申请/专利权人：北京航空航天大学

申请日：2021-05-12

公开（公告）日：2022-11-18

公开（公告）号：CN113313773B

主分类号：G06T7/90

分类号：G06T7/90;G06T7/80;G06T7/11;G06T5/00;G06N3/00

优先权：

专利状态码：有效-授权

法律状态：2022.11.18#授权;2021.09.14#实质审查的生效;2021.08.27#公开

摘要：本发明公开一种仿猛禽中脑竞争性选择机制的环境显著性检测方法，步骤一：摄像头标定，获取摄像头内外参数，矫正图像畸变；步骤二：统一图像光照强度，gamma校正；步骤三：仿猛禽颜色机制区域分割；步骤四：仿猛禽注意力机制的显著区域检测；步骤五：猛禽核团感受野模拟；步骤六：颜色信息与动态目标信息融合。本发明优点：一、鲁棒性强，根据仿猛禽眼颜色机制以及仿猛禽中脑竞争性选择机制设计算法，兼顾显著区域的静态特征与动态特征，保证显著检测结果的准确性；二、框架简洁，节省目标检测计算量，大幅减小机载计算载荷要求；三、考虑光照不同、显著物特征不同为显著目标检测带来的困难，对于变化环境下的显著目标检测具有更强的适应性。

主权项：1.一种仿猛禽中脑竞争性选择机制的环境显著性检测方法，采用单目摄像头作为视觉感知设备，其特征在于：步骤如下：步骤一：摄像头标定，获取摄像头内外参数，矫正图像畸变步骤二：统一图像光照强度，gamma校正步骤三：仿猛禽颜色机制的区域分割根据猛禽的色觉机制构建视觉模型：L型通路吸收彩色图像中的红色信号，并对其他颜色的信号进行抑制；M通路、S通路则分别吸收彩色图像中的绿色和蓝色信号，并对其他颜色信号进行抑制，而U通路则吸收了图像中的亮度信号； 其中IL、IM、IS和IU分别为长波、中波、短波以及紫外波段四个通路对图像的输出响应；r、g、b是输入彩色图像中三个颜色通道的灰度值，max为取最大值符号，min为取最小值符号；将输入的RGB图像转换至LMS颜色空间，并分别构建黄色输入分量、蓝-黄S-Y拮抗模型和明亮敏感拮抗模型； 其中，ILM表示L兴奋M抑制的L-M拮抗，IML表示M兴奋，L抑制的L-M拮抗；IYS表示Y兴奋，S抑制的Y-S拮抗，ISY表示S兴奋，Y抑制的Y-S拮抗；IW+表示明亮兴奋的拮抗，IW-表示明亮抑制的拮抗；其中，L兴奋、M抑制的L-M单拮抗细胞，感受野细胞的响应近似为： 其中，CL+M-x,y；σc表示在图像坐标x,y处以σc为感受野大小的细胞响应；Gx,y；σc为二维各向同性高斯滤波核，σ为高斯滤波核的标准差；*表示卷积操作；同理计算单拮抗细胞响应CM+L-x,y；σc、CS+L-x,y；σc、CL+S-x,y；σc；根据双拮抗细胞响应的结构，用两个不同感受野大小的拮抗细胞响应构造双拮抗细胞的响应，其中L-M双拮抗细胞表示为：DLMx,y；σc＝CL+M-x,y；σc+k·CM+L-x,y；λσc4其中，σc和λσc表示双拮抗细胞中心和周边感受野的尺度，k为周边感受野的比重；同理计算双拮抗细胞响应DSLx,y；σc；明亮敏感型双拮抗细胞的响应表示为： 将双拮抗细胞的输出转换至与图像一致的LMS空间： 将LMS颜色空间的输出转换至RGB颜色空间： 其中，L、S、M分别表示图像在LMS空间中的L分量、S分量以及M分量；R、G、B分别表示图像在RGB空间中的R分量、G分量以及B分量；步骤四：建立仿猛禽注意力机制模型自然界中，猛禽在自由观察自然场景时，对某个物体的显著值感知与其呈现出的特征及出现的位置有关；某个像素点处引起视觉注意的概率表示为似然函数： 其中，o表示出现在背景中的显著物体，Px|o代表目标显著区域的后验概率，cz表示背景像素，Px|cz,o为条件概率，表示显著区域与背景间的关系，Pcz|o为先验概率，表示显著区域出现的概率，Xc表示图像位置向量集合，mx为概率表达式符号，反映图像显著度信息；根据猛禽注意力机制模型，条件概率由下式解得：Px|cz,o＝Dx-z9其中，D代表显著区域x与背景区域z之间的相对距离与相对角度关系； 其中，I为图像背景的响应强度，ωσ为高斯函数，z为区域背景坐标，x*为显著物体坐标，σ为高斯函数方差；a为约束系数，由于P为概率，取值必位于0、1之间，设立a作为约束系数控制P取值；步骤五：猛禽核团感受野模拟步骤五中包括：为模拟猛禽脑视丘核团对轮廓的感知能力，采用高斯滤波核进行纹理信息获取；根据图像显著性原理，获得猛禽脑视丘核团动态感知模型： 其中Hi为目标图像的傅里叶变换，Gi为高斯滤波器的傅里叶变换，Fi为先验信息图像的傅里叶变换；步骤五进一步包括：根据猛禽脑视丘核团动态感知模型，进行如下优化目标： 其中，⊙为矩阵按位相乘符号，i为图像序列中图像的索引号；在步骤四中，需控制a值大小来满足0P1的约束，根据a值取值，将式12转化为以下求解： 其中，y为图像特征列向量，w和f分别为空间正则化矩阵和仿猛禽中脑竞争性选择机制的滤波器；αk为权重系数；*为卷积操作符号，为图像学习特征序列，为D中的部分特征，T为集合D的特征序列个数，d为特征序号索引，μ为正则化系数；式13的求解过程，通过下式进行迭代优化： 其中，η为学习率；对于共有n张图像的动态图像序列，通过迭代解得动态信息显著度Hn，记为Hx；步骤六：颜色信息与动态目标信息融合将步骤四求得的颜色显著度概率mx与步骤五得到的动态信息显著度H进行融合，得到最终的仿猛禽中脑竞争性选择机制的环境显著性检测方法处理结果；Sx＝maxmx,Hx15。

全文数据：

权利要求：

百度查询： 北京航空航天大学 一种仿猛禽中脑竞争性选择机制的环境显著性检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD