[發(fā)明專利]基于局部評估和全局優(yōu)化的注視點檢測方法

有效

• 申請?zhí)枺?/td>: 201710024964.3
• 申請日: 2017-01-16
• 公開（公告）號: CN106778687B
• 公開（公告）日: 2019-12-17
• 發(fā)明（設(shè)計）人: 李建華;姜博;盧湖川
• 申請（專利權(quán)）人: 大連理工大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 21200 大連理工大學(xué)專利中心
• 代理人: 梅洪玉;侯明遠

1.基于局部評估和全局優(yōu)化的注視點檢測方法，其特征在于，步驟如下：

(1)提取待檢測圖像上存在物體的區(qū)域，以檢測到的候選目標(biāo)作為后續(xù)處理的基本單位；

(2)利用微調(diào)后的卷積神經(jīng)網(wǎng)絡(luò)提取候選目標(biāo)的深度特征；

(3)局部評估的總體訓(xùn)練：根據(jù)候選目標(biāo)的深度特征評估該區(qū)域受注視的程度，采用自頂向下的監(jiān)督學(xué)習(xí)方式訓(xùn)練分類器，評判每一個候選目標(biāo)是人眼注視區(qū)域的可能性；首先，根據(jù)注視點信息的真值，從訓(xùn)練集圖像的候選框中挑出訓(xùn)練樣本框；然后，利用訓(xùn)練集圖像的樣本框的深度特征訓(xùn)練支持向量機SVM；在測試階段，把測試集圖像的候選目標(biāo)輸入支持向量機，得到對應(yīng)的評估分?jǐn)?shù)；

(4)局部評估的具體訓(xùn)練：采用半耦合字典學(xué)習(xí)算法，實現(xiàn)一張圖像對應(yīng)一個分類器；給定一張圖像I，通過卷積神經(jīng)網(wǎng)絡(luò)得到其深度特征x_I；再從圖像I中選取100個正負樣本訓(xùn)練SVM，得到SVM的權(quán)重向量w_I；對于訓(xùn)練集圖像S，候選目標(biāo)特征集合為其中每一列代表一張圖像的深度特征，d為特征向量維數(shù)，N為數(shù)據(jù)庫中圖像個數(shù)；對應(yīng)的SVM權(quán)重向量集合為分別定義為特征字典、權(quán)重字典、映射字典；k是字典大小；那么，字典的聯(lián)合優(yōu)化問題的公式如下：

Φ＝E_data(D_X,X^S)+E_data(D_W,W^S)+E_map(M)+E_reg(Λ_X,Λ_W,M,D_X,D_W) (2)

上式中Λ_X和Λ_W代表編碼系數(shù)，E_data(·,·)代表重構(gòu)誤差，E_map(·)代表映射誤差項，E_reg(·)是編碼系數(shù)，映射矩陣和字典的正則項；通過求解，根據(jù)其深度特征得到對應(yīng)的SVM，實現(xiàn)對待檢測圖像的具體評估任務(wù)；

(5)對局部評估得到的結(jié)果使用proposal子集優(yōu)化算法，proposal為物體目標(biāo)：刪除空間位置上孤立的高分框，保留空間位置密集高分框，通過減少離群值增加局部評估的置信度；進一步將密集高分框聚類，原則如下：

1)減少聚類個數(shù)；

2)同一類中的候選目標(biāo)重疊且相似；

3)降低不同類的聚類中心重疊；

(6)設(shè)計新的特征訓(xùn)練回歸模型對受注視程度進行預(yù)測，新特征包括候選目標(biāo)的全局對比度、邊界對比度、局部評估的分?jǐn)?shù)；在算法總體框架上，采用局部評估與全局優(yōu)化兩個階段，分別體現(xiàn)候選目標(biāo)的自身特征和所處的圖像上下文環(huán)境。

2.根據(jù)權(quán)利要求1所述的注視點檢測方法，其特征在于，步驟(1)提取方式采用edgeboxes算法。