生物视觉的目标检测研究目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机图像处理技术对目标进行实时跟踪研究越来越热门，对目标进行动态实时跟踪定位在智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。在计算机视觉研究方面，依据人类视觉选择注意的基本原理，开发能够进行智能图像信息处理的计算机视觉注意模型就成为我们的一大任务。 HM000049
本课题基于生物视觉，侧重点为人类的选择性视觉注意机制，阐述了视觉注意机制现阶段主要分为自底向上和自顶向下两类建模的现阶段国内外状况，介绍了Treisman特征融合理论(Treisman et al.1980)、Koch神经生物学框架(Koch et al.1985)，主要就自底向上的计算模型（Itti视觉计算模型）做了具体分析并通过调整相关参数包括中心-周围尺度δ（δ=s-c），中心标度c，显著图标度σ，特征（颜色、亮度、方向）权值计算提取显著图的最优参数。
实验结果证明最优参数提高了显著图质量，使得计算系统具有更好的性能指标并且更加符合人类主观评价。视觉注意计算模型的研究，不但有助于探索人类视觉信息处理的工作机理，而且对于解决数据筛选问题和提高计算机的信息处理效率有着重要的意义。
关键词:目标检测；生物视觉；显著图；最优参数；自底向上
2.1.2 心理学特点
心理学研究发现，在静态场景中，那些能够产生新异的刺激、较强的刺激和人们所期待的视觉对象容易引起观察者的注意。心理学中称为刺激驱动捕获和目的指向选择。而在计算机视觉领域，则将上述两种注意分别称作自底向上(bottom- up attention)和自顶向下(top- down attention)的视觉注意。自底向上型的视觉注意由数据驱动、独立于具体任务；而自顶向下型的视觉注意受意识支配、依赖于具体任务。在这两种视觉注意中，注意焦点(FOA)的选择具有以下特点(Zabrodsky et al.1990):
1.单焦点（Single Focus）：同一时刻只能存在一个注意焦点；
2.缩放性（zoom Lens）：注意焦点的空间范围可以扩大或缩小；
3.焦点转移（Refocus）：注意焦点能够由一个位置向另一个位置转移；
4.邻域优先（Proximity）：注意焦点发生转移时倾向于选择与当前注视内容接近的位置；
5.返回抑制（Inhibition of Return）：注意焦点发生转移时会抑制返回最近被选择过的注视内容。
3.3.2 Gabor滤波查看完整请+Q:351916072获取
Gabor 滤波器有许多优良的特性，它可取不同方向角对图像进行不同方位的滤波，从而达到提取不同方位特征的目的。Gabor 滤波器还是一个在空域和频域能同时达到测不准原理下限的滤波器，这使得Gabor 滤波器能在空域和频域都能达到较好的局部化。有研究表明Gabor 滤波器和人的视角接收场模型吻合，即人类视角是将投影于视网膜上的图像经过一系列滤波器进行滤波，然后将这多通道输出的成分进行综合最终形成视角的，这一系列滤波器可以用不同中心
Matlab中Gabor代码如下：
function filter = makeGaborFilter(gaborParams, angle, varargin)
if isempty(varargin)
makeDisk = 0;
else
makeDisk = varargin{1};
end
% repare parameters
major_stddev = gaborParams.stddev;
minor_stddev = major_stddev * gaborParams.elongation;
max_stddev = max(major_stddev,minor_stddev);
sz = gaborParams.filterSize;
if (sz == -1)
sz = ceil(max_stddev*sqrt(10));
else
sz = floor(sz/2);
end
rtDeg = pi / 180 * angle;
omega = 2 * pi / gaborParams.filterPeriod;
co = cos(rtDeg);
si = -sin(rtDeg);
major_sigq = 2 * major_stddev^2;
minor_sigq = 2 * minor_stddev^2;
% prepare grids for major and minor components
vec = [-sz:sz];
vlen = length(vec);
vco = vec*co;
vsi = vec*si;
major = repmat(vco',1,vlen) + repmat(vsi,vlen,1);
major2 = major.^2;
minor = repmat(vsi',1,vlen) - repmat(vco,vlen,1);
minor2 = minor.^2;
phase0 = exp(- major2 / major_sigq - minor2 / minor_sigq);
% create the actual filters
for p = 1:length(gaborParams.phases)
psi = pi / 180 * gaborParams.phases(p);
result = cos(omega * major + psi) .* phase0;
% enforce disk shape?
if (makeDisk)
result((major2+minor2) > (gaborParams.filterSize/2)^2) = 0;
end
% normalization
result = result - mean(result(:));
filter(:,:,p) = result / sqrt(sum(result(:).^2));
end频率和不同空间方位的Gabor 滤波器很好地拟合。
摘 要 I查看完整请+Q:351916072获取
ABSTRACT II
第一章 绪论 1
1.1 研究的目的和意义 1
1.2国内外研究现状 3
1.2.1 视觉注意的研究方法 3
1.2.2 自底向上视觉注意建模 3
1.2.3 自顶向下视觉注意建模 4
1.3本文研究内容及结构 5
第二章 视觉注意机制的介绍 6
2.1视觉注意机制的特点 6
2.1.1 早期视觉特征 7
2.1.2 心理学特点 7
2.1.3 注意焦点转移 8
2.2 视觉注意建模的理论基础 9
2.2.1 Treisman特征融合理论 9
2.2.2 Koch神经生物学框架 10
2.3 视觉注意建模的计算过程 13
2.3.1 显著度特征提取 13
2.3.2 显著区域的选择与转移 14
2.4 本章小结 15
第三章 基于动态特征融合的视觉注意建模 16
3.1 引言 16
3.2 Itti Saliency 模型 16
3.3 视觉显著度计算 20
3.3.1 高斯金字塔 20
3.3.2 Gabor滤波 22
3.3.3 中间—周边算子 24
3.3.4 IOR返回抑制机制 26
3.4 本章小结 29
第四章 视觉显著性的参数调整 30
4.1 引言 30
4.2 各参数调整的分析 31
4.2.1 调整中心-周围尺度δ 32
4.2.2 调整显著图标度σ 33
4.2.3 调整中心标度c 34
4.2.4 特征图的相对贡献 35
4.3最优参数 37
4.4 本章小结 37
第五章 总结与展望 38
参考文献 39
致谢 42查看完整请+Q:351916072获取
网友评论