[發明專利]基于視覺注意模型的感興趣區域檢測方法

在審

• 申請號: 201810034712.3
• 申請日: 2018-01-15
• 公開（公告）號: CN108154147A
• 公開（公告）日: 2018-06-12
• 發明（設計）人: 徐振輝;毛保全;朱守瑞;白向華;楊雨迎;韓小平;吳東亞;馮帥;李程;張天意;辛學敏;鄭博文;王之千;李俊;朱銳;李曉剛;蘭圖
• 申請（專利權）人: 中國人民解放軍陸軍裝甲兵學院
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/46
• 代理公司: 中國兵器工業集團公司專利中心 11011
• 代理人: 袁孜

1.一種基于視覺注意模型的感興趣區域檢測方法，其特征在于，包括以下步驟：

步驟一、建立多尺度圖像結構

一幅二維圖像，在不同尺度下的尺度空間表示可由輸入圖像I(x,y)與高斯核G(x,y,σ)卷積得到：

L(x,y,σ)＝G(x,y,σ)*I(x,y) (2)

式(2)中，(x,y)代表圖像的像素位置，σ稱為尺度空間因子，其值越小則表征該圖像被平滑的越少，相應的尺度也就越小，大尺度對應于圖像的概貌特征，小尺度對應于圖像的細節特征，L代表了圖像的尺度空間；

步驟二、初級視覺特征提取

1、亮度特征提取

如果是彩色視頻圖像，r、g、b分別表示圖像中的紅色、綠色和藍色，則亮度計算公式為：

I＝(r+g+b)/3 (3)

如果是灰度圖像，則灰度特征直接選取每個像素的灰度值即可；

2、顏色特征提取

定義R、G、B、Y分別為紅、綠、藍、黃4個顏色通道，則：

Y＝(r+g)/2-(r-g)/2-b

則RG和BY通道為：RG＝R-GB，Y＝B-(R+G)/2；

3、方向特征提取

方向特征用Gabor濾波器來進行提取：

一維Gabor函數，即1D-Gabor函數：

式中，σ為高斯函數的標準差，w₀為復平面波的空間頻率，x₀為1D-Gabor函數的中心點坐標，其1D-Gabor函數的奇、偶分量的公式分別為：

根據3σ原理，取l＝6σ/w₀；

二維Gabor函數，即2D-Gabor函數是在Gauss包絡下的一個沿x軸的復變正弦波，二維Gabor函數表達式為：

二維Gabor函數的實部和虛部分別為：

θ是方向參數，σ越大能量越分散，越小越集中，有高頻σ_h、低頻σ_l兩個中心頻率；

方向角θ的選擇：θ＝0,30,60,90,120,150，濾波器窗口為32*32，共有24個Gabor濾波器；

輸入圖像I(x,y)與Gabor小波核函數的卷積為：

r(x,y)＝∫∫I(ε,η)g(x-ε,y-η)dεdη (8)

Gabor小波變換后結果是復數，取復數的模||r(x,y)||的均值和方差作為小波變換的結果；

選用θ＝0,30,60,90,120,150六個方向的Gabor濾波器輸出作為方向特征，通過(7)式獲得六個方向的Gaobr濾波器，然后用這些濾波器對高斯金字塔結構的每一層圖像濾波，得到對應的六個方向上的特征映射圖；

4、運動特征提取

運動特征包括運動速度與運動方向兩類特征；

1)運動矢量提取：采用背景減法來提取目標的運動矢量，通過計算圖像中各像素點間的時域或空域上的關聯性，以前一幀的背景為參考，計算當前幀的背景，然后將當前幀圖像與其背景相減，得到差分圖像，設第t幀圖像為I(x,y,t)，對應的背景圖像為B(x,y,t)，則差分圖像為：

2)運動特征提取：根據所述差分圖像，得到相鄰兩幀圖像中每個像素點的運動距離D_ij(x,y)，將各像素的運動距離在0°、45°、90°和135°四個方向上投影，則得到各像素在四個運動方向上的運動距離，進而得到0°、45°、90°和135°四個方向的運動速度依次為：

步驟三、特征圖與顯著圖計算

視覺注意模型的中央-周邊操作是對中央層和周邊層進行層間相減操作，即計算不同分辨率對應的大、小尺度的差，特征圖E的數學表達式為：

E(c,s)＝|E(c)ΘE(s)| (11)

其中，Θ表示兩個不同尺度圖像的插值相減，即先對周邊層進行插值，將像素數增至對應的中央層像素數后進行中央層和周邊層的差操作，c代表中心尺度，s代表周邊區域尺度，c∈{2,3,4}，即2、3、4層為中央層，s＝c+δ，尺度差δ∈{3,4}，即每個中央層對應的周邊層為中央層的層數加3或4；

根據式(11)求得灰度、顏色、方向和運動特征的特征圖：

灰度特征圖：

I(c,s)＝|I(c)ΘI(s)| (12)

顏色特征圖：RG(c,s)＝|(R(c)-G(c))Θ(G(s)-R(s))|

BY(c,s)＝|(B(c)-Y(c))Θ(Y(s)-B(s))| (13)

方向特征圖：

O(c,s,θ)＝|O(c,θ)ΘO(s,θ)| (14)

運動特征圖：

利用預設規格化算子N(·)將各類特征圖進行融合，得到各類特征的顯著圖。

灰度顯著圖：

顏色顯著圖：

方向顯著圖：

運動速度顯著圖：

運動方向顯著圖：

為預設融合算法，特征顯著圖進一步歸一化，相加得到綜合顯著圖：

得到圖像的綜合顯著圖后，綜合顯著圖中各位置互相競爭，獲勝的位置成為注意焦點，構成感興趣區域。