[发明专利]一种基于背侧通路引导的视觉注意计算模型及其处理方法

权利要求书

1.一种基于背侧通路引导的视觉注意计算模型，其特征在于：主要包括图像输入单元、背侧通路空间特征分量显著图生成单元、腹侧通路非空间特征分量显著图生成单元和注意信息提取单元；

所述的图像输入单元：用于输出视频图像至背侧通路空间特征分量显著图生成单元和腹侧通路非空间特征分量显著图生成单元；

所述的背侧通路空间特征分量显著图生成单元：用于提取视频图像中的空间特征并生成空间特征分量显著图输出到注意信息提取单元；同时该背侧通路空间特征分量显著图生成单元还根据其生成的空间特征分量显著图计算生成调制信号，作用于腹侧通路非空间特征分量显著图生成单元提取非空间特征并生成非空间特征分量显著图的过程；

所述的腹侧通路非空间特征分量显著图生成单元：提取视频图像中包括颜色、亮度或方向的非空间特征，然后利用这些特征，在背侧通路空间特征分量显著图生成单元生成的调制信号的作用下，生成非空间特征分量显著图输出到注意信息提取单元；

所述的注意信息提取单元：用于将非空间特征分量显著图和空间特征分量显著图合并生成注意显著图，并生成注意信息。

2.一种基于背侧通路引导的视觉注意计算模型的处理方法，其特征在于具体包括如下步骤：

步骤1、图像输入单元输出视频图像至背侧通路空间特征分量显著图生成单元和腹侧通路非空间特征分量显著图生成单元；

步骤2、所述的背侧通路空间特征分量显著图生成单元提取视频图像中的空间特征并生成空间特征分量显著图输出到注意信息提取单元；同时该背侧通路空间特征分量显著图生成单元还根据其生成的空间特征分量显著图计算生成调制信号，作用于腹侧通路非空间特征分量显著图生成单元提取非空间特征并生成非空间特征分量显著图的过程；

步骤3、所述的腹侧通路非空间特征分量显著图生成单元提取视频图像中包括颜色、亮度或方向的非空间特征，然后利用这些特征，在背侧通路空间特征分量显著图生成单元生成的调制信号的作用下，生成非空间特征分量显著图输出到注意信息提取单元；

步骤4、所述的注意信息提取单元将非空间特征分量显著图和空间特征分量显著图合并生成注意显著图，并生成注意信息。

3.根据权利要求2所述的一种基于背侧通路引导的视觉注意计算模型的处理方法，其特征在于：所述生成空间特征分量显著图包括如下步骤：

(1)、若某一空间特征由一组子特征构成，则对该组各子特征的灰度图像分别采用高斯金字塔进行多尺度图像分解，得到一个包括0-8层总共9个尺度的多层图像，其中第0层为原始图像，数字越大的层，其图像尺度越小，所述的高斯金字塔的图像分解包括平滑和降采样两个运算，对于一幅描述特征的灰度图像I(x，y)＝I₀(x，y)，其第i层图像I_i(x，y)与第i-1层图像I_i-1(x，y)之间的关系为

Ii(x,y)=Σm=-MMΣn=-NNC(m,n)Ii-1(2x+m,2y+n)]]>

其中C(m，n)为平滑图像所用的高斯核函数；

(2)、利用中心-周边差分算子对所述的多层图像计算出各个空间特征在多层图像上的特征图，所述的中心-周边差分计算通过中心层与外周层的层间相减来实现，所述的中心层为所得到的多层图像的第2、3和4层，每一个中心层所对应的外周层则为中心层的层数加3或4，共有2-5、2-6、3-6、3-7，4-7和4-8共6个层间差分计算，从而使每个空间特征形成6个不同尺度的特征图；

在差分计算时，先将中心层和外周层图像的尺寸统一调整到第5层的图像尺寸大小，再将两层图像对应的图像像素进行相减操作得到特征图，其计算公式如下：

F(c，s)＝N(|M(c)ΘM(s)|)

s＝c+δ，c＝2，3，4，δ＝3，4

其中，c为中心层的编号，s为外周层的编号，F(c，s)代表c-s层间的中心周边差分计算得到的特征图；M(c)代表中心层图像，M(s)代表对应的外周层图像，Θ为差分计算，函数N为一种迭代的非线性正则化算子，用于模拟大脑皮层神经元之间广泛存在的侧抑制现象，采用侧抑制神经网络实现相邻位置的同类特征相互竞争相互抑制，在竞争中获胜的特征得到表达，并归一化到[0，1]区间，其迭代计算过程公式为：

F_.1(c，s)＝R(F₀(c，s))

F_i+1(c，s)＝R(F_i(c，s)+F_i(c，s)*DOG-C)，i≥1

其中函数R将小于0的特征幅值置为0，大于0的则线性投影到[0，1]区间，C为偏置常数，DOG为高斯差分算子，其定义如下：

DOG(x,y)=cex22πσex2e-(x2+y2)/2σin2-cin22πσin2e-(x2+y2)/2σin2]]>

其中，参数c_ex决定了迭代过程中激励信号的强度，σ_ex决定了迭代过程中激励信号的作用范围，c_in决定了迭代过程中抑制信号的强度，σ_in决定了迭代过程中抑制信号的作用范围；

(3)、若某一空间特征由一组子特征构成，则对这组子特征中的每个特征执行合并操作，将各层的特征图变换为相同尺度，并对跨层的特征逐像素执行累加操作，并使用上述的非线性正则化算子函数N实现特征的归一化，形成各个不同空间特征的特征显著图；并将所有的空间特征的特征显著图等比例合并后利用非线性正则化算子函数N实现归一化得到空间特征分量显著图Γ_M；

所述的空间特征分量显著图Γ_M计算公式如下：

ΓM=N(ΣD⊕c=24⊕s=c+3c+4FD(c,s))]]>

其中，函数N为非线性正则化算子，F(c，s)代表c-s层间的中心周边差分计算得到的特征图，运算为合并操作，参数D为子特征编号，Γ_M为最终得到的空间特征分量显著图。