一种基于模糊神经网络的显著图计算方法及系统技术方案

本发明专利技术涉及一种基于模糊神经网络的显著图计算方法及系统，该方法包括：获取交互对象主体观测到的图像，为第一图像；对所述第一图像进行线性滤波和高斯金字塔处理，得到第二图像；对所述第二图像进行分特征处理，得到颜色特征图、光强特征图和方向特征图；分别对所述颜色特征图、光强特征图和方向特征图进行中心环绕差分归一化，得到颜色显著图、光强显著图和方向显著图；将所述颜色显著图、光强显著图和方向显著图输入模糊神经网络，得到意图区域；采用语义差异法对所述意图区域进行校准。本发明专利技术能够提高人机交互过程中意图识别结果的准确性。

【技术实现步骤摘要】
一种基于模糊神经网络的显著图计算方法及系统
本专利技术涉及人工智能及人机交互领域，特别是涉及一种基于模糊神经网络的显著图计算方法及系统。
技术介绍
根据对国内外相关研究的参考，人的意图除了受到人自身的行动初衷或目的意图完成任务的关联性等主观因素的影响外，同时很大程度上也受到外部因素的影响，所观察到的情景画面就是其中的重要因素之一。而在情景图像中，又以图像的亮度，深度和方向性更为明显。而显著图技术正是将图像中的这些主要因素综合考虑，推定计算出图像中最为显著的一些区域或部分，这也是显著图名称的由来。在显著图的计算领域，相关研究主要通过加入更加复杂的图像因素，如动态图像的速度等，以期提高计算结果的可靠性。目前普遍采用的线性叠加的计算方法基本可以实现对显著图的计算，但对一些特殊情况的处理结果不能尽如人意。具体主要体现在，现有方法能够识别图像中的主要特征，但受交互对象主观因素的影响，识别结果并不符合实际情况，尤其是应用于具体应用场景时表现更加明显。另外在处理速度上普遍比较慢，且受制于硬件图像处理器的限制。
技术实现思路
本专利技术的目的是提供一种基于模糊神经网络的显著图计算方法及系统，能够提高人机交互过程中意图识别结果的准确性。为实现上述目的，本专利技术提供了如下方案：一种基于模糊神经网络的显著图计算方法，包括：获取交互对象主体观测到的图像，为第一图像；对所述第一图像进行线性滤波和高斯金字塔处理，得到第二图像；对所述第二图像进行分特征处理，得到颜色特征图、光强特征图和方向特征图；分别对所述颜色特征图、光强特征图和方向特征图进行中心环绕差分归一化，得到颜色显著图、光强显著图和方向显著图；将所述颜色显著图、光强显著图和方向显著图输入模糊神经网络，得到意图区域；采用语义差异法对所述意图区域进行校准。可选的，所述高斯金字塔为九层。一种基于模糊神经网络的显著图计算系统，包括：图像获取模块，用于获取交互对象主体观测到的图像，为第一图像；第一图像处理模块，用于对所述第一图像进行线性滤波和高斯金字塔处理，得到第二图像；第二图像处理模块，用于对所述第二图像进行分特征处理，得到颜色特征图、光强特征图和方向特征图；归一化模块，用于分别对所述颜色特征图、光强特征图和方向特征图进行中心环绕差分归一化，得到颜色显著图、光强显著图和方向显著图；模糊神经网络模块，用于将所述颜色显著图、光强显著图和方向显著图输入模糊神经网络，得到意图区域；校准模块，用于采用语义差异法对所述意图区域进行校准。可选的，所述第二图像处理模块为图像处理器。可选的，所述高斯金字塔为九层。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术利用模糊神经网络的动态权重参数调节，提高了处理结果的自适应性，并采用语义差异法对所述意图区域进行校准，从而获得更优的结果，提高人机交互过程中意图识别结果的准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术基于模糊神经网络的显著图计算方法流程图；图2为本专利技术基于模糊神经网络的显著图计算系统模块图；图3为本专利技术实施例模糊神经网络结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术的目的是提供一种基于模糊神经网络的显著图计算方法及系统，能够提高人机交互过程中意图识别结果的准确性。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。图1为本专利技术基于模糊神经网络的显著图计算方法流程图，如图1所示，一种基于模糊神经网络的显著图计算方法，包括：步骤101：获取交互对象主体观测到的图像，为第一图像；步骤102：对所述第一图像进行线性滤波和高斯金字塔处理，得到第二图像；步骤103：对所述第二图像进行分特征处理，得到颜色特征图、光强特征图和方向特征图；步骤104：分别对所述颜色特征图、光强特征图和方向特征图进行中心环绕差分归一化，得到颜色显著图、光强显著图和方向显著图；步骤105：将所述颜色显著图、光强显著图和方向显著图输入模糊神经网络，得到意图区域；步骤106：采用语义差异法对所述意图区域进行校准。具体的，步骤102中所述高斯金字塔为九层。本专利技术还公开一种基于模糊神经网络的显著图计算系统，如图2所示，包括：图像获取模块201，用于获取交互对象主体观测到的图像，为第一图像；第一图像处理模块202，用于对所述第一图像进行线性滤波和高斯金字塔处理，得到第二图像；第二图像处理模块203，用于对所述第二图像进行分特征处理，得到颜色特征图、光强特征图和方向特征图；归一化模块204，用于分别对所述颜色特征图、光强特征图和方向特征图进行中心环绕差分归一化，得到颜色显著图、光强显著图和方向显著图；模糊神经网络模块205，用于将所述颜色显著图、光强显著图和方向显著图输入模糊神经网络，得到意图区域；校准模块206，用于采用语义差异法对所述意图区域进行校准。具体的，所述第二图像处理模块203为图像处理器。第一图像处理模块202中高斯金字塔为九层。本专利技术的具体方法和原理如下：本专利技术的目的是改良现有的完全根据人的主观因素的意图推定模型，充分考虑周围环境的各种因素对人的行动目的及意图区域或目标的影响，将人的主观因素与所处环境的客观因素相结合，提出新的意图识别模型。对于新模型，物理层面上，为使得系统具有广泛的推广可能，利用普通的Web摄像头对人以及所处环境的外部信息进行数据采集。为实现对系统有效性和可靠性的验证。在显著图的计算方面，基于图像的亮度，色彩以及像素方向性，设计基于模糊神经网络的计算方法，解决现有方法在某些特殊情况下不适用的问题。所以本专利技术提出了一种新的方法用于视觉意图区域的预测，主要基于通过使用FNN(模糊神经网络)获取的图像显著图。首先需要通过图像传感器获取的交互对象主体所观测到的外部图像，即通过常规的人机交互方式得到人的主观意图位置及区域，然后将该图像经过一次线性滤波后按照高斯金字塔模型分解为九层结构，针对每层结构，借助图像处理器对其进行分特征处理得到颜色特征图(主要包括红绿色差和蓝黄色差)、光强特征图(灰度化结果)和方向特征图(基于像素的八方向梯度计算)，然后对所得到的同类型特征图，也就是本文档来自技高网...

【技术保护点】
1.一种基于模糊神经网络的显著图计算方法，其特征在于，包括：/n获取交互对象主体观测到的图像，为第一图像；/n对所述第一图像进行线性滤波和高斯金字塔处理，得到第二图像；/n对所述第二图像进行分特征处理，得到颜色特征图、光强特征图和方向特征图；/n分别对所述颜色特征图、光强特征图和方向特征图进行中心环绕差分归一化，得到颜色显著图、光强显著图和方向显著图；/n将所述颜色显著图、光强显著图和方向显著图输入模糊神经网络，得到意图区域；/n采用语义差异法对所述意图区域进行校准。/n

【技术特征摘要】
1.一种基于模糊神经网络的显著图计算方法，其特征在于，包括：
获取交互对象主体观测到的图像，为第一图像；
对所述第一图像进行线性滤波和高斯金字塔处理，得到第二图像；
对所述第二图像进行分特征处理，得到颜色特征图、光强特征图和方向特征图；
分别对所述颜色特征图、光强特征图和方向特征图进行中心环绕差分归一化，得到颜色显著图、光强显著图和方向显著图；
将所述颜色显著图、光强显著图和方向显著图输入模糊神经网络，得到意图区域；
采用语义差异法对所述意图区域进行校准。


2.根据权利要求1所述的基于模糊神经网络的显著图计算方法，其特征在于，所述高斯金字塔为九层。


3.一种基于模糊神经网络的显著图计算系统，其特征在于，包括：
图像获取模块，用于获取交互对象主体观测到...

【专利技术属性】
技术研发人员：王茂，徐杨梅，王义龙，曹彦彦，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京;11