基于自适应非经典感受野机制的视觉选择性注意模型研究

视觉选择性注意是人类从外界海量信息中选择特定感兴趣区域的一个重要机制，贯穿于整个视觉信息处理过程中。对其进行合理的数学模拟是当前神经计算科学中的热点问题之一。本项目以我们已有的研究工作为基础，拟重点开展如下三方面的创新性研究：（1）结合最新的神经电生理研究进展，建立具有自适应特性的视觉神经元非经典感受野数学模型，实现底层特征的有效提取；（2）以眼动仪分析结果为指导，结合多通道多尺度分析技术，建立基于自适应非经典感受野模型的Bottom-up注意模型；（3）结合眼动仪分析结果，以Bayes学习理论和格式塔知觉组织原则等为基础，初步建立针对某些特定场景（如街道）的，基于物体（object）的Top-down注意模型。本项目的研究成果将会对发展具有自然环境感知与智能决策能力的相关应用（如无人驾驶）提供重要的技术支撑。

人类约有80%的信息通过视觉获得。视觉选择注意机制是人类从外界获得的大量信息中选择特定感兴趣区域的一个关键技术，贯穿于整个视觉信息处理过程中。视觉信息处理的许多方面都表现为自底而上(Bottom-up)和自顶而下(Top-down)的闭环控制机制。本项目重点研究了底层特征的有效提取，以及Top-down与Bottom-up机制的有效结合。本项目的典型成果包括：（1）采用一种独特的方式模拟了人类大脑视觉系统中的颜色双拮抗机制，简单有效地实现了对各种场景下的色偏图像的颜色矫正，并首次提出了“初级视皮层的颜色双拮抗神经元可以编码场景光源”的生理学观点；（2）建立了模拟大脑前端通路颜色信息加工的计算模型。基于模拟结果，首次提出了“初级视皮层中的朝向选择性颜色双拮抗神经元可以同时检测外界场景中的亮度边界和颜色边界”的生理学观点；将建立的模型用于提取复杂自然场景中的物体轮廓信息，取得了非常好的结果；（3）提出了一种改进的模拟Bottom-up选择注意机制的复杂场景显著区域检测方法，与已有的经典Itti模型相比，该方法引入了中央偏置机制和若干新的图像特征信息（包括contrast, entropy, and local feature change），同时借助于小波分频段处理技术，同时融合了低频和高频视觉信息，检测出来的显著区域更接近于眼动仪记录的人眼注意区域；（4）建立了一种综合Bottom-up和Top-down选择注意机制的复杂场景显著区域检测新模型。该模型针对于在街道场景中检测行人这一特定视觉搜索任务。该模型通过学习方法训练图像全局特征与目标（如行人）位置得到的分布函数模拟图像中的目标对人眼注意的自顶向下的调制。相对于已有模型，该模型能更准确地检测出行人所在区域。在本项目的支持下，已在国内外学术刊物及会议上发表论文10篇，其中在计算机视觉与模式识别领域的国际顶级会议ICCV和CVPR上发表论文2篇（其中ICCV2013论文是口头报告论文，录用率只有2.52%），获得授权的中国发明专利7项，另有4项处于公示阶段。此外，已向IEEE Trans on Image Processing、CVPR2014等国际刊物或顶级会议投出论文3篇。