【技术实现步骤摘要】
一种基于显著性区域检测的室外地点重识别方法
[0001]本专利技术涉及计算机视觉、深度学习
，尤其涉及一种基于显著性区域检测的室外地点重识别方法。
技术介绍
[0002]对于自主导航机器人而言，定位与建图是首要的目的。而依赖视觉传感器的机器人在定位问题上的解决方案则是视觉地点识别。给定一张描述指定地点的场景图象，机器人需要判断此地点是否曾经到达过，判断的过程需要对数据库中路径轨迹的关键帧进行相似度的匹配。由于场景地点图像普遍存在光照变化，视角朝向变化，行人遮挡等干扰因素，传统方法的图像特征点的提取方式过度依赖人工设计的特征，即使在稳定的室内环境有不错的效果，但在上述室外场景的干扰下，所获得的效果却不太好。
[0003]如何解决上述技术问题为本专利技术面临的课题。
技术实现思路
[0004]本专利技术的目的在于提供一种基于显著性区域检测的室外地点重识别方法，本专利技术的目的是对室外场景的各种干扰下能更好地提取图像全局特征，通过深度学习特征构建的视觉词袋模型，把显著性区域的局部特征融合成全局特征，提
【技术保护点】
【技术特征摘要】
1.一种基于显著性区域检测的室外地点重识别方法，其特征在于，包括以下步骤：步骤一、SE
‑
ResNet特征图的提取在卷积神经网络中，卷积操作是在空间上把特征融合，或是通过多通道提取多尺度空间信息，SE
‑
Net的关注通道之间的关系，使得模型自动学习到不同通道特征的重要程度，SE
‑
Net嵌入到ResNet当中，在特征图的提取中，采用SE
‑
ResNet模型对图像进行卷积操作，对输入图像I∈R
W
′×
H
′×3，在经过卷积操作后得到特征图F∈R
W
×
H
×
C
；步骤二、显著性区域的检测通过分析室外场景图像的特点，发现室外地点通过标志性建筑、或者路标来辨别两幅图像是否属于同一地点，通过卷积后得到的特征图F中，激活值高的区域是图像中特别显著的区域，为了适应各个显著性区域的大小不同，使用非零值的连通区域的检测方法确定显著性区域的位置；步骤三、训练视觉词袋模型普遍的视觉词袋模型是基于图像提取的SIFT特征训练得到，使用SE
‑
ResNet的网络层生成特征描述符，保留卷积信息和局部特征，描述符的性能优于类似SIFT的探测器，特别是在SIFT包含许多异常值或无法匹配足够数量特征点的情况下；步骤四、图像之间的相似度匹配对于两幅图像I
a
和I
b
，通过上述步骤获得全局特征通过余弦相似度公式度量两个全局特征向量的距离；2.根据权利要求1所述的基于显著性区域检测的室外地点重识别方法，其特征在于，对所述步骤一中提取到的特征图进行如下步骤操作：(1)、二值化特征图图像在经过卷积神经网络的卷积层和激活函数的处理后保留图像的空间纹理特征，其中特征图的激活值大小反映了图像该区域的纹理强度大小，先在各个通道的特征图中划分需要检测的区域，使用二值化特征图划分各个图像物体区域，特征图中激活值较大的区域使用1表示该区域为值得关注的区域，激活值较小的区域则用0表示其为纹理较少，不值得关注的区域，在二值化特征图过程中，使用阈值δ区分每个区域应该被设置为0还是1；通过如下公式得到二值化之后的特征图F
B
(2)、划分相关区域ROI假设显著性区域之间是独立的，或者至少是无重叠的，使用非零值的连通区域表示每一个单独的图像区域；在二值特征图F
B
中，对所有值为1的位置，搜索与其相邻的8个位置的值，如果有同样为1的元素，则形成同一区域，再对区域内其余元素进行相邻值的搜索，直到同一区域内所有元素都被搜索过，最后得到多个相关区域ROIs，每个通道都有数量不一的ROI，最后总共产生N个相关区域；
(3)、确定显著区域位置对N个ROI对应特征图的区域计算特征图激活值的均值公式如下：并按照均值a
r
的值大小从高到低排序，选取最高的m个区域，作为最终的显著性区域...
【专利技术属性】
技术研发人员：张晓峰，欧垚君，陈哲，王梅，丁红，施正阳，陶秦，魏东，
申请(专利权)人：南通大学，
类型：发明
国别省市：
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。