>[0029] 用r，g，b表示輸入圖像的紅、綠、藍(lán)三個(gè)顏色通道的像素值，它用來(lái)建立高斯金字 塔I(x)，x= [0......8]表示尺度級(jí)。高斯金字塔圖像是一幅圖像被高斯濾波后形成的一 系列圖像集合，隨著高斯濾波次數(shù)的增加分辨率會(huì)逐漸降低。金字塔最底層是未經(jīng)濾波的 圖像，分辨率最高，而頂層是圖像的低分辨率表示。這樣圖像金字塔由三個(gè)顏色通道的金字 塔圖像取均值獲得，如式（1)所示：
【主權(quán)項(xiàng)】
1. 一種基于視覺(jué)注意機(jī)制的核環(huán)境中目標(biāo)檢測(cè)方法，其特征是，包括如下步驟： 51、 獲取通過(guò)普通相機(jī)采集的所述目標(biāo)的圖像，提取所述圖像的亮度、顏色和方向特 征，分別得到亮度特征圖、顏色特征圖和方向特征圖； 52、 通過(guò)高斯金字塔和中央周邊算子的方法對(duì)所述亮度特征圖、顏色特征圖和方向特 征圖進(jìn)行計(jì)算，分別得到6幅亮度視差圖、12幅顏色視差圖和24幅方向視差圖； 53、 分別對(duì)所述6幅亮度視差圖、12幅顏色視差圖和24幅方向視差圖進(jìn)行歸一化處理， 得到亮度顯著圖顏色顯著圖亡)和方向顯著圖; 54、 從所述顯著圖中選取最顯著的點(diǎn)，以所述點(diǎn)為顯著點(diǎn)，在對(duì)應(yīng)的特征顯著圖中采用 區(qū)域生長(zhǎng)的方式進(jìn)行分割，得到感興趣區(qū)域； 55、 獲取γ相機(jī)采集的含有輻射強(qiáng)度分布信息的圖像； 56、 分別提取所述混合圖像和所述普通相機(jī)圖像感興趣區(qū)域的關(guān)鍵點(diǎn)； 57、 將所述關(guān)鍵點(diǎn)分別生成特征向量； 58、 將所述感興趣區(qū)域關(guān)鍵點(diǎn)的特征向量與所述混合圖像關(guān)鍵點(diǎn)的特征向量進(jìn)行匹 配，如果符合匹配條件，則所述目標(biāo)為作業(yè)目標(biāo)。
2. 根據(jù)權(quán)利要求1所述的方法，其特征是：所述步驟S2中對(duì)所述對(duì)三幅特征圖進(jìn)行視 差計(jì)算的具體過(guò)程為： 用r，g，b表示輸入圖像的紅、綠、藍(lán)三個(gè)顏色通道的像素值，并用所述像素值建立高斯 金字塔模型，通過(guò)中央和外圍不同尺度下的圖像進(jìn)行差分，獲得6幅中央周邊差結(jié)構(gòu)的亮 度圖； 獲取所述圖像四個(gè)顏色通道紅色、綠色、藍(lán)色、黃色上的分量，通過(guò)差分計(jì)算獲得12幅 中間-外圍結(jié)構(gòu)顏色圖； 所述亮度圖與Gabor方向?yàn)V波器進(jìn)行卷積，獲得圖像的方向特征，通過(guò)差分計(jì)算獲得 24幅中間-外圍結(jié)構(gòu)方向圖。
3. 根據(jù)權(quán)利要求1所述的方法，其特征是：分別對(duì)所述6幅亮度視差圖、12幅顏色視差 圖和24幅方向視差圖進(jìn)行歸一化處理的具體過(guò)程為： 設(shè)置一個(gè)歸一化算子N(.)提升圖的質(zhì)量，歸一化算子N(.)計(jì)算流程如下： 把各通道特征圖的像素值歸一化到一個(gè)固定的區(qū)間[〇，M]內(nèi)，M為一正整數(shù)； 找到圖中全局最大值M的位置，計(jì)算其它所有特征圖局部最大值的均值5 . 9 特征圖全局乘. 通過(guò)歸一化算子Ν(.)和跨尺度相加，特征圖被整合成顏色、亮度和方向三個(gè)顯著性 圖； 顏色歸一化特征圖：[N(RG(C，S)) + N(BY(C，S))] c=2 ^=c+3 · 9 _ 4 c+4 亮度歸一化特征圖：7=? ? iV(I(c，s)) c=25=c+3 · 方向歸一化特征圖：
其中，"Φ "是在不同的尺度層上對(duì)每一特征的特征映射圖進(jìn)行降采樣，而得到最高 的主尺度層，再進(jìn)行加法運(yùn)算，得到顏色、亮度、方向三個(gè)特征上的顯著圖。
4. 根據(jù)權(quán)利要求1所述的方法，其特征是：所述分別提取混合圖像和普通相機(jī)圖像感 興趣區(qū)域的關(guān)鍵點(diǎn)的具體過(guò)程為： 利用不同尺度的高斯差分算子與圖像進(jìn)行卷積，得到不同尺度下獲得的高斯金字塔圖 像； 對(duì)所述高斯金字塔圖像進(jìn)行相鄰尺度差分運(yùn)算，得到差分金字塔圖像； 對(duì)所述差分金字塔圖像上的點(diǎn)進(jìn)行局部極值判斷，如果所述點(diǎn)為局部極值點(diǎn)，則所述 點(diǎn)為感興趣區(qū)域的關(guān)鍵點(diǎn)。
5. 根據(jù)權(quán)利要求4所述的方法，其特征是：所述判斷局部極值點(diǎn)的方法為： 所述差分金字塔圖像上的被檢測(cè)點(diǎn)與在同一個(gè)維度上以及上下相鄰維度對(duì)應(yīng)的26個(gè) 點(diǎn)比較，以確保在尺度空間和二維圖像空間都檢測(cè)到極值點(diǎn)。
6. 根據(jù)權(quán)利要求1所述的方法，其特征是：將所述關(guān)鍵點(diǎn)分別生成特征向量的具體過(guò) 程為： 利用所述關(guān)鍵點(diǎn)鄰域像素的梯度方向分布特性，為每個(gè)關(guān)鍵點(diǎn)指定方向，關(guān)鍵點(diǎn)描述 子相對(duì)于此方向表征，從而使關(guān)鍵點(diǎn)描述子對(duì)圖像旋轉(zhuǎn)具有不變性； 確定提取關(guān)鍵點(diǎn)圖像的變換參數(shù)； 將關(guān)鍵點(diǎn)的坐標(biāo)移至主方向； 在以關(guān)鍵點(diǎn)為中心16*16的區(qū)域內(nèi)，對(duì)每個(gè)以4*4的區(qū)域內(nèi)計(jì)算8方向的梯度直方圖， 統(tǒng)計(jì)每個(gè)梯度的累積值，形成一個(gè)種子點(diǎn)，共生成16種子點(diǎn)，128維向量； 對(duì)得到的特征向量進(jìn)行閾值化和向量歸一化，得到歸一化后的特征向量。
7. 根據(jù)權(quán)利要求1所述的方法，其特征是：將普通相機(jī)圖像感興趣區(qū)域關(guān)鍵點(diǎn)的特征 向量與所述混合圖像關(guān)鍵點(diǎn)的特征向量進(jìn)行匹配的具體過(guò)程為： 分別對(duì)感興趣區(qū)域灰度圖像以及經(jīng)伽馬相機(jī)得到的混合圖建立關(guān)鍵點(diǎn)描述子集合； 對(duì)兩點(diǎn)集內(nèi)關(guān)鍵點(diǎn)描述子進(jìn)行相似性對(duì)比，具有128維的關(guān)鍵點(diǎn)描述子的相似性度量 采用歐式距離，得到配對(duì)的特征點(diǎn)描述子； 找出γ圖像和普通相機(jī)圖像中的匹配點(diǎn)云，然后計(jì)算得到所述匹配點(diǎn)云之間的變換 矩陣。
8. 根據(jù)權(quán)利要求1所述的方法，其特征是：所述S3步驟中加權(quán)融合的算法具體為： 5 = Η； · /V(Zr)+ V·,;. · /V(C)+ W； · ,v(〇) 其中，wt+wc+w0= Io
【專利摘要】本發(fā)明公開(kāi)了一種基于視覺(jué)注意機(jī)制的核環(huán)境中目標(biāo)檢測(cè)方法，包括：對(duì)普通相機(jī)采集到的圖像的亮度、顏色、方向特征進(jìn)行提取，得到三個(gè)特征顯著性圖；對(duì)上述顯著性圖進(jìn)行加權(quán)融合，得到加權(quán)顯著圖；根據(jù)加權(quán)顯著圖獲得感興趣區(qū)域并對(duì)其進(jìn)行特征提?。惶崛ˇ孟鄼C(jī)混合圖的特征；用SIFT方法將感興趣性區(qū)域與混合圖融合，檢測(cè)目標(biāo)位置。本發(fā)明利用自下而上數(shù)據(jù)驅(qū)動(dòng)注意模型提取出若干感興趣區(qū)域，大大降低后期匹配過(guò)程的計(jì)算量；再將其與自上而下任務(wù)驅(qū)動(dòng)注意模型相結(jié)合建立雙向視覺(jué)注意模型，能大大提高圖像中目標(biāo)區(qū)域檢測(cè)的精度和處理效率，而且匹配過(guò)程消除了場(chǎng)景中不相關(guān)區(qū)域的干擾，使提取的作業(yè)目標(biāo)具有更好的魯棒性和準(zhǔn)確性。
【IPC分類】G06T7-00
【公開(kāi)號(hào)】CN104835175
【申請(qǐng)?zhí)枴緾N201510272424
【發(fā)明人】史晉芳, 王德嬌, 劉桂華, 張華 , 劉滿祿, 張靜
【申請(qǐng)人】西南科技大學(xué)
【公開(kāi)日】2015年8月12日
【申請(qǐng)日】2015年5月26日