[发明专利]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

权利要求书

1.一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，其特征在于，包括以下步骤：

步骤A：获取连续场景中的多幅待检测图像；

步骤B：提取由所有的待检测图像构成的待检测图像集的三个bottom-up视觉注意力线索，获取待检测图像集的聚类协同图；

步骤C：通过提取每幅待检测图像的两个bottom-up视觉注意力线索，获取每幅待检测图像的注意力显著图；

步骤D：将每幅注意力显著图依次与聚类协同图进行融合，获得每幅待检测图像对应的协同显著图；

步骤E：提取协同显著图中的连通域，利用预设的圆标志形状模板和三角形标志形状模板对提取的连通域进行标志牌ROI区域的定位；

步骤F：对标志牌ROI区域采用前向通道进行两级生物启发变换，得到具有RSTN不变属性的特征变换图，并生成两个阶段视觉记忆信息；

步骤H：利用特征变换图与数据库中预存的交通标志牌模板图像进行Pearson相关性计算，依据相关性计算结果完成对待检测图像的识别。

2.根据权利要求1所述的方法，其特征在于，所述聚类协同图和注意力显著图的获取过程相同，在获取聚类协同图时，先对每幅待检测图像进行尺度归一化处理后，将所有的待检测图像进行融合作为一幅图后，再按下面步骤处理：

步骤B1：设置图间像素聚类个数K₁，对所有像素点进行K-Means聚类分析，得到K₁个聚类以及聚类中心

步骤B2：分别计算每个聚类的视觉注意力线索权值；

步骤B3：将上述得到的每个聚类的视觉注意力线索权值进行高斯归一化处理后，利用乘积融合为聚类级协同显著性线索权值；

第k个类别的聚类级协同显著性线索权值为表示第k个类别的第i个bottom-up视觉注意力线索，i依次取值为c、s、d，分别表示对比度权值、空间位置权值、重复性权值；

步骤B4：依次将每个聚类的聚类级协同显著性线索权值，分配给每个聚类中的每个像素点，生成待检测图像集的聚类协同图map1；

其中，聚类协同图包括三个bottom-up视觉注意力线索，分别为对比度权值、空间位置权值和重复性权值；

注意力显著图包括两个bottom-up视觉注意力线索分别为对比度权值和空间位置权值。

3.根据权利要求2所述的方法，其特征在于，采用概率框架软分配的方式对每个聚类中的每个像素点的协同显著性线索权值进行分配，每个聚类中的像素的协同显著性线索权值的似然值满足高斯分布。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述对标志牌ROI区域采用前向通道进行两级生物启发变换的过程如下：

步骤F1：对所有的标志牌ROI区域剪切并尺度归一化为[88,88]，得到输入ROI图像集；

步骤F2：构建方向边缘检测算子对输入ROI图像集进行边缘检测，获得方向边缘图E；

步骤F3：将方向边缘图E进行不同方向θ与不同间距I下的间隔检测，获得第一阶段变换图S1；

在间隔检测过程中，首先对边缘图E进行(θ,I)的平移操作得到平移后的边缘图像E_(θ,I)，再将平移前后的边缘图相乘，最后利用方向边缘图E的平方和进行归一化处理，获得间距检测图Re(θ,I)，||E||为方向边缘图E的平方和；

对间距检测图Re(θ,I)再使用赢家通吃的策略，获取(θ,I)检测条件下的间距检测图Re(θ,I)中前Z个最大值，存入初始响应区域集合Re`(θ,I)，并将集合Re`(θ,I)作为第一阶段的视觉记忆信息，

其中，Re'(θ,I)^z表示(θ,I)检测条件下第z个初始响应值；Z表示初始响应取值数量，取值范围为3-5，max(Re(θ,I),Z)表示间距检测图Re(θ,I)中前Z个最大值；

步骤F4：采用半波整形函数对间距检测图进行整形处理，建立以方向θ和间距log(I)的坐标系，将经半波整形处理后的间距图中所有像素值累加求和的结果映射至该坐标系下的对应位置，得到第一阶段的输出图像S1；

步骤F5：将第一阶段输出图像S1按照步骤F2、F3、F4的处理过程再进行一次，得到第二阶段的特征输出图像S2和第二阶段的视觉记忆信息Re``(θ,I)。