[发明专利]一种面向复杂城市场景中协同仿生视觉的交通标志牌检测与识别方法

说明书

技术领域

本发明属于生物信息与机器视觉技术的交叉领域，尤其涉及一种面向复杂城市场景中协同仿生视觉的交通标志牌检测与识别方法。

背景技术

交通标志牌识别是驾驶员辅助系统和无人驾驶系统中最核心的问题之一。其中，复杂城市场景下交通标志牌的检测和识别是计算机视觉领域的热点与难点。然而，利用传统计算机视觉算法实现复杂场景图像中目标的检测与识别，是一项极具挑战性的任务。众所周知，人类的视觉系统会在无先验知识的条件下将注意力集中在目标的轮廓、颜色、边缘方向和对比度上，因此人类能够在复杂场景中有效地屏蔽干扰信息，快速锁定感兴趣目标。受此视觉处理机制的启发，利用仿生视觉算法进行交通标志牌的检测与识别是目前较有前景的解决办法。

传统的交通标志牌检测方法主要分为：自顶向下的基于颜色和基于形状的处理方法。由于交通标志牌特定的颜色，因此理论上可以用颜色阈值分割感兴趣区域。然而这种方法对于具有光照强弱变化、颜色退化、相似背景干扰的场合并不适用。基于形状的方法常常利用sobel边缘检测、Canny边缘检测目标轮廓，进一步找到与标志牌具有相似轮廓的候选区域作分析。然而，这种方法在标志牌被遮挡、破损的场合表现出较差的性能。近些年来，基于自底向上的显著性检测算法由于其广泛的应用场合受到越来越多的关注，如目标识别、图像分割、图像检索等。如典型的Itti算法，作为最早提出的视觉注意模型。主要思想是对输入图像进行多个特征通道和多尺度的分解，经过滤波和融合计算得到显著图。在该模型中的显著值是像素点在颜色、亮度、方向方面与周边背景的对比值。这种方法计算较为简单，但由于不停的使用邻近插值，导致显著图的分辨率降低，容易丢失边缘信息。在Itti算法的基础上进一步改进，提出了基于空间频率的谱残差算法SR、基于上下文显著性检测算法CA以及基于频域尺度分析的视觉显著性模型HFT，但这类方法无法克服复杂背景带来的干扰。随后Chen等人提出采用基于分布的表示方式来表征一幅图像中的稀疏特征。基于一对图像的特征分布，提出了一种增强前注意响应的渐进算法，从而能够识别图像中常见的显著目标，但这种方法不具有普遍适用性。如今，大多数显著性检测算法都是针对单个图像而言的，往往只考虑了单个图像中的对比度较强或区别度较大的区域，却忽视了多幅图像之间的相关性。因此，本发明提出协同显著性检测这种方法以解决这些问题。

根据生物视觉感知机理，当视觉目标刺激出现时，人类视觉感知初始过程产生在视网膜，视网膜内完成初始特征检测。而后，图像信号再由视神经激励传输。其中特征包括边缘、方向、位置、梯度等信息。更重要的是，在这个过程中，存在多个自底向上与自顶向下的视觉处理过程。自底向上是根据底层特征刺激识别图像的感兴趣区域，而自顶向下是由任务和经验等高阶特征指导进行的。为此，如何建立适当的模型，使自底向上和自顶向下两种视觉处理过程有效结合到一起对图像进行视觉感知，使该模型能够克服复杂背景干扰，从而能够识别图像中常见的显著目标，成为本发明亟待解决的问题。

发明内容

本发明所要解决的技术问题是，提供一种面向复杂城市场景中协同仿生视觉的交通标志牌检测与识别方法，受人类视觉感知机制启发，结合自底向上与自顶向下的视觉处理过程，检测多幅图像之间具有相关性的显著性区域，以减少城市化背景带来的干扰。并在此基础上提取具有旋转、缩放、平移、噪声的不变性特征，大大地提升了目标识别率。

一种面向复杂城市场景中协同仿生视觉的交通标志牌检测与识别方法，包括以下步骤：

步骤A：获取连续场景中的多幅待检测图像；

步骤B：提取由所有的待检测图像构成的待检测图像集的三个bottom-up视觉注意力线索，获取待检测图像集的聚类协同图；

步骤C：通过提取每幅待检测图像的两个bottom-up视觉注意力线索，获取每幅待检测图像的注意力显著图；

步骤D：将每幅注意力显著图依次与聚类协同图进行融合，获得每幅待检测图像对应的协同显著图；

基于聚类的注意力线索使得多幅图像之间保持全局一致性。对单幅图像利用对比度和空间位置线索进行视觉注意力检测使得图像保持局部不变性。将两者利用乘积方式进行融合，使其具有全局一致性和局部不变性的双重优势，并且乘积融合能有效克服噪声干扰。

步骤E：提取协同显著图中的连通域，利用预设的圆标志形状模板和三角形标志形状模板对提取的连通域进行标志牌ROI区域的定位；

步骤F：对标志牌ROI区域采用前向通道进行两级生物启发变换，得到具有RSTN不变属性的特征变换图，并生成两个阶段视觉记忆信息；