[发明专利]一种基于仿复眼感知的目标识别方法

说明书

本发明公开了一种基于仿复眼感知的目标识别方法，包括仿复眼感知网络、超像素聚类、显著性计算三个部分，包括以下步骤：（1）获取原始彩色图像；（2）将彩色图像送入仿复眼感知网络提取图像特征，进行目标框预测与类别判定；（3）从图像中提取感兴趣区域；（4）将感兴趣区域从RGB颜色空间转换到Lab颜色空间；（5）对感兴趣区域像素进行超像素聚类，获得有感知意义的原子区域；（6）在原子区域基础上进行背景检测；（7）对背景检测结果进行优化，获得目标物体掩模。本发明的方法能够在非结构化环境下实现目标识别，且冗余计算少速度快，流程简单容易理解并可以根据场景对其中的模块针对性优化，具有较高的适应性。

技术领域

本发明涉及图像处理领域，具体涉及一种基于仿复眼感知的目标识别方法。

技术背景

视觉分类和目标识别是计算机视觉中的一项重要任务，被广泛应用于基于内容的图像检索、汽车安全、视频监控和机器人技术中。近些年随着消费提升与快递等行业的发展，对仓库自动化机器人、服务机器人等各种机器人的兴趣迅猛增长，目标识别是机器人技术中的重要内容。并且随着人工智能的发展，简单的模板匹配与结构化场景下的目标识别不能满足当前不断提升的需求。

目前，许多文献针对目标识别提出了不同算法。其中，主要包括：几何测量方法、模板匹配方法、显著性检测方法、可变形组件模型、神经网络方法和决策森林模型。但是，简单的几何测量和模板匹配方法不能满足非结构化场景的需求，显著性检测虽然能检测出显著物体由于缺乏高级线索信息对物体并没有辨识能力。另一方面，基于判别模型的可变形组件模型、神经网络模型和决策森林模型虽然有更好的识别能力，这些方法基于区域提案思路首先使用低级线索信息产生大量潜在目标框并在其上执行分类器进行目标辨识，后续进行框调整和冗余剔除操作，这种复杂的流程很慢并难以进行优化。

发明内容

本发明的目的在于解决在非结构化场景下，常规目标检测方法缺少高级线索信息无法判断物体类别，基于判别模型的检测方法流程复杂存在计算冗余并难以优化等问题，提供一种基于仿复眼感知的目标识别方法，不同于传统的先分割后识别的图像处理方法，本发明模仿生物对环境的直观感知方式首先进行全局理解后关注于局部细节，是一种检测速度快、易于理解使用与优化的非结构化环境目标识别方法。

为达到上述目的，本发明采用下述技术方案：

一种基于仿复眼感知的目标识别方法，包括仿复眼感知网络、超像素聚类、显著性计算三个部分，所述的仿复眼感知网络在一次评估中直接从完整图像预测物体边界框和类别概率，理解场景获得感兴趣区域，在感兴趣区域上进行超像素聚类获得有感知意义的原子区域，通过显著性计算分离出属于物体的原子区域提取目标，具体包括以下步骤：

(1)获取原始彩色图像；

(2)将彩色图像送入仿复眼感知网络提取图像特征，进行目标框预测与类别判定；

(3)从图像中提取感兴趣区域；

(4)将感兴趣区域从RGB颜色空间转换到Lab颜色空间；

(5)对感兴趣区域像素进行超像素聚类，获得有感知意义的原子区域；

(6)在原子区域基础上进行背景检测；

(7)对背景检测结果进行优化，获得目标物体掩模。

本发明与现有技术相比较，具有以下明显优点及突出性进步：