CN109711420A - 基于人类视觉注意机制的多仿射目标的检测与识别方法 - Google Patents
基于人类视觉注意机制的多仿射目标的检测与识别方法 Download PDFInfo
- Publication number
- CN109711420A CN109711420A CN201811560332.XA CN201811560332A CN109711420A CN 109711420 A CN109711420 A CN 109711420A CN 201811560332 A CN201811560332 A CN 201811560332A CN 109711420 A CN109711420 A CN 109711420A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- region
- template
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人类视觉注意机制的多仿射目标的检测与识别方法,选择扫描窗口尺寸,对于由多个目标图像组成的原始场景图,每平移一次扫描窗口,对当前窗口W内的目标图像进行生物变换,得到目标特征图M,选取区域N,与模板特征图进行区域匹配,获取与区域N匹配度r>0.95的模板特征图为候选目标;根据候选目标与M匹配区域的水平或垂直位置,判断窗口W下的目标图像相较于模板图像旋转的角度或缩放的倍数,将窗口W下的目标图像根据当前旋转角度或缩放倍数;将还原后的目标图像再次进行一次生物变换,利用特征变换图对候选目标特征图进行验证,将与特征变换图距离最小的候选目标作为最终识别目标。本发明得到的识别图像有较高的准确性。
Description
技术领域
本发明涉及生物信息与视觉技术的交叉领域,具体涉及一种基于人类视觉注意机制的多仿射目标的检测与识别方法。
背景技术
单场景中多目标的识别是计算机视觉领域的热点问题,当场景中的目标经过旋转、缩放后,传统的机器学习方法是很难实现场景中多仿射目标的识别。众所周知,人类视觉注意机制能够迅速扫描当前场景中的目标图像,不论目标图像经过怎样的旋转缩放变换,人类视觉***都能有效地进行仿射目标图像的识别,并且不受场景亮暗的影响。传统的目标图像检测方法主要分为:自上而下的基于颜色和形状的检测方法;对于基于颜色的检测方法,当场景出现光照强弱变化、颜色退化,基于颜色的处理方法是不适用的;基于形状的方法通常利用sobel边缘检测或Canny边缘检测目标轮廓的方法,但是对于场景中的多种不同仿射目标的情况来说,这种方法的性能较差;近几年,出现了一些基于人类视觉注意机制的目标检测方法,研究表明,人类视觉***可以迅速扫描整个场景,正确识别仿射图像。因此本发明提出了通过基于目标图像先验知识大小的扫描窗口的目标检测方法。
Hubel曾在Nature中报道,生物视觉皮质细胞对某些长度或方向的线条相应强烈,受此生物视觉的启发,通过模拟大脑视觉皮质细胞对线条响应的强度,提取目标图像不同长度和方向的线条特征,那么一种基于生物视觉感知机理的图像识别方法变成为了现实。近几年,出现了多种基于生物视觉的目标识别方法,大多数方法利用了Fourier Transform(FT)、Fourier-Mellin Transform(FM)、Fourier描述算子等。虽然FT变换能有效处理比例缩放图像的识别问题,但是旋转图像将导致FT频域变换发生角度旋转。FT功率谱具有平移不变性,但是许多空间位置的信息会丢失。VisNet是一种针对不变属性目标识别的视觉通道模型,但是该模型需要多次训练不同图像中各尺度的目标,否则难以实现仿射不变属性的特征提取。HMAX是一种四层计算单元组合结构的递阶模型,C单元利用非线性最大池操作,实现目标缩放不变性,但是由于图像块的选取是随机的,该模型对旋转图像的识别效果较差,严重影响了识别效果。一种生物启发变换(BPT)的模型被提出,对目标图像进行两个阶段的特征提取,实验发现,如果对每一次平移窗口中的目标进行两阶段特征提取,会极大程度增加计算量,如果当前窗口无目标图像,两阶段的特征提取是没有意义的,因此,本发明只需要对目标图像进行一个阶段的特征提取,通过实验得到仿射图像的特征图与模板特征图之间的关系,对目标进行还原和特征提取,这样可以有效降低计算难度,提高效率,调高识别率,因此,如何模拟人类视觉注意机制,完成场景中多仿射目标的检测与识别,成为本发明需要解决的问题。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种基于人类视觉注意机制的多仿射目标的检测与识别方法,克服传统机器视觉方法带来的对多仿射目标识别率低的问题,通过计算机模拟人类视觉神经机制,提高场景中目标图像的识别率。
为解决上述技术问题,本发明所采用的技术方案是:一种用于多仿射目标检测与识别的基于人类视觉注意机制的方法,包括以下步骤:
步骤一:对于一幅由多个目标图像组成的原始场景图;选择一个合适的扫描窗口尺寸,从原始场景图的左上角开始,逐步向右、向下平移扫描窗口;其中目标图像为模板图像经过旋转、缩放后的图像;
步骤二:每平移一次扫描窗口,对当前窗口W内的目标图像进行一次生物变换,得到目标特征图M,选取目标特征图中像素高且边缘轮廓特征明显的区域N,与模板特征图进行区域匹配,判断是否有匹配的区域;若无匹配区域则证明该窗口无模板目标图像,若有匹配区域,获取与区域N匹配度r>0.95的模板特征图作为候选目标;
步骤三:根据步骤三中获取的候选目标与M匹配区域的水平或垂直位置,判断窗口W下的目标图像相较于模板图像旋转的角度或缩放的倍数,并将窗口W下的目标图像以当前参数旋转角度或缩放倍数,进行还原;
步骤四:将还原后的目标图像再次进行一次生物变换,利用特征变换图对候选目标特征图进行验证,将与特征变换图距离最小的候选目标作为最终识别目标;得到识别图像;
所述步骤一中扫描窗口尺寸的选择,是根据场景图中目标图像的先验知识来取的,该扫描窗口从原始图的左上角开始,逐步向右向下进行扫描,确保每一个位置都被扫描窗口扫描到;
所述步骤二中,对窗口内目标图像进行生物变换时,首先对窗口内图像使用方向边缘检测获取目标边缘图像,再对目标边缘图E进行不同角度θ和间距I的局部空间频率检测R(θ,I);其中,方向边缘检测由Gabor滤波Gθ,σ(x,y)和双极滤波F(θ)组成;当前窗口内图像I0,目标边缘图像E(θ,I)的计算公式如下:
其中,x,y是空间域像素的位置坐标,Fh(θ)代表水平子滤波器,Fv(θ)是垂直子滤波器。
在获取边缘图像的过程中,首先使用二维Gabor滤波器对窗口图像进行边缘滤波处理,用到的Gabor滤波器的公式如下:
其中,x′=xcosθ+ysinθ,y′=-xsinθ+ycosθ,x,y是空间域像素的位置坐标,λ表示波长,θ是Gabor滤波器的方向,是相位,γ是指定Gabor波椭圆率的空间纵横比,σ是高斯函数沿x轴和y轴的均方差。为了突出在所有波长和方向处的图像边缘,在对应于Gabor滤波器中心的每个采样点处定义Gabor滤波器组。
目标图像经过二维Gabor滤波器,再使用双极滤波,才可以得到目标边缘图,所述的双极滤波F(θ)由两个子滤波器组成,水平子滤波器的计算公式如下:
垂直子滤波器的计算公式如下:
其中S(x)作为权重因子,消除了当θ=0°时,目标边缘像素被移除的影响。
场景中的目标图像经过边缘检测得到边缘图像E之后,再对边缘图像E进行局部空间频率检测,即可获得目标图像的特征图,所述的局部空间频率检测计算方式如下:首先对边缘图E进行角度θ+90°和间隔为I的平移操作,得到平移后边缘图E(θ+90,I);再将平移前后的边缘图相乘,然后利用方向边缘图E的平方和进行归一化处理,得到特征图;其中局部空间频率检测R(θ,I)的计算公式如下:
其中,||E||代表边缘图E的平方和。
所述的步骤二中,在得到窗口W下目标图像的特征图M之后,选取目标特征图中像素梯度变化大的区域N,与模板特征图进行区域匹配的具体实现过程包括:任取两点aij和akj,使得|aij-akj|的像素值最大,其中aij与akj的距离i-k=n;构造一个n×n矩形框使得aij-akj作为该矩形框的水平中线,并截取目标特征图M中部分区域N,然后用区域N与模板特征图进行区域匹配,区域匹配的计算公式如下:
其中,n代表区域N的边长,T代表模板特征图中n×n的区域,和分别代表区域N和区域T的像素平均值;将含有区域匹配度r>0.95的模板特征图作为候选目标,并用将每个候选目标中区域匹配度得分最高的部分O用矩形框标出;
所述的步骤三中,根据目标特征图区域N与模板特征图区域O的相对位置,可以判断目标图像的旋转角度和缩放倍数,并将其进行还原;首先,记录目标特征图中区域m与模板区域O的水平或垂直的相对位置,即水平平移或垂直平移的像素值;根据第一阶段特征图的特性得知,当目标图像逆时针和顺时针旋转时,第一阶段特征图分别是向左和向右平移;当目标图像缩小和放大时,第一阶段特征图分别向上和向下平移;同时,第一阶段特征图水平或垂直的平移距离与旋转角度和缩放倍数存在一定线性关系,具体拟合函数的方法与函数关系式如下。以缩放倍数S和垂直距离dv为例,使得拟合的近似函数S与数据点(dvi,si)的误差平方和最小,误差平方和的计算公式为:当N与O的水平相对位置不变,N与O的垂直距离为dv,N在O上方则dv<0,反之dv>0,缩放倍数S与垂直距离dv之间的关系为:S=0.0001dv 2+0.0151dv+0.9739;当N与O的垂直相对位置不变,N与O的水平距离为dh,N在O左侧则dh<0,反之dh>0,旋转角度α与水平距离dh之间的关系为因此,根据求得的旋转角度或缩放倍数将目标图像进行还原,得到未经旋转缩放之前的图像;
获得目标图像的初始状态后,所述的步骤四中,需要对还原后的图像进行一次生物变换,并将特征图整形为一组特征向量,使用Pearson相关性来计算还原后的目标图像与模板图像特征向量,取Pearson相关距离最小的模板对应的分类标签作为最终识别结果,两个特征向量的Pearson相关距离计算公式如下:
其中,F={fi|i=1,···,Hi}表示待检测图像的特征向量,Hi示待检测图像的特征向量维度,表示待检测图像特征向量的平均值,Tk={ti k|i=1,···,Nj,k=1,···,K}表示模板数据库中第k幅图像的特征向量,Hi表示模板数据库中图像的特征向量维度,表示表示模板数据库中第k幅图像的特征向量的平均值。
本发明提供了一种基于人类视觉注意机制的多仿射目标的检测与识别方法,其步骤主要包括步骤一的扫描窗口尺寸的设定,步骤二窗口下目标图像的生物变换和区域匹配,步骤三的目标图像还原,步骤四的目标识别和Pearson相关距离计算;扫描窗口的设定是根据目标尺寸的先验知识设定的,生物变换是根据人类视觉注意机制设定的,包括边缘检测和局部空间频率检测两个部分,经过生物变换可以得到目标图像的特征图;区域匹配是选取特征图中n×n大小的像素高亮且边缘轮廓突出的部分与模板特征图进行匹配,区域匹配度r的范围为0~1,越接近1代表匹配度越高,选取8-12幅模板特征图作为候选目标;根据目标特征图与模板特征图的相对位置判断目标图像旋转和缩放角度,对目标图像进行还原,再将还原后的目标图像进行一次生物变换,将得到的特征图与模板特征图进行Pearson相关性匹配,最终识别目标。
相比较现有技术而言,该发明具有以下几点优点:
(1)从目标检测角度出发,采取的是选取合适尺寸的扫描窗口,从场景图的左上角开始逐步向右向下进行扫描;该方法模拟了人类视觉注意机制的目标检测方法,因为人类视觉***可以迅速且有序扫描整个场景并正确识别目标图像。
(2)在目标识别的过程中,仅对目标图像进行了一次生物变换,对于旋转的图像来说,特征图相对于模板特征图只是左右平移,对于缩放的目标图像来说,特征图相对于模板特征图是上下平移;平移距离与旋转角度和缩放倍数存在一定的函数关系;因此,可以通过区间匹配,得到目标特征图与模板特征图之间的相对距离,并对目标图像进行还原,这样的方法,极大程度降低了时间复杂度,并且提高识别性能。
(3)生物变换的过程是模拟人类大脑视觉识别目标图像的过程,通过模拟大脑视觉皮质细胞对线条响应的强度,提取目标图像不同长度和方向的线条特征,可以有效模拟基于生物视觉的目标识别方法;在生物变换的过程中分别采取了边缘检测和局部空间频率检测;通过生物变换,将旋转图像转化为特征图中的左右平移,将缩放图像转化为特征图中的上下平移,提高目标特征的稳定性。
附图说明
图1为本发明基于人类视觉注意机制的多仿射目标的检测与识别方法的总体框架图;
图2为本发明实施例的原始场景图;
图3为本发明实施例区域匹配度r>0.95的特征图;
图4为本发明实施例还原后的目标图像;其中(a)为最终识别的目标图像,(b)为(a)的生物特征图,(c)为模板图像,(d)为(c)的生物特征图;
图5为本发明其它实施例的目标识别效果图。
具体实施方式
本发明方法的总体框架图如图1所示,具体包括以下几个步骤:
步骤一:对于一幅由多个目标图像组成的原始场景图;选择一个基于目标尺寸先验知识的扫描窗口尺寸,本实施例选择的扫描窗口尺寸为128×128,从原始场景图的左上角开始,逐步向右、向下平移扫描窗口;
步骤二:每平移一次扫描窗口,对当前窗口W内的目标图像进行一次生物变换,得到目标特征图M;本实施例选取初始窗口W内的目标图像进行一次生物变换,并在图2中标出;选取目标特征图中像素高且边缘轮廓明显的16×16像素的区域N,如图3(a)所示,由于原始的目标特征图灰度值较低,所以图3(a)将像素大于30的像素再加上50;将区域N与模板特征图进行区域匹配,判断是否有匹配的区域;若有匹配区域,获取与区域N的匹配度r>0.95的模板特征图作为候选目标;如图3(b)-(h)所示;
步骤三:根据步骤三中获取的候选目标与N匹配区域的水平或垂直位置,判断窗口W下的目标图像相较于模板图像旋转的角度或缩放的倍数,并将窗口W下的目标图像以当前参数旋转角度或缩放倍数,进行还原;
步骤四:将还原后的目标图像再次进行一次生物变换,利用特征变换图对候选目标特征图进行验证,将与特征变换图距离最小的候选目标作为最终识别目标;得到识别图像;
所述步骤一中扫描窗口尺寸的选择,是根据场景图中目标图像的先验知识来取的,本实施例中选择的扫描窗口大小为128×128;该扫描窗口从原始图的左上角开始,逐步向右向下进行扫描,每次平移一个像素,以确保每一个位置都被扫描窗口扫描到;
所述步骤二中,对窗口内目标图像进行生物变换时,首先对窗口内图像使用方向边缘检测获取目标边缘图像,再对目标边缘图E进行不同角度θ和间距I的局部空间频率检测R(θ,I);其中,方向边缘检测由Gabor滤波Gθ,σ(x,y)和双极滤波F(θ)组成;当前窗口内图像I0,目标边缘图像E(θ,I)的计算公式如下:
其中,x,y是空间域像素的位置坐标,Fh(θ)代表水平子滤波器,Fv(θ)是垂直子滤波器。
在获取边缘图像的过程中,首先使用二维Gabor滤波器对窗口图像进行边缘滤波处理,用到的Gabor滤波器的公式如下:
其中,x′=xcosθ+ysinθ,y′=-xsinθ+ycosθ,x,y是空间域像素的位置坐标,λ表示波长,θ是Gabor滤波器的方向,是相位,γ是指定Gabor波椭圆率的空间纵横比,σ是高斯函数沿x轴和y轴的均方差。为了突出在所有波长和方向处的图像边缘,在对应于Gabor滤波器中心的每个采样点处定义Gabor滤波器组。
目标图像经过二维Gabor滤波器,再使用双极滤波,才可以得到目标边缘图,所述的双极滤波F(θ)由两个子滤波器组成,水平子滤波器的计算公式如下:
垂直子滤波器的计算公式如下:
其中S(x)作为权重因子,消除了当θ=0°时,目标边缘像素被移除的影响。
场景中的目标图像经过边缘检测得到边缘图像E之后,再对边缘图像E进行局部空间频率检测,即可获得目标图像的特征图,所述的局部空间频率检测计算方式如下:首先对边缘图E进行角度θ+90°和间隔为I的平移操作,得到平移后边缘图E(θ+90,I);再将平移前后的边缘图相乘,然后利用方向边缘图E的平方和进行归一化处理,得到特征图;其中局部空间频率检测R(θ,I)的计算公式如下:
其中,||E||代表边缘图E的平方和。
所述的步骤二中,在得到窗口W下目标图像的特征图M之后,选取目标特征图中像素梯度变化大的区域N,与模板特征图进行区域匹配的具体实现过程包括:任取两点aij和akj,使得|aij-akj|的像素值最大,其中aij与akj的距离i-k=n;构造一个n×n矩形框使得aij-akj作为该矩形框的水平中线,并截取目标特征图M中部分区域N,然后用区域N与模板特征图进行区域匹配,本实施例中选择的区域匹配的矩形窗口尺寸为16×16;区域匹配的计算公式如下:
其中,n代表区域N的边长,T代表模板特征图中n×n的区域,和分别代表区域N和区域T的像素平均值;将含有区域匹配度r>0.95的模板特征图作为候选目标,并用将每个候选目标中区域匹配度得分最高的区域O用矩形框标出;如图3所示,共有7幅模板特征图的区域与目标特征图区域N的匹配度r>0.95,并已用矩形框标出匹配度r最大的区域,图3的(b)-(h)与区域N的匹配度分别为:0.96473,0.96735,0.95061,0.95075,0.96442,0.96478,0.98052。
所述的步骤三中,根据目标特征图区域N与模板特征图区域O的相对位置,可以判断目标图像的旋转角度和缩放倍数,并将其进行还原;首先,记录目标特征图中区域m与模板区域O的水平或垂直的相对位置,即水平平移或垂直平移的像素值,本实施例以矩形框左上角的坐标来进行计算;根据第一阶段特征图的特性得知,当目标图像逆时针和顺时针旋转时,第一阶段特征图分别是向左和向右平移;当目标图像缩小和放大时,第一阶段特征图分别向上和向下平移;同时,第一阶段特征图水平或垂直的平移距离与旋转角度和缩放倍数存在一定线性关系,具体解释如下。采取如下方式对缩放倍数S、旋转角度α与相对距离之间的关系进行拟合,以缩放倍数S和垂直距离dv为例,使得拟合的近似函数S与数据点(dvi,si)的误差平方和最小,误差平方和的计算公式如下当N与O的水平相对位置不变,N与O的垂直距离为dv,N在O上方则dv<0,反之dv>0,缩放倍数S与垂直距离dv之间的关系为:S=0.0001dv 2+0.0151dv+0.9739,此时误差平方和最小;当N与O的垂直相对位置不变,N与O的水平距离为dh,N在O左侧则dh<0,反之dh>0,旋转角度α与水平距离dh之间的关系为此时误差平方和最小;因此,根据求得的旋转角度或缩放倍数将目标图像进行还原,得到未经旋转缩放之前的图像;旋转角度α与水平距离dh之间的关系,每一组相对位置将得到两个还原后的图像,如图4所示,还原后的目标图像可能被放大,因此对当前窗口进行扩围,防止目标图像超出像素范围;
获得目标图像的初始状态后,所述的步骤四中,需要对还原后的图像进行一次生物变换,并将特征图整形为一组特征向量,使用Pearson相关性来计算还原后的目标图像与模板图像特征向量,取Pearson相关距离最小的模板对应的分类标签作为最终识别结果,如图4的(a)所示的还原后的图像的特征向量与模板‘W’的特征向量Pearson相关距离最小,dk=13.391,因此识别到的图像为‘W’;其中两个特征向量的Pearson相关距离计算公式如下:
其中,F={fi|i=1,···,Hi}表示待检测图像的特征向量,Hi示待检测图像的特征向量维度,表示待检测图像特征向量的平均值,Tk={ti k|i=1,···,Nj,k=1,···,K}表示模板数据库中第k幅图像的特征向量,Hi表示模板数据库中图像的特征向量维度,表示表示模板数据库中第k幅图像的特征向量的平均值。
Claims (8)
1.一种基于人类视觉注意机制的多仿射目标的检测与识别方法,其特征在于,包括以下步骤:
1)对于一幅由多个目标图像组成的原始场景图,选择一个合适的扫描窗口尺寸,从原始场景图的左上角开始,逐步向右、向下平移扫描窗口;其中目标图像为模板图像经过旋转、缩放后的图像;
2)每平移一次扫描窗口,对当前窗口W内的目标图像进行一次生物变换,得到目标特征图M,选取目标特征图中像素梯度变化大的区域N,与模板特征图进行区域匹配,判断是否有匹配的区域,若无匹配区域则证明当前窗口W内无模板目标图像,若有匹配区域,获取与区域N的匹配度r>0.95的模板特征图作为候选目标;
3)根据所述候选目标与N匹配区域的水平或垂直位置,判断当前窗口W下的目标图像相较于模板图像旋转的角度或缩放的倍数,并将当前窗口W下的目标图像以当前参数旋转角度或缩放倍数,进行还原;
4)将还原后的目标图像再次进行一次生物变换,利用特征变换图对候选目标特征图进行验证,将与特征变换图距离最小的候选目标作为最终识别目标;得到识别图像。
2.根据权利要求1所述的基于人类视觉注意机制的多仿射目标的检测与识别方法,其特征在于,对当前窗口W内的目标图像进行生物变换的具体过程为:对当前窗口W内图像使用方向边缘检测获取目标边缘图像E,再对目标边缘图E进行不同角度θ和间距I的局部空间频率检测R(θ,I);其中,方向边缘检测由Gabor滤波器Gθ,σ(x,y)和双极滤波F(θ)组成;对于当前窗口W内的图像I0,目标边缘图像E(θ,I)的计算公式如下:其中,x,y是空间域像素的位置坐标,Fh(θ)代表水平子滤波器,Fv(θ)是垂直子滤波器。
3.根据权利要求2所述的基于人类视觉注意机制的多仿射目标的检测与识别方法,其特征在于,所述Gabor滤波器Gθ,σ(x,y)的公式如下:
其中,x′=xcosθ+ysinθ,y′=-xsinθ+ycosθ,x,y是空间域像素的位置坐标,λ表示波长,θ是Gabor滤波器的方向,是Gabor滤波器的相位,γ是指定Gabor波椭圆率的空间纵横比,σ是高斯函数沿x轴和y轴的均方差。
4.根据权利要求2所述的基于人类视觉注意机制的多仿射目标的检测与识别方法,其特征在于,水平子滤波器垂直子滤波器其中S(x)为权重因子。
5.根据权利要求2所述的基于人类视觉注意机制的多仿射目标的检测与识别方法,其特征在于,所述局部空间频率检测的具体实现过程包括:对目标边缘图E进行角度θ+90°和间隔为I的平移操作,得到平移后的边缘图E(θ+90,I);再将平移前后的边缘图相乘,然后利用方向目标边缘图E的平方和进行归一化处理,得到特征图;其中特征图R(θ,I)的计算公式如下:其中,||E||代表目标边缘图E的平方和。
6.根据权利要求1所述的基于人类视觉注意机制的多仿射目标的检测与识别方法,其特征在于,选取目标特征图中像素梯度变化大的区域N,与模板特征图进行区域匹配的具体实现过程包括:任取两点aij和akj,使得|aij-akj|的像素值最大,其中aij与akj的距离i-k=n;构造一个n×n矩形框使得aij-akj作为该矩形框的水平中线,并截取目标特征图M中部分区域N,然后用区域N与模板特征图进行区域匹配,区域匹配的计算公式如下:其中,n代表区域N的边长,T代表模板特征图中n×n的区域,和分别代表区域N和区域T的像素平均值;将含有区域匹配度r>0.95的模板特征图作为候选目标,并将候选目标中区域匹配度得分最高的部分O用矩形框标出。
7.根据权利要求1所述的基于人类视觉注意机制的多仿射目标的检测与识别方法,其特征在于,步骤3)的具体实现过程包括:记录目标特征图中区域m与模板区域O的水平或垂直的相对位置,即水平平移或垂直平移的像素值;当N与O的水平相对位置不变,N与O的垂直距离为dv,N在O上方则dv<0,反之dv>0,缩放倍数S与垂直距离dv之间的关系为:S=0.0001dv 2+0.0151dv+0.9739;当N与O的垂直相对位置不变,N与O的水平距离为dh,N在O左侧则dh<0,反之dh>0,旋转角度α与水平距离dh之间的关系为因此,根据求得的旋转角度或缩放倍数将目标图像进行还原,得到未经旋转缩放之前的图像。
8.根据权利要求1所述的基于人类视觉注意机制的多仿射目标的检测与识别方法,其特征在于,步骤4)中,取Pearson相关距离最小的模板对应的分类标签作为最终识别结果,两个特征向量的Pearson相关距离计算公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811560332.XA CN109711420B (zh) | 2018-12-20 | 2018-12-20 | 基于人类视觉注意机制的多仿射目标的检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811560332.XA CN109711420B (zh) | 2018-12-20 | 2018-12-20 | 基于人类视觉注意机制的多仿射目标的检测与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109711420A true CN109711420A (zh) | 2019-05-03 |
CN109711420B CN109711420B (zh) | 2022-08-09 |
Family
ID=66256036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811560332.XA Active CN109711420B (zh) | 2018-12-20 | 2018-12-20 | 基于人类视觉注意机制的多仿射目标的检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711420B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183518A (zh) * | 2020-09-25 | 2021-01-05 | 伏羲九针智能科技(北京)有限公司 | 静脉靶点自动确定方法、装置和设备 |
CN113505819A (zh) * | 2021-06-22 | 2021-10-15 | 北京化工大学 | 一种基于低差异采样图像模板匹配的气动控制阀角位移在线测量方法 |
CN113591843A (zh) * | 2021-07-12 | 2021-11-02 | 中国兵器工业计算机应用技术研究所 | 仿初级视觉皮层的目标检测方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140270411A1 (en) * | 2013-03-15 | 2014-09-18 | Henry Shu | Verification of User Photo IDs |
CN105809173A (zh) * | 2016-03-09 | 2016-07-27 | 中南大学 | 一种基于仿生物视觉变换的图像rstn不变属性特征提取及识别方法 |
CN108257153A (zh) * | 2017-12-29 | 2018-07-06 | 中国电子科技集团公司第二十七研究所 | 一种基于方向梯度统计特征的目标跟踪方法 |
-
2018
- 2018-12-20 CN CN201811560332.XA patent/CN109711420B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140270411A1 (en) * | 2013-03-15 | 2014-09-18 | Henry Shu | Verification of User Photo IDs |
CN105809173A (zh) * | 2016-03-09 | 2016-07-27 | 中南大学 | 一种基于仿生物视觉变换的图像rstn不变属性特征提取及识别方法 |
CN108257153A (zh) * | 2017-12-29 | 2018-07-06 | 中国电子科技集团公司第二十七研究所 | 一种基于方向梯度统计特征的目标跟踪方法 |
Non-Patent Citations (8)
Title |
---|
LINGLI YU 等: "Traffic sign recognition method with biologically inspired transform", 《THE 7TH ANNUAL IEEE INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL AND INTELLIGENT SYSTEMS》 * |
LINGLI YU 等: "Traffic sign recognition method with biologically inspired transform", 《THE 7TH ANNUAL IEEE INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL AND INTELLIGENT SYSTEMS》, 4 August 2017 (2017-08-04), pages 225 - 230 * |
MINGQIANG LIN 等: "Object tracking based on visual attention", 《2016 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION (ICIA)》 * |
MINGQIANG LIN 等: "Object tracking based on visual attention", 《2016 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION (ICIA)》, 2 February 2017 (2017-02-02), pages 1846 - 1849 * |
余伶俐 等: "基于仿生视觉的图像RST不变属性特征提取方法", 《仪器仪表学报》 * |
余伶俐 等: "基于仿生视觉的图像RST不变属性特征提取方法", 《仪器仪表学报》, vol. 38, no. 4, 15 April 2017 (2017-04-15), pages 984 - 995 * |
袁伟: "一种多视角自适应的模板匹配目标检测方法", 《电讯技术》 * |
袁伟: "一种多视角自适应的模板匹配目标检测方法", 《电讯技术》, vol. 58, no. 6, 28 June 2018 (2018-06-28), pages 682 - 689 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183518A (zh) * | 2020-09-25 | 2021-01-05 | 伏羲九针智能科技(北京)有限公司 | 静脉靶点自动确定方法、装置和设备 |
CN112183518B (zh) * | 2020-09-25 | 2024-05-28 | 伏羲九针智能科技(北京)有限公司 | 静脉靶点自动确定方法、装置和设备 |
CN113505819A (zh) * | 2021-06-22 | 2021-10-15 | 北京化工大学 | 一种基于低差异采样图像模板匹配的气动控制阀角位移在线测量方法 |
CN113505819B (zh) * | 2021-06-22 | 2024-02-06 | 北京化工大学 | 一种基于低差异采样图像模板匹配的气动控制阀角位移在线测量方法 |
CN113591843A (zh) * | 2021-07-12 | 2021-11-02 | 中国兵器工业计算机应用技术研究所 | 仿初级视觉皮层的目标检测方法、装置及设备 |
CN113591843B (zh) * | 2021-07-12 | 2024-04-09 | 中国兵器工业计算机应用技术研究所 | 仿初级视觉皮层的目标检测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109711420B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huijuan et al. | Fast image matching based-on improved SURF algorithm | |
CN104063702B (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
CN101271525B (zh) | 一种快速的图像序列特征显著图获取方法 | |
CN105809173B (zh) | 一种基于仿生物视觉变换的图像rstn不变属性特征提取及识别方法 | |
CN107909059A (zh) | 一种面向复杂城市场景中协同仿生视觉的交通标志牌检测与识别方法 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
CN102096824B (zh) | 基于选择性视觉注意机制的多光谱图像舰船检测方法 | |
CN105957054B (zh) | 一种图像变化检测方法 | |
CN111695522A (zh) | 一种平面内的旋转不变人脸检测方法、装置及存储介质 | |
CN103218832B (zh) | 基于图像中全局颜色对比度和空域分布的视觉显著性算法 | |
CN108121985A (zh) | 一种基于机器视觉的双指针仪表读数方法 | |
CN109711420A (zh) | 基于人类视觉注意机制的多仿射目标的检测与识别方法 | |
CN104217221A (zh) | 基于纹理特征的书画作品检测方法 | |
CN105225216A (zh) | 基于空间距圆标记边缘检测的虹膜预处理算法 | |
CN106682678A (zh) | 一种基于支撑域的图像角点检测和分类方法 | |
CN104021567B (zh) | 基于首数字定律的图像高斯模糊篡改检测方法 | |
CN105488541A (zh) | 增强现实***中基于机器学习的自然特征点识别方法 | |
CN110119695A (zh) | 一种基于特征融合和机器学习的虹膜活性检测方法 | |
CN105261006A (zh) | 基于傅里叶变换的医学图像分割算法 | |
CN104992183A (zh) | 自然场景中的显著目标的自动检测方法 | |
CN107784263A (zh) | 基于改进加速鲁棒特征的平面旋转人脸检测的方法 | |
CN106296632B (zh) | 一种基于幅度谱分析的显著目标检测方法 | |
Guo et al. | Image classification based on SURF and KNN | |
CN111680577A (zh) | 人脸检测方法和装置 | |
CN108257153A (zh) | 一种基于方向梯度统计特征的目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 410205 Hunan Business College, tongzipo Road, Yuelu District, Changsha City, Hunan Province Patentee after: Hunan University of Technology Address before: 410205 Hunan Business College, tongzipo Road, Yuelu District, Changsha City, Hunan Province Patentee before: HUNAN University OF COMMERCE |
|
CP01 | Change in the name or title of a patent holder |