一种生物激励的自顶向下的视觉注意方法

专利名称：一种生物激励的自顶向下的视觉注意方法
技术领域：
本发明属于计算机视觉领域，具体涉及一种生物激励的自顶向下的视觉注意方法。
背景技术：
视觉注意方法主要是解决图像中的数据筛选问题。在计算机图像中，任务所关心 的内容通常仅仅是图像中很小的一部分，所以，有必要将不同的处理优先级赋予不同的图 像区域，这样可以降低处理过程的复杂度，还能够减少不必要的计算浪费。在人类视觉信息 处理中，总是迅速选择少数几个显著的对象进行优先处理，而忽略或舍弃其他的非显著的 对象，这样使本发明能够有选择地分配计算资源，从而极大地提高视觉信息处理的效率，该 过程被称为视觉注意。心理学研究发现，不但那些能够产生新异的刺激、较强的刺激的图像区域容易引 起观察者的注意，而且那些能够产生与观察者所期待的刺激的图像区域也容易引起观察者 的注意。据此，可以将视觉注意分为两种类型一种是基于初级视觉，由数据驱动的自底向 上的注意；另一种是基于高层视觉，与任务、知识等相关的自顶向下的注意。常用的自底向上视觉注意方法是Itti等(L. Itti，C.Koch and E. Niebur, "A model of saliency-based visual attention for rapid scene analysis,，，IEEETransactions on Pattern Analysis and Machine Intelligence, 20(11)，pp. 1254-1259,1998.)提出的，该方法独立使用了初级视觉特征如亮度，方位和颜 色。Itti 等(L Itti and C. Koch,"Feature combination strategies forsaliency-based visual attention systems,，，Journal of Electronic Imaging，10 (1)，pp. 161-169， 2001.)还提出了空间竞争函数来融合不同的初级视觉特征。在自顶向下的视觉注意 方法中，现有的具有代表性的是V0CUS自顶向下的模型(S.Frintrop，V0CUS :A Visual Attention System for Object Detection andGoal—directed Search,Lecture Notes in Artificial Intelligence(LNAI), Springer,Berlin/Heidelberg,2006.)禾口 Navalpakkam 的模型(V. Navalpakkam and L. Itti,"An integrated model of top-down and bottom-up attention for optimal objeetdeteetion speed,，，IEEE Computer Society Conference on Computer Vision andPattern Recognition，pp. 2049-2056，2006.)。V0CUS 自顶向 下的模型描述如下，先将学习图像和待注意的图像都分解成一些低水平的视觉特征图， 再对学习图像中的每个特征图，计算目标与背景的比值作为该特征的权重，然后在待注 意图中将每一个特征图乘以从学习图像中获得的相应权重得到了自顶向下的显著性图。 Navalpakkam模型是根据下述的方法得到的，先将学习图像和待注意的图像都分解成一些 低水平的视觉特征图，再对学习图像中的每一个特征图，利用统计知识通过最大化目标和 背景的信噪比得到该特征的最优权重，最后在待注意图中将每一特征图乘以相应的最优权 重得到自顶向下的显著性图。这两种现有的自顶向下的视觉注意方法都与目标所在的背景有关，因而当目标所在的背景改变时，即当待注意图中的目标不总是出现在训练图的背景中，或者待注意图中 的目标和其背景的组合与训练图中的目标和其背景的组合相差很大时，现有方法的视觉注 意效果将变得很差。

发明内容
本发明的目的在于提出一种生物激励的自顶向下的视觉注意方法，该方法仅利用 了目标自身的属性，能获得较好的视觉效果。本发明提供的一种生物激励的自顶向下的视觉注意方法，其步骤为第1步对于一个给定的待注意图，先提取颜色，亮度，方位和纹理初级视觉特征； 将颜色特征分解成红、绿、蓝3种类型，将亮度特征分解成亮度开启和亮度闭合2种类型；用 4个方位的滤波器分别对待注意图进行滤波，得到4种方位特征类型；分别用原始的LBP算 子和环半径延伸的LBP算子计算得到的2种纹理特征类型，一共得到待注意图的11种特征 类型；第2步根据待注意图的11种特征类型和长期记忆库中存储学习目标类得到自 顶向下的显著性图；根据待注意图的11种特征类型本身的对比度得到一个自底向上的显 著性图；第3步将自顶向下显著性图中的每一点的像素值除以自顶向下显著性图中的 最大像素值，将自底向上显著性图中的每一点的像素值除以自底向上显著性图中的最大像 素值，最后将这两个标准化后的图的乘积作为最终显著性图；第4步利用胜者全赢的方法，得到最终显著性图中的最显著的点和该点对应的 最优尺寸构成了最显著区域；第5步将最终显著性图中最显著区域的像素值都置为零，得到一个新的最终显 著性图；第6步重复第4步至第5步，直至预先设定的次数，完成后得到的最显著性的点 和该点所在区域的尺寸，作为注意焦点。本发明提出一种生物激励的自顶向下的视觉注意方法，包括学习目标的表示，自 顶向下显著性图和自底向上显著性图。在学习目标的表示时，现有的方法都是利用了学习 目标的特性和学习目标所在背景的特性，再将每一个特征图中的目标与背景的比值作为该 特征的权重，然后根据这些权重联合待注意图中的不同的特征图得到自顶向下的显著性 图。这些方法存在的缺点是当目标所在的背景改变时，即当待注意图中的目标不总是出现 在训练图的背景中，或者待注意图中的目标和其背景的组合与学习图中的目标和其背景的 组合相差很大时，在待注意图中很难检测到学习的目标。为了解决以上的问题，本发明在 学习目标的表示时，仅仅利用了学习目标本身的特性，而没有考虑其所在的背景，这样的目 标表示具有更强的鲁棒性。在实验结果中，分别与Itti等的方法，V0CUS自顶向下的方法， Navalpakkam的方法相比，本发明在待注意图中能够更好地检测学习的目标图像，获得较好 的视觉效果。


图1是本发明流程图2是LBP算子；图3(a)是原始的LBP算子；(b)是延伸的LBP算子；图4是合成图的实验结果；图4a是Itti模型第12次找到目标；图4b是V0⑶S自顶向下模型第4次找到目标；
图4c是Navalpakkam模型第7次找到目标；图4d是本发明的模型第1次找到目标；图5是训练图；图6是测试图；图6a是Itti模型第10次找到目标；图6b是V0⑶S自顶向下模型第8次找到目标；图6c是Navalpakkam模型第6次找到目标；图6d是本发明的模型第3次找到目标；图7是四种方法的所有目标的实验结果的直方图(X轴表示找到目标的次数，Y轴 表示该次出现的总数)；图7a是Itti的自底向上的方法；
图7b是V0⑶S自顶向下方法；图 7c 是 Navalpakkam 的方法；图7d是本发明的方法。
具体实施例方式下面结合附图和实例对本发明作进一步详细的说明。在实施本发明之前，需要先建立长期记忆库，用于存储学习目标类，其步骤包括(1)提取所有的学习图的特征视网膜的输入信息被诸如颜色，亮度，方位和纹理等初级特征平行地处理，每一个 特征被分解成不同的特征类型。(1. 1)本发明将颜色分解成红、绿、蓝3种类型，分别记为r，g和b，对于每一特征 类型图，计算它的均值和标准差，例如Jilu，Oia), (Ui,2, 0i,2)和(^,3，0i,3)分别表示 第i个学习图的红、绿、蓝3种特征类型。在后续的特征提取中，如果学习图是彩色图，则首先将其转变成灰度图像再进行处理。(1. 2)本发明将亮度特征分为成亮度开启(由亮到暗)和亮度闭合(由暗到亮)2 种类型，这是由于人类视觉系统的视觉感知场中的活性细胞有2种类型，中央开启的细胞 增强中心亮的部分抑制周围亮的部分，中央闭合的细胞抑制中心亮的部分增强周边亮的部 分(S. E. Palmer，Vision science，photons to phenomenology,The MIT Press，Cambridge， MA，1999)，将图像中每个点的像素值减去该点周围四邻域像素值的均值作为该点的响应值 (如果是负值则令其为零)，这样得到了亮度开启的特征类型图，同样将图像中每个点周围 四邻域像素值的均值减去该点的像素值作为该点的响应值(如果是负值则令其为零)，这 样得到了亮度闭合的特征类型图。同样(Pu，oi>4)和，0i,5)分别表示亮度开启和
6亮度闭合2种特征类型。(1. 3)用Gabor滤波器检测出4个方位特征类型0°，45°，90°和135°，Gabor 滤波器的数学表达式为h(u, v) = q(u' , v' )cos(2 3i cofu' ) (1)其中 f表示Gabor滤波器的中心频率，它决定了滤波器带通区域中心在频率上的位 置，通过选取不同的0^可以得到不同的尺度。Su和Sv分别是Gabor滤波器沿着横坐标 和纵坐标的高斯包络的空间常量，Su、Sv分别与Gabor滤波器的频率带宽Bf和方位带宽 Be并有以下关系
⑷ 一般情况下取《f = 0. 12，Bf = 1. 25，B0 = Ji /6， 是高斯坐标轴与横坐标轴的 夹角，当小分别取0°，45°，90°和135°时，得到4个不同的Gabor滤波器。在提取方位 特征类型时，用这4个Gabor滤波器分别滤波，得到了 4种方位的特征类型图，分别表示成 (U ij6, o i6)，(u i>7, o i7)，(u i,8，o i8)禾口( i! i9，o i9)。(1.4)对于纹理特征，本发明考虑了局部二值模式LBP(Local BinaryPattern), LBP是用来描述图像的局部空间结构特征并且已被广泛用来解释人类感知的纹理特征， Ojala 等 人(T. Ojala, M. PietikAainen, and D. Harwood, "A comparative study of texture measures with classification based on featureddistributions, "Pattern Recognition, 29(1) =51-59,1996.)首先介绍了这种算子并显示了其强大的纹理分类的能 力。在图像中给定的位置(x。，y。)，LBP被定义为一个中心像素和周边八邻域像素比较得到 的二值次序的集合(如图2所示)，结果的十进制可以被下述式子表示出来 其中i。是中心位置(x。，yc)的像素值，in是周边八邻域的像素值，函数s (x)被定 义成 本发明使用了 2个LBP算子，一个是原始的LBP算子，另一个是环半径的延伸的 LBP算子，该算子可以保持尺寸和旋转不变性，当它的像素点不在像素中心时，是通过插值 得到的，两个LBP算子如图3所示，被表示成(1^,1(|，0i,1(l)和(ii^，0i,n)。所以，本发明 一共使用了 11个特征类型。(2)将同一种类所有的学习图表示成均值向量和标准差向量
学习图的种类是指学习图中物体所属的类型，比如所有包含不同式样的杯子属于 同一种类。本发明联合相同种类的不同学习图构成一个更加鲁棒更加一般的目标类(也可 以称之为学习类)，并且将这个目标类存储在长期记忆库中。设是第i个学习图的事件 (i G {l，2，L，n})，n表示所有学习图的个数。(2.1)假设0是表示观察的随机变量，0 = 0是0被观察到的事件。P(0 = o|Ti) 是条件概率，表示在第i个学习图发生的情况下事件0 = o发生的概率。假设P (0 = o | T》 服从正态分布N(yi，E》，其中y i = (uia, uij2, L P ^广表示平均特征值的向量，E i 是协方差矩阵，由于本发明假定不同的特征是相互独立的，所以协方差矩阵是一个对角矩 阵，它的对角线上的元素等于特征的方差，记为彳= ，<2，L < )r。
(2. 2)令T是目标类发生的事件，本发明按照下述方式定义T
(8)
换句话说，一个观察事件属于某一个目标类当且仅当它属于这个类中的某一个物
本发明考虑0|T的分布并且得到下面的式子 方程(14)、(15)、(16)、(19)、(20)和(21)中的do表示对变量o的积分。由上式 获得的P和o仍然是向量，为了与以上记号的区别，记为P (f)和o (f)，l11，一 般说来，0|T有多种形式的分布，但是为了作为一种近似地表达，本发明仅考虑其服成标准 正态分布的情况。通过处理许多相同类的不同位置和尺寸的学习图片，本发明得到它们的目标表示 并且联合它们形成一个目标类的表示。如图1所示，本发明方法包括以下步骤第1步对于一个给定的待注意图，本发明提取颜色，亮度，方位和纹理等初级视 觉特征。颜色特征被分解成红、绿、蓝3种类型；根据视觉感知场中活性细胞的2种类型， 亮度特征被分为成亮度开启(由亮到暗)和亮度闭合(由暗到亮)2种类型；用4个方位 (0°，45°，90°和135° )的Gabor滤波器分别对待注意图进行滤波，得到4种方位特征类 型；对待注意图，分别用原始的LBP算子和环半径延伸的LBP算子计算得到的2种纹理特征 类型。这样一共得到了待注意图的11种特征类型。第2步本发明在这一部分根据待注意图的11种特征类型和长期记忆库中存储 学习目标类得到自顶向下的显著性图；与此同时，根据待注意图的11种特征类型本身的对 比度得到一个自底向上的显著性图。(A)获取待注意图的自顶向下的显著性图为了检测待注意图中特殊的目标，本发明使用存储在长期记忆库中的学习目标类 的表示联合不同的特征图，形成一个自顶向下的显著性图。对于待注意图I，根据以上提取的11种特征类型，每一种特征类型构成一个与待 注意图大小相同的特征类型图，选择一些不同的学习图的尺寸作为滑动窗口，对于坐标位 置(x，y)，本发明使用滑动窗口通过每一个特征类型图并在每一个窗口中计算均值和标准 差，并将待注意图I的第f个特征类型的第s个尺度的均值和标准差分别记为y ^..(x^) 和o^Jx，》。如果在该点处的均值和标准差与学习图的均值和标准差越接近，那么认为 该点与学习图越相似，所以本发明定义第f 个特征类型，第S个尺度的响应图为
「0085」 其中分母上的1是为了避免Rf,s(x，y)变得无界，U (f)和O (f)分别是学习目标 的第f 特征类型的均值和标准差。第f 特征类型在不同的空间尺度联合生成的响应图Rf(x， y)为
(24)在获得每一个特征类型的响应图之后，本发明用空间竞争函数来融合这些响应 图。具体过程如下先将每个响应图Rf(x，y)标准化到
区间内变成&(x，>0，然后对 每一个响应图用两维差分滤波器(DoG)反复迭代，两维差分滤波器如方程(25)所示。 o曰和o inh的取值与待注意图I的宽度值有关，取值范围在宽度值的到100之间，本发明中0 和oinh分别取待注意图I宽度值的2%和和cinh是常数，其 取值范围在区间W.l，l]内，本发明中和cinh分别取0.5和1.5。在迭代过程中，如果出 现了负值则令其为零，如方程(26)所示。 Tf(x, y) H Yf(x, y) + Yf(x, y) * DoG - Cmh U(26)符号| | 表示丢弃负值部分，符号一表示在迭代的过程中将右边的值赋给左 边，cinh为常数，其取值范围在区间w，0. 1]内，本发明中取Cinh = 0.02，这样迭代的结果是 增强了显著性的区域，抑制了非显著性的区域。设空间竞争函数为g，本发明使用g联合所有的特征类型形成一个自顶向下的显 著性图。 (B)获取待注意图的自底向上的显著性图自底向上显著性图包括颜色特征，亮度特征和方位特征，采用Itti等人提出的模 型就可以完成。作为本发明的一种改进，自底向上显著性图也可以考虑纹理信息，这种自底向上 显著性模型是Itti等人提出的模型的一种延伸。下面具体说明如下将待注意图分解成3种颜色特征类型，2种亮度特征类型，4种方位特征类型和2 种纹理特征类型，对于每一个特征类型图，将其分解成9个高斯金字塔图(从尺度0到尺 度8)，这样对于特征类型图Fa(l彡a彡11)，有9个高斯金字塔图Fa(0) G {0，1，K， 8})，Fa(0)的尺寸等于待注意图的尺寸，Fa(l)的尺寸是？。(0)尺寸的一半，Fa (2)的尺寸 ^Fa(l)尺寸的一半，……Fa(8)的尺寸是？。(7)尺寸的一半，取c e {2,3,4}, x G {3， 4}，a = c+ t，令
(28)其中 表示高斯金字塔的逐点差，这样每一个特征类型图都有6个特征图，再将 这6个特征图融合成一个特征类型响应图罗 以保持尺度不变性 其中0表示逐点求和。見在坐标点(x，y)处的值可以表示为见(x,_y)。本发明使用Itti等人的特征图归一化算子N(.)来增强显著峰较少的特征图，而 削弱存在大量显著峰的特征图。对每一特征图，该算子的操作包括1)归一化该特征图至 一固定范围
内，以消除依赖于特征的幅度差别，其中M是该特征图中的最大像素 值；2)计算除全局最大值外所有局部极大的均值历；3)用(M-&)2乘该特征图。所有小于最 大值20%的值都置为零。仅考虑局部极大值可使N(.)对特征图中有意义的区域进行比较，而忽略均勻区 域。全局最大值与所有局部极大均值之差反映了最感兴趣区域与平均感兴趣区域间的差 别。若该差值较大，最感兴趣区域就会突出出来，若该差值较小，表明特征图中不含任何具 有独特性质的区域。N(.)的生物学依据在于它近似地表达了皮层的侧抑制机制，即近邻相 似特征通过特定的联结相互抑制。所有的特征类型响应图被归一化，并求均值得到自底向上显著性图Sbu(x, y)，如式(30)所示 第3步获取最终显著性图自顶向下与自底向上的显著性图如上所述，最终的显著性图是他们点对点的乘 积，这两个图都竞争显著性，自顶向下图强调学习的特征而自底向上的图强调图本身的显 著性，为了使他们可比较，用另外一个标准化算子Norm(.)将自顶向下和自底向上的显著 性图标准化到W，l]区间内，具体是将自顶向下显著性图中的每一点的像素值除以自顶向 下显著性图中的最大像素值，将自底向上显著性图中的每一点的像素值除以自底向上显著 性图中的最大像素值。最后将这两个标准化后的图的乘积作为最终显著性图S(x, y)。S(x, y) = Norm(Std(x, y)) XNorm(Sbu(x, y)) (31)由以上的计算过程可知，此时最终显著性图S(x，y)的尺寸是待注意图I的尺寸的 1/16，为了与待注意图的尺寸保持一致，将S(x，y)的尺寸放大到与I相同的尺寸。第4步胜者全赢(Wirmer-take-all)对于最终显著性图中的每一点U/，根据熵 的最大化方法获得一个最优的尺寸Vp如方程(32)所示，此方程表示了该点位置处的空间
显著性。
(32)其中D是最终显著性图中以圆心为V半径为r的圆形局部区域所有像素值的集 合，半径r的取值范围是从待注意图长度和宽度值中最小值的1/12到1/3，HD(r, V)是根 据方程(33)得到的熵值，WD(r，V)是由方程(34)得到的尺度间的尺度。
其中p“, w是通过在以上局部区域内标准化像素的直方图得到的概率块函数，描 述值d是集合D中的一个元素。这样对于最终显著性图中的每一点V，获得了一个最优的尺寸1^，再计算该点在 一个局部区域内的均值，这个局部区域是以该点为圆心，以为半径的圆形区域，所有的 均值构成了一个图，该图中最大值的点即为最显著的点，最显著的点和该点对应的最优尺 寸构成了最显著的区域。第5步返回抑制(Inhibition-of-return)根据胜者全赢的方法得到了一个最 显著的区域，在视线注意到这一区域之后，为了实现注意转移，使之注意到下一个区域，就 要消除当前最终显著性图中的最显著性的区域，本发明是将最终显著性图中最显著的区域 的像素值都置为零。这样就得到了一个新的最终显著性图。第6步注意选择重复步骤第4步至第5步，直至预先设定的次数X，当 A < 10时能达到良好的实验效果，完成后得到的最显著性的点和该点所在区域的尺
寸，作为注意焦点。实例
本发明使用了 Itti模型，V0CUS自顶向下模型Navalpakkam模型和本发明的模型 分别作用于相同的待注意图像和学习图。在50组实验中，有24个自然场景，包括20个单 目标场景和4个多目标场景，此外还有26个合成的场景，包括17个单目标场景和9个多目 标场景。实验有两种形式，一种是知道要注意的特征类型，例如如果本发明的任务是寻找水 平的红色的目标，则此时第一个特征类型红色和第六个特征类型0°是相关的特征类型，所 以令y (1) = 1，o (1) =0, u (6) = 1，o (6) = 0，其余的均值和方差都为零，实验结果如 图4所示。另外一种方法是不知道要注意的特征类型，以一个自然场景为例，图5和图6分 别是学习图和待注意图的实验结果。图7是四种模型的所有目标的实验结果的直方图本发明不仅局限于上述具体实施方式
，本领域一般技术人员根据本发明公开的内 容，可以采用其它多种具体实施方式
实施本发明，因此，凡是采用本发明的设计结构和思 路，做一些简单的变化或更改的设计，都落入本发明保护的范围。
权利要求
一种生物激励的自顶向下的视觉注意方法，其步骤为第1步 对于一个给定的待注意图，先提取颜色，亮度，方位和纹理初级视觉特征；将颜色特征分解成红、绿、蓝3种类型，将亮度特征分解成亮度开启和亮度闭合2种类型；用4个方位的滤波器分别对待注意图进行滤波，得到4种方位特征类型；分别用原始的LBP算子和环半径延伸的LBP算子计算得到的2种纹理特征类型，一共得到待注意图的11种特征类型；第2步 根据待注意图的11种特征类型和长期记忆库中存储学习目标类得到自顶向下的显著性图；根据待注意图的11种特征类型本身的对比度得到一个自底向上的显著性图；第3步 将自顶向下显著性图中的每一点的像素值除以自顶向下显著性图中的最大像素值，将自底向上显著性图中的每一点的像素值除以自底向上显著性图中的最大像素值，最后将这两个标准化后的图的乘积作为最终显著性图；第4步 利用胜者全赢的方法，得到最终显著性图中的最显著的点和该点对应的最优尺寸构成了最显著区域；第5步 将最终显著性图中最显著区域的像素值都置为零，得到一个新的最终显著性图；第6步 重复第4步至第5步，直至预先设定的次数，完成后得到的最显著性的点和该点所在区域的尺寸，作为注意焦点。
2.根据权利要求1所述的生物激励的自顶向下的视觉注意方法，其特征在于，第2步， 按照下述过程获取待注意图的自顶向下的显著性图每一种特征类型构成一个与待注意图大小相同的特征类型图，对于待注意图I，根据提 取的11种特征类型，选择不同的学习图的尺寸作为滑动窗口，对于坐标位置(x，y)，使用滑 动窗口通过每一个特征类型图并在每一个窗口中计算均值和标准差，并将待注意图I的第 f个特征类型的第s个尺度的均值和标准差分别记为P^s(Ly)和O1^s(Ly)；第s个 尺度的响应图Rf,s(x，y)为 其中，μ (f)和σ (f)分别是学习目标的第f特征类型的均值和标准差，第f个特征类 型在不同的空间尺度联合生成的响应图Rf (X，y)为 在获得每一个特征类型的响应图之后，使用空间竞争函数联合所有的特征类型形成一个自顶向下的显著性图
3.根据权利要求1所述的生物激励的自顶向下的视觉注意方法，其特征在于，第2步， 按照下述过程获取待注意图的自底向上的显著性图对于每一个特征类型图，将其分解成9个高斯金字塔图，其尺度是从尺度O到尺度8，标 记为β，这样对于特征类型图Fa，有9个高斯金字塔图Fa (β)，1彡α彡11，β e {0,1, K,8),Fa(O)的尺寸等于待注意图的尺寸，Fa(l)的尺寸是？。(0)尺寸的一半，Fa (2)的尺寸^Fa(I)尺寸的一半，……Fa(S)的尺寸是？。(7)尺寸的一半，取C e {2,3,4}, τ e {3， 4}，a = c+ τ ,令 其中Θ表示高斯金字塔的逐点差，这样每一个特征类型图都有6个特征图，再将这6 个特征图融合成一个特征类型响应图罗α以保持尺度不变性 其中0表示逐点求和。見在坐标点(x，y)处的值可以表示为见所有的特征类型 响应图被归一化，并求均值得到自底向上显著性图Sbu(χ，y)
4.根据权利要求1、2或3所述的生物激励的自顶向下的视觉注意方法，其特征在于，第 2步中的按照下述过程建立长期记忆库中存储学习目标类(Al)提取所有的学习图的初级视觉特征，得到11个特征类型； (A2)将同一种类所有的学习图表示成均值向量和标准差向量； 其中化=，η表示所有学习图的个数；μ i = ( μ U，μ i,2，L μ T表示第i个学习图 η的均值向量Ji是第i个学习图的事件(i e {l，2，L，n}) ；Ρ(0 = ο| \)表示在Ti发生的条 件下事件ο出现的概率；do表示对变量ο的积分。
全文摘要
本发明公开了一种生物激励的自顶向下的视觉注意方法，步骤为①提取所有的学习图的特征；②将同类型所有的学习图表示成均值向量和标准差向量；③获取待注意图的自顶向下的显著性图和自底向上的显著性图；④获取最终显著性图；⑤胜者全赢；⑥返回抑制，将最终显著性图中最显著性点所在区域的像素值都置为零，得到了一个新的最终显著性图；⑦注意选择。本发明在学习目标的表示时，仅仅利用了学习目标本身的特性，而没有考虑其所在的背景，这样的目标表示具有更强的鲁棒性，获得较好的视觉效果。
文档编号G06T5/00GK101894371SQ201010229180
公开日2010年11月24日 申请日期2010年7月19日 优先权日2010年7月19日
发明者左峥嵘, 杨卫东, 桑农, 王岳环, 胡静, 高常鑫, 魏龙生 申请人:华中科技大学