專(zhuān)利名稱(chēng)：一種目標(biāo)搜索方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，特別涉及一種目標(biāo)搜索方法。
背景技術(shù)：
科學(xué)技術(shù)的不斷發(fā)展使得各類(lèi)信息量急劇增長(zhǎng)，如何使計(jì)算機(jī)有效地處理多媒體信息，從中獲取需要的信息是亟待解決的問(wèn)題。而人眼能夠?qū)M(jìn)入視網(wǎng)膜的海量信息很快做出反應(yīng)，因此希望能夠模擬人類(lèi)的視覺(jué)處理機(jī)制從大量、冗余的復(fù)雜場(chǎng)景數(shù)字圖像數(shù)據(jù)中快速、準(zhǔn)確地獲取我們尋找的目標(biāo)區(qū)域，提高數(shù)字圖像處理的效率和準(zhǔn)確性。1998年 Itti和Koch等人提出了一種自底向上的選擇性注意模型——Itti模型，具體可參見(jiàn)文獻(xiàn) L Itti，C. Koch. Ε. Niebur. A model of saliency-based visual attention for rapid scene analysis. Pattern Analysis and Machine Intelligence,IEEE Transactions on, 1998,20(11) :1254-1259.這種方法充分利用了濾波器的思想并且模擬了視覺(jué)生理機(jī)制中的感受野的中央外周機(jī)制機(jī)返回抑制機(jī)制，形成了一個(gè)擬生理結(jié)構(gòu)的計(jì)算模型。從整體來(lái)說(shuō)，它基本完成了對(duì)初期視覺(jué)注意機(jī)制的建模，對(duì)于研究生理意義上的視覺(jué)選擇性注意機(jī)制有重要的意義。但是用該模型僅利用了圖像本身的信息，忽略了搜索任務(wù)對(duì)人眼的調(diào)制， 因此對(duì)目標(biāo)顯著區(qū)域的檢測(cè)準(zhǔn)確性低。在文獻(xiàn)Antonio Torralba, Aude Oliva, Monica S. Castelhano. Contextual Guidance of Eye Movement and Attention in Real—World Scenes :The Role ofGlobal Features in Object Search. Psychological Review,2006, Vol. 113，No. 4，766-786，提出了一種采用高斯濾波獲取圖像全局信息的計(jì)算方法，通過(guò)學(xué)習(xí)獲取圖像全局信息與目標(biāo)坐標(biāo)的分布函數(shù)，同時(shí)采用指數(shù)分布函數(shù)模擬圖像局部信息的分布，結(jié)合兩個(gè)分布函數(shù)之積獲取人眼的注視位置。但是該模型計(jì)算全局信息的過(guò)程中忽略了人眼在獲取圖像全局信息中的多尺度特性，不符合人眼在圖像中的目標(biāo)搜索過(guò)程，沒(méi)有準(zhǔn)確地同局部信息結(jié)合。

發(fā)明內(nèi)容
本發(fā)明的目的是為了解決現(xiàn)有的注意模型對(duì)復(fù)雜場(chǎng)景中目標(biāo)搜索時(shí)存在的缺陷， 提出了一種目標(biāo)搜索方法。本發(fā)明的技術(shù)方案是一種目標(biāo)搜索方法，包括對(duì)訓(xùn)練圖像進(jìn)行訓(xùn)練的步驟和對(duì)目標(biāo)圖像進(jìn)行搜索的步驟，其中，對(duì)訓(xùn)練圖像進(jìn)行訓(xùn)練的步驟具體包括如下分步驟Si.小波變換對(duì)訓(xùn)練圖像進(jìn)行小波變換，分別獲得每個(gè)訓(xùn)練圖像的高頻成分矩陣和低頻成分矩陣；S2.高斯濾波分別對(duì)每個(gè)訓(xùn)練圖像高頻成分矩陣和低頻成分矩陣進(jìn)行高斯濾波得到每個(gè)訓(xùn)練圖像的高頻全局特征和低頻全局特征；S3.主分量提取采用PCA算法分別提取訓(xùn)練圖像的高頻全局特征和低頻全局特征的主分量；S4.確定分布函數(shù)從訓(xùn)練圖像中選取若干個(gè)圖像，利用步驟S3得到的高頻全局
3特征和低頻全局特征的主分量與若干個(gè)圖像的目標(biāo)坐標(biāo)，通過(guò)EM算法學(xué)習(xí)得到混合高斯函數(shù)的參數(shù)，確定分布函數(shù)。對(duì)目標(biāo)圖像進(jìn)行搜索的步驟具體包括如下分步驟S5.提取全局特征向量對(duì)目標(biāo)圖像進(jìn)行小波變換，分別獲得目標(biāo)圖像的高頻成分矩陣和低頻成分矩陣；對(duì)獲得的高頻成分矩陣和低頻成分矩陣進(jìn)行高斯濾波得到目標(biāo)圖像的高頻全局特征和低頻全局特征；將得到的高頻全局特征和低頻全局特征分別映射到步驟S3得到的高頻全局特征和低頻全局特征的主分量，獲得高頻全局特征向量和低頻全局特征向量；S6.獲取目標(biāo)分布圖像分別將步驟S5得到的高頻全局特征向量和目標(biāo)圖像的坐標(biāo)矩陣以及步驟S5得到的低頻全局特征向量和目標(biāo)圖像的坐標(biāo)矩陣輸入到步驟S4得到的分布函數(shù)，確定高頻分布矩陣和低頻分布矩陣，將高頻分布矩陣和低頻分布矩陣進(jìn)行疊加得到分布矩陣，將分布矩陣與目標(biāo)圖相乘得到目標(biāo)分布圖像；S7.特征提取從步驟S6得到的目標(biāo)分布圖像提取兩個(gè)顏色特征金字塔，強(qiáng)度特征金字塔以及四個(gè)方向特征金字塔；S8.特征疊加對(duì)步驟S7得到的7個(gè)特征金字塔分別進(jìn)行中央-周邊操作和規(guī)范化，得到7個(gè)子特征金字塔，分別對(duì)顏色，強(qiáng)度，方向的特征金字塔進(jìn)行疊加，得到3個(gè)特征圖，對(duì)得到的3個(gè)特征圖進(jìn)行規(guī)范化，然后對(duì)規(guī)范化后的3個(gè)特征圖進(jìn)行疊加，得到一幅顯著圖。本發(fā)明的有益效果本發(fā)明基于人類(lèi)大腦視覺(jué)信息處理機(jī)制，模擬人眼搜索過(guò)程提出了一種目標(biāo)搜索方法。本發(fā)明的方法通過(guò)小波變換模擬人眼在全局特征提取中的多尺度特性，再采用高斯濾波獲取高頻和低頻全局特征，利用圖像全局特征與目標(biāo)位置的分布函數(shù)得到目標(biāo)分布圖像，再?gòu)闹刑崛?qiáng)度特征金字塔、顏色特征金字塔以及方向特征金字塔，整合成為一幅顯著圖。本發(fā)明的方法通過(guò)高斯濾波獲取圖像的全局信息，通過(guò)訓(xùn)練圖像全局特征與目標(biāo)位置得到的分布函數(shù)模擬圖像中的目標(biāo)對(duì)人眼注意的自頂向下的調(diào)制，提取強(qiáng)度，顏色，方向等特征模擬自底向上的調(diào)制，更準(zhǔn)確的模擬了人眼搜索過(guò)程，同時(shí)在獲取圖像全局信息的過(guò)程中考慮了人眼的多尺度特性，更合人眼視覺(jué)習(xí)慣，提高了結(jié)果的準(zhǔn)確性。


圖1是本發(fā)明目標(biāo)搜索方法的流程示意圖。圖2是本發(fā)明的方法對(duì)一幅自然圖像進(jìn)行目標(biāo)搜索的顯著圖與經(jīng)典模型檢測(cè)作比較的結(jié)果圖。
具體實(shí)施例方式下面結(jié)合附圖和具體的實(shí)施例對(duì)本發(fā)明做進(jìn)一步的闡述。本發(fā)明模擬人眼搜索過(guò)程，先計(jì)算場(chǎng)景的全局信息引導(dǎo)注意轉(zhuǎn)移到目標(biāo)可能存在區(qū)域，再由目標(biāo)可能存在區(qū)域的局部的細(xì)節(jié)信息搜索目標(biāo)。下面以一幅自然場(chǎng)景的目標(biāo)搜索進(jìn)行具體說(shuō)明。如圖加所示，首先從圖片庫(kù)中選出一幅自然圖像作為目標(biāo)圖像，圖像大小為600X800。具體搜索方法的流程如圖1所示，具體過(guò)程如下其中訓(xùn)練圖像的數(shù)目為2000幅，訓(xùn)練圖像的大小為1280X1400且所有訓(xùn)練圖像
中目標(biāo)的位置坐標(biāo)已標(biāo)定。Si.小波變換對(duì)訓(xùn)練圖像進(jìn)行小波變換，獲得高頻成分矩陣和低頻成分矩陣；這里的小波變換指的是先對(duì)訓(xùn)練圖像進(jìn)行小波分解，然后再分別對(duì)高頻系數(shù)和低頻系數(shù)分別重構(gòu)，進(jìn)而獲得高頻成分矩陣和低頻成分矩陣，在本實(shí)施例中即將彩色訓(xùn)練圖像進(jìn)行尺度調(diào)整和灰度處理后，通過(guò)復(fù)數(shù)小波進(jìn)行一層小波分解，獲得六個(gè)方向(30°， 60°，90°，120°，150°，180° )的高頻系數(shù)和以兩個(gè)低頻系數(shù)。重構(gòu)這六個(gè)方向的高頻系數(shù)，然后將所有的高頻成分線性疊加起來(lái)后量化編碼得到一個(gè)高頻成分矩陣；將低頻系數(shù)重構(gòu)并線性疊加然后量化編碼可以得到低頻成分矩陣；S2.高斯濾波分別對(duì)每個(gè)訓(xùn)練圖像的高頻成分矩陣和低頻成分矩陣進(jìn)行高斯濾波得到每個(gè)訓(xùn)練圖像的高頻全局特征和低頻全局特征；這里的高斯濾波具體為進(jìn)行四個(gè)尺度六個(gè)方向的高斯濾波，即是分別將高頻和低頻成分矩陣同六個(gè)方向的高斯金字塔卷積，六個(gè)方向具體為(30°，60°，90°，120°， 150°，180° )。這里的金字塔為4層，其中第0層是訓(xùn)練圖像，1到3層分別是用離散高斯濾波器對(duì)訓(xùn)練圖像進(jìn)行濾波和采樣形成的，大小為訓(xùn)練圖像的1/2到1/16。對(duì)高頻和低頻高斯金字塔分別進(jìn)行采樣，每個(gè)方向的每一層采樣后為1X16的向量，最終得到兩個(gè)1X384 的向量，分別對(duì)應(yīng)訓(xùn)練圖像的高頻和低頻的全局特征。S3.主分量提取采用PCA算法分別提取訓(xùn)練圖像的高頻全局特征和低頻全局特征的主分量；將所有訓(xùn)練圖像的高頻和低頻的全局特征分別組合為兩個(gè)全局特征矩陣，矩陣大小為2000X384。用PCA算法對(duì)兩個(gè)矩陣分別進(jìn)行主成份分析，提取前100個(gè)主分量，得到高頻全局特征和低頻全局特征的主分量，大小為100X384。這里，PCA算法具體可參考文獻(xiàn)Hancock PJB, Baddeley R J, Smith L S. The principal components of natural images. Network Computation in Neural Systems, 1992,3 :61-71oS4.確定分布函數(shù)從訓(xùn)練圖像中選取500幅圖像，利用步驟S3得到的高頻全局特征和低頻全局特征的主分量與若干個(gè)圖像的目標(biāo)坐標(biāo)，通過(guò)EM算法學(xué)習(xí)得到混合高斯函數(shù)的參數(shù)，確定分布函數(shù)；這里,EM算法具體可參考文獻(xiàn)Arthur Dempster, Nan Laird, and Donald Rubin. Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society, Series B,39(1) :1_38,19770這里的分布函數(shù)是圖像的全局特征與目標(biāo)位置坐標(biāo)的聯(lián)合概率分布函數(shù)，即式 (1)的P(x，GlO= 1)，用混合高斯函數(shù)模擬，如式(1)所示，其中0= 1代表圖像中目標(biāo)存在，X代表目標(biāo)坐標(biāo)，G代表圖像全局信息，P(X，G|0= 1)代表在目標(biāo)存在的情況下，目標(biāo)的坐標(biāo)和圖像全局信息的聯(lián)合分布函數(shù)4表示高斯函數(shù)，μ 和An分別表示坐標(biāo)高斯函數(shù)的均值向量和協(xié)方差矩陣，( 和Yn分別代表全局信息高斯函數(shù)的均值向量和協(xié)方差矩陣，
N
JIn表示權(quán)重且=1，N = 4。
5
P(X, G|C = 1) = X P{n)P{X | n)P{G | ) = Χ πηφ{(diào)Χ· μη, Λ 么,&)式
η=\η=\
(ι)采用EM算法，用目標(biāo)位置坐標(biāo)和步驟S3獲得的主分量估計(jì)μη，An, ζ η, ^和
Π η。S5.提取全局特征向量對(duì)目標(biāo)圖像進(jìn)行小波變換，分別獲得目標(biāo)圖像的高頻成分矩陣和低頻成分矩陣；對(duì)獲得的高頻成分矩陣和低頻成分矩陣進(jìn)行高斯濾波得到目標(biāo)圖像的高頻全局特征和低頻全局特征；將得到的高頻全局特征和低頻全局特征分別映射到步驟S2得到的高頻全局特征和低頻全局特征的主分量，獲得高頻全局特征向量和低頻全局特征向量；這里的高斯濾波具體為進(jìn)行四個(gè)尺度六個(gè)方向的高斯濾波，即是分別將高頻和低頻成分矩陣同六個(gè)方向的高斯金字塔卷積，六個(gè)方向具體為(30°，60°，90°，120°， 150°，180° )。這里的金字塔為4層，其中第0層是目標(biāo)圖像，1到3層分別是用離散高斯濾波器對(duì)目標(biāo)圖像進(jìn)行濾波和采樣形成的，大小為目標(biāo)圖像的1/2到1/16。對(duì)高頻和低頻高斯金字塔分別進(jìn)行采樣，每個(gè)方向的每一層采樣后為1X16的向量，最終得到兩個(gè)1X384 的向量，分別對(duì)應(yīng)目標(biāo)圖像的高頻和低頻的全局特征。S6.獲取目標(biāo)分布圖像分別將步驟S5得到的高頻全局特征向量和目標(biāo)圖像的坐標(biāo)矩陣以及步驟S5得到的低頻全局特征向量和目標(biāo)圖像的坐標(biāo)矩陣輸入到步驟S4得到的分布函數(shù)，確定高頻分布矩陣和低頻分布矩陣，將高頻分布矩陣和低頻分布矩陣進(jìn)行疊加得到分布矩陣，將分布矩陣與目標(biāo)圖相乘得到目標(biāo)分布圖像；這里的坐標(biāo)點(diǎn)矩陣大小為74X99，通過(guò)對(duì)600X800的坐標(biāo)位置矩陣采樣得到，采樣率為8.S7.特征提取從步驟S5得到的目標(biāo)分布圖像提取兩個(gè)顏色特征金字塔，強(qiáng)度特征金字塔以及四個(gè)方向特征金字塔；其中，強(qiáng)度特征是由紅、綠、藍(lán)三種顏色分量的平均值得到；方向特征是其使用四個(gè)方向(0°，45°，90°，135° )的Gabor濾波器直接對(duì)強(qiáng)度特征進(jìn)行濾波，即可得到四個(gè)方向(0°，45°，90°，135° )上的方向特征映射圖；顏色特征分別計(jì)算對(duì)應(yīng)于紅-綠/ 綠-紅色對(duì)的特征圖MKe和對(duì)應(yīng)于藍(lán)-黃/黃-藍(lán)色對(duì)的特征圖Mby，以像素點(diǎn)Q00200)為例，對(duì)應(yīng)的紅、綠、藍(lán)顏色值為0. 5529,0. 8078,0. 1569，那么這個(gè)點(diǎn)的Mffi就是紅、綠顏色矩陣值相減再除以紅、綠、藍(lán)三個(gè)值中最大的值，即0.3155，如果紅、綠、藍(lán)三個(gè)值中最大的值小于0. 1，則Mby和Mffi都?xì)w零，進(jìn)而可以得到兩個(gè)顏色特征金字塔、四個(gè)方向特征金字塔和一個(gè)強(qiáng)度特征金字塔。S8.特征疊加對(duì)得到的7個(gè)特征金字塔分別進(jìn)行中央-周邊操作和規(guī)范化，得到 7個(gè)子特征金字塔，分別對(duì)顏色，強(qiáng)度，方向的特征金字塔進(jìn)行疊加，得到3個(gè)特征圖，對(duì)得到的3個(gè)特征圖進(jìn)行規(guī)范化，然后對(duì)規(guī)范化后的3個(gè)特征圖進(jìn)行疊加，得到一幅目標(biāo)顯著圖。中央-周邊操作和規(guī)范化可參考文獻(xiàn)L. Itti，C. Koch, Ε. Niebur, A model of saliency-based visual attention for rapid scene analysis, Pattern Analysis and Machine Intelligence, IEEE Transactions on，1998，Vol. 20 (11)，1254—1259。具體過(guò)程如下中央-周邊操作是在兩個(gè)金字塔層之間進(jìn)行，將高層金字塔圖像利用插值放大到低層圖像的尺寸，再對(duì)兩圖像進(jìn)行點(diǎn)對(duì)點(diǎn)的減法操作。由視覺(jué)尺度問(wèn)題知道，金字塔的不同層對(duì)應(yīng)了視覺(jué)中的不同尺度，金字塔的低層稱(chēng)為主尺度，與該主尺度相差的層數(shù)稱(chēng)為尺度差，令主尺度c e {1，2，3}，周邊尺度s = c+δ，δ =2，δ即為尺度差，通過(guò)計(jì)算不同尺度和尺度差的高斯差圖像，來(lái)提取圖像的信息。中央-周邊操作高斯金字塔后可以得到3個(gè)子特征金字塔，即為21個(gè)不同尺度的子特征映射圖。由于對(duì)單幅獨(dú)立圖像進(jìn)行顯著區(qū)域提取，沒(méi)有先驗(yàn)知識(shí)，通過(guò)規(guī)范化算子Ν( ·)來(lái)增強(qiáng)顯著峰較少的特征圖，同時(shí)削弱存在大量顯著峰的特征圖，在特征映射圖中，存在最顯著區(qū)域(顯著性最大)和其它一些較感興趣(顯著性局部極大)。根據(jù)皮層中的側(cè)抑制機(jī)制，當(dāng)這一最顯著值與局部顯著值差值較小時(shí)，則認(rèn)為特征圖中的顯著區(qū)域顯著性并不獨(dú)特，相反，若差值較大，則認(rèn)為顯著性大的區(qū)域的確有很高的顯著性。因此需要將映射圖規(guī)范化，首先計(jì)算特征映射圖的全局最大值Μ，將映射圖歸一化到
的區(qū)間內(nèi)，然后計(jì)算映射圖中除M之外的所有局部最大值的平均值^，用(Μ-S)2乘以特征圖。對(duì)3個(gè)子特征金字塔分別進(jìn)行疊加，得到3個(gè)特征圖，對(duì)得到的3個(gè)特征圖進(jìn)行規(guī)范化，然后對(duì)規(guī)范化后的3個(gè)特征圖進(jìn)行疊加，得到一幅顯著圖，具體為21個(gè)不同尺度的子特征映射圖具體分為兩類(lèi)顏色特征映射圖、一類(lèi)強(qiáng)度特征映射圖、四類(lèi)方向特征映射圖， 每類(lèi)特征包含3個(gè)子特征映射圖，一共21個(gè)子特征映射圖。將每類(lèi)特征里面的3個(gè)子特征映射圖進(jìn)行點(diǎn)對(duì)點(diǎn)相加后規(guī)格化處理，得到一個(gè)特征映射圖；如果某種特征不止一類(lèi)特征映射圖，例如顏色特征有兩類(lèi)特征映射圖，則這兩類(lèi)特征映射圖再相加，得到顏色特征映射圖。圖2為采用本發(fā)明方法對(duì)自然圖像進(jìn)行目標(biāo)搜索，將結(jié)果與人類(lèi)眼動(dòng)數(shù)據(jù)構(gòu)成的顯著圖和單一計(jì)算局部信息經(jīng)典的Itti模型和單一用全局信息的自頂向下模型對(duì)比的圖組。其中2a.輸入自然圖像，2b.人眼顯著圖，2c.通過(guò)全局信息獲取的目標(biāo)分布圖像， 2d. Itti模型檢測(cè)所得顯著圖像，2e.本方法檢測(cè)得到的顯著圖。從圖中可以看出，基于全局信息的自頂向下模型能將檢測(cè)出目標(biāo)可能存在的區(qū)域的縱坐標(biāo)，并不能分辨出水平方向的不同區(qū)域。Itti模型包含了很多非人眼注視區(qū)域，本發(fā)明的方法計(jì)算得到的顯著圖與人類(lèi)顯著圖更接近，證明了該方法在顯著檢測(cè)中的可行性。本領(lǐng)域的普通技術(shù)人員將會(huì)意識(shí)到，這里所述的實(shí)施例是為了幫助讀者理解本發(fā)明的原理，應(yīng)被理解為本發(fā)明的保護(hù)范圍并不局限于這樣的特別陳述和實(shí)施例。本領(lǐng)域的普通技術(shù)人員可以根據(jù)本發(fā)明公開(kāi)的這些技術(shù)啟示做出各種不脫離本發(fā)明實(shí)質(zhì)的其它各種具體變形和組合，這些變形和組合仍然在本發(fā)明的保護(hù)范圍內(nèi)。
權(quán)利要求
1. 一種目標(biāo)搜索方法，包括對(duì)訓(xùn)練圖像進(jìn)行訓(xùn)練的步驟和對(duì)目標(biāo)圖像進(jìn)行搜索的步驟，其中，對(duì)訓(xùn)練圖像進(jìn)行訓(xùn)練的步驟具體包括如下分步驟S1.小波變換對(duì)訓(xùn)練圖像進(jìn)行小波變換，分別獲得每個(gè)訓(xùn)練圖像的高頻成分矩陣和低頻成分矩陣；S2.高斯濾波分別對(duì)每個(gè)訓(xùn)練圖像高頻成分矩陣和低頻成分矩陣進(jìn)行高斯濾波得到每個(gè)訓(xùn)練圖像的高頻全局特征和低頻全局特征；S3.主分量提取采用PCA算法分別提取訓(xùn)練圖像的高頻全局特征和低頻全局特征的主分量；S4.確定分布函數(shù)從訓(xùn)練圖像中選取若干個(gè)圖像，利用步驟S3得到的高頻全局特征和低頻全局特征的主分量與若干個(gè)圖像的目標(biāo)坐標(biāo)，通過(guò)EM算法學(xué)習(xí)得到混合高斯函數(shù)的參數(shù)，確定分布函數(shù)。對(duì)目標(biāo)圖像進(jìn)行搜索的步驟具體包括如下分步驟S5.提取全局特征向量對(duì)目標(biāo)圖像進(jìn)行小波變換，分別獲得目標(biāo)圖像的高頻成分矩陣和低頻成分矩陣；對(duì)獲得的高頻成分矩陣和低頻成分矩陣進(jìn)行高斯濾波得到目標(biāo)圖像的高頻全局特征和低頻全局特征；將得到的高頻全局特征和低頻全局特征分別映射到步驟 S3得到的高頻全局特征和低頻全局特征的主分量，獲得高頻全局特征向量和低頻全局特征向量；S6.獲取目標(biāo)分布圖像分別將步驟S5得到的高頻全局特征向量和目標(biāo)圖像的坐標(biāo)矩陣以及步驟S5得到的低頻全局特征向量和目標(biāo)圖像的坐標(biāo)矩陣輸入到步驟S4得到的分布函數(shù)，確定高頻分布矩陣和低頻分布矩陣，將高頻分布矩陣和低頻分布矩陣進(jìn)行疊加得到分布矩陣，將分布矩陣與目標(biāo)圖相乘得到目標(biāo)分布圖像；S7.特征提取從步驟S6得到的目標(biāo)分布圖像提取兩個(gè)顏色特征金字塔，強(qiáng)度特征金字塔以及四個(gè)方向特征金字塔；S8.特征疊加對(duì)步驟S7得到的7個(gè)特征金字塔分別進(jìn)行中央-周邊操作和規(guī)范化，得到7個(gè)子特征金字塔，分別對(duì)顏色，強(qiáng)度，方向的特征金字塔進(jìn)行疊加，得到3個(gè)特征圖，對(duì)得到的3個(gè)特征圖進(jìn)行規(guī)范化，然后對(duì)規(guī)范化后的3個(gè)特征圖進(jìn)行疊加，得到一幅顯著圖。
全文摘要
本發(fā)明屬于計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，公開(kāi)了一種目標(biāo)搜索方法。具體包括小波變換、高斯濾波、主分量提取、確定分布函數(shù)、提取全局特征向量、獲取目標(biāo)分布圖像、特征提取和特征疊加步驟。本發(fā)明的方法通過(guò)高斯濾波獲取圖像的全局信息，通過(guò)訓(xùn)練圖像全局特征與目標(biāo)位置得到的分布函數(shù)模擬圖像中的目標(biāo)對(duì)人眼注意的自頂向下的調(diào)制，提取強(qiáng)度，顏色，方向等特征模擬自底向上的調(diào)制，更準(zhǔn)確的模擬了人眼搜索過(guò)程，同時(shí)在獲取圖像全局信息的過(guò)程中考慮了人眼的多尺度特性，更適合人眼視覺(jué)習(xí)慣，提高了結(jié)果的準(zhǔn)確性。
文檔編號(hào)G06K9/66GK102339393SQ20111027123
公開(kāi)日2012年2月1日 申請(qǐng)日期2011年9月14日 優(yōu)先權(quán)日2011年9月14日
發(fā)明者何琦, 李朝義, 李永杰 申請(qǐng)人:電子科技大學(xué)