[发明专利]基于改进视觉注意力模型的自然场景目标检测方法

摘要

本发明公开了一种基于改进视觉注意力模型的自然场景目标检测方法，主要解决现有基于视觉注意力模型目标检测中检测正确率低、误检率高的问题，其步骤是：(1)输入待检测图像，利用Itti的视觉注意力模型提取亮度、颜色和方向特征显著性图；(2)对原始图像提取谱特征显著性图；(3)对亮度、颜色、方向、谱特征显著性图和实验者的注意力图进行数据采样及标记，形成最终的粗糙集信息表；(4)根据粗糙集信息表，构造属性重要性，并通过聚类得到特征图的最优权值；(5)对特征子图进行加权，得到原始图像的显著性图，该显著性图对应的显著性区域即为目标位置区域。本发明能更有效的检测到自然场景中的视觉注意力区域并对其中的目标进行定位。

主权项

1.基于改进视觉注意力模型的自然场景目标检测方法，包括如下步骤：(1)利用Itti的视觉注意力模型对原始图像提取初始的颜色、亮度和方向的特征图，并对这些特征图进行多尺度几何分解、合并及归一化，得到颜色亮度和方向三个通道特征的显著性图；(2)对原始图像做傅里叶变换，计算谱残差和相位谱PH的和，并对其做逆傅立叶变换F^-1，得到特征图，再用高斯滤波器平滑该特征图，得到第四个通道特征的显著性图SR；(3)计算每个通道特征显著性图的最优权值：3a)对上述四个通道的特征显著性图分别进行数据采样，并将采样结果分别与各个通道特征图做对比，构建每个特征通道下的初始粗糙集信息表数据集合；3b)根据心理学实验结果，将不同实验者测试得到的注意力点图进行叠加，生成原始的眼动数据图，对该眼动数据图进行与四个通道特征的显著性图同位置的采样，将采样结果与原始眼动数据图做对比，构建粗糙集信息表的决策属性集合；3c)将初始粗糙集信息表的数据集合和粗糙集信息表的决策属性集合并列在一起，形成最终的粗糙集信息表；3d)计算最终粗糙集信息表中特征的属性重要性，作为每个通道特征显著性图的初始权值；3e)根据初始权值，利用变精度模糊粗糙c-modes聚类公式，对粗糙集信息表中的数据进行聚类，通过交替更新聚类中心Z和划分矩阵W，使得目标函数值达到最小，此时所对应的权值ω_l即为第l个特征显著性图的最优权值，该c-modes聚类公式为：minJ(W,Z)=Σl=1cΣi=1nμliλΣj=1mωlβδ(xjl,zjl)]]>其中J(W，Z)为聚类的目标函数，W为划分矩阵，c为类别个数，Z表示c个类别下的c个模式中心的集合，z_jl表示第j个特征在第l类下的聚类中心，n为样本个数，m为数据集中特征的个数，μ_li表示为第i个样本x划分到第l类的隶属度函数，0≤μ_li≤1，为第l个特征显著性图的最优权值，β为精度系数，β＝0.5，其中1≤l≤c，1≤i≤n，δ(·)表示两个样本之间的相异匹配测度，定义为其中，x_j和y_j分别表示第j个分类属性下的取值；(4)利用上述得到的最优权值ω_l，l＝1，2，3，4，，对特征的显著性图进行线性加和，得到原始图像的显著性图：其中，是亮度特征的显著性图，是颜色特征的显著性图，是方向特征的显著性图，SR是谱特征的显著性图；(5)将上述显著性图对应的显著性区域作为图像中目标的位置区域，并输出。