visual saliency map which is closer to human visual perception.
【技术实现步骤摘要】
基于视觉感知正反馈的显著性检测方法
本专利技术涉及人类视觉模拟
,具体地讲是一种基于视觉感知正反馈的显著性检测方法。
技术介绍
传统图像处理算法受到千变万化的场景、海量数据、高维特征等问题的困扰,具有明显局限性。而人类视觉系统的性能则远超当前算法,模拟人类视觉原理是突破当前算法困境的有效途径。人类视觉经过长期进化而来,具备主动视觉机制,通过视觉注意关注场景中感兴趣目标。视觉注意模型是研究者们模拟人类视觉的出发点,可分为数据驱动和任务驱动的视觉注意两类模型。数据驱动的模型执行自底向上(bottom-up)的注意,从图像的低级特征(如颜色、纹理、边缘、方向、频谱)计算显著性图(saliencymap);利用像素或局部区域的显著性,可实现对图像内容的自动感知和粗分割。其中视觉显著性检测(visualsaliencydetection)是当前计算机视觉与模式识别领域的研究热点。据获得显著性的机制来划分,显著性检测可分为基于注视点预测的模型、基于提取与分割显著物体的模型等;据其核心算法来分,可分为认知理论模型、Bayesian模型、决策理论模型、信息理论模型、图模型、基于频域(谱分析)的模型以及模式分类模型等。一些对比实验表明,这些算法获得的视觉显著性区域与人眼观察自然场景的眼动注视区域具有很高的一致性,揭示了视觉显著性是引导人眼主动观察场景的关键因素。任务驱动的模型强调自顶向下(top-down)的注意,涉及记忆和先验等各种因素。通常利用目标的先验知识构建模型,如已做标记的大规模图像数据库等。其中最新进展是基于深度学习(DeepLearning)算法的目标检 ...
【技术保护点】
一种基于视觉感知正反馈的显著性检测方法,其特征在于:包括以下步骤:1)利用已有的多种显著性检测方法(显著性检测1~n)初步检测图像显著度图(模拟多通道视觉感知);2)叠加感知结果,生成新的综合显著度图。阈值法二值化该图,可形成二值注视区Ip(模拟人眼注视);3)重复采集Ip注视区内外的少量像素样本,经学习/训练,并行构建多个RVFL神经网络模型(模拟人脑神经网络);多个神经网络模型分类像素,经(投票法)集成形成二值目标输出BW;4)BW作为一种神经发放脉冲,返回步骤2)与综合显著图做叠加(形成新显著图),形成迭代循环;5)迭代中,若正反馈环节的输入Ip与输出BW基本相同,表明感知饱和,迭代停止。Ip或BW即为图像中的最显著目标分割结果。
【技术特征摘要】
1.一种基于视觉感知正反馈的显著性检测方法,其特征在于:包括以下步骤:1)利用已有的多种显著性检测方法(显著性检测1~n)初步检测图像显著度图(模拟多通道视觉感知);2)叠加感知结果,生成新的综合显著度图。阈值法二值化该图,可形成二值注视区Ip(模拟人眼注视);3)重复采集Ip注视区内外的少量像素样本,经学习/训练,并行构建多个RVFL神经网络模型(模拟人脑神经网络);多个神经网络模型分类像素,经(投票法)集成形成二值目标输出BW;4)BW作为一种神经发放脉冲,返回步骤2)与综合显著图做叠加(形成新显著图),形成迭代循环;5)迭代中,若正反馈环节的输入Ip与输出BW基本相同,表明感知饱和,迭代停止。Ip或BW即为图像中的最显著目标分割结果。2.根据权利要求1所述的...
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。