基于视觉注意机制的交通标志检测

doi:10.3969/j.issn.1000-3428.2013.02.039

计算机工程 ›› 2013, Vol. 39 ›› Issue (2): 192-196.doi: 10.3969/j.issn.1000-3428.2013.02.039

基于视觉注意机制的交通标志检测

刘芳，邹琪

(北京交通大学计算机与信息技术学院，北京 100044)

收稿日期:2012-05-20 修回日期:2012-07-17 出版日期:2013-02-15 发布日期:2013-02-13
作者简介:刘芳(1988－)，女，硕士研究生，主研方向：智能识别，目标检测，图像分割；邹琪，讲师、博士
基金项目:
国家自然科学基金资助项目(60902058)；北京市自然科学基金资助项目(4112047)；中央高校基本科研业务费专项基金资助项目(2012JBM026)

Traffic Sign Detection Based on Visual Attention Mechanism

LIU Fang, ZOU Qi

(School of Computer and Information Technology, Beijing Jiaotong University, Beijing 100044, China)

Received:2012-05-20 Revised:2012-07-17 Online:2013-02-15 Published:2013-02-13

摘要/Abstract

摘要： 根据人类视觉感知理论，将自底向上和自顶向下的注意机制相结合，融入到交通标志检测中，提出一种基于视觉注意机制的交通标志检测方法。根据2种注意模型提取颜色、形状、亮度等多种特征，生成显著图，利用WTA网络找到感兴趣区域，即交通标志区域。实验结果表明，该方法能在复杂背景图像中准确定位交通标志。

关键词: 注意机制, 显著图, 边缘检测, 感兴趣区域, 特征提取

Abstract: Two models of visual attention, bottom-up and top-down, which are consistent with human visual perception are introduced to traffic sign detection region. In this paper, it puts forward a way of traffic sign detection based on the visual saliency map. The features of color, shape, intensity and orientation are obtained to make saliency map. It finds the Region of Interest(ROI) by using of the Winners Take All(WTA) network. Experimental results show this method can accurately position the traffic sign in the cases of complex background images.

Key words: attention mechanism, saliency map, edge detection, Region of Interest(ROI), feature extraction

中图分类号:

TP391

刘芳, 邹琪. 基于视觉注意机制的交通标志检测[J]. 计算机工程, 2013, 39(2): 192-196.

LIU Fang, JU Qi. Traffic Sign Detection Based on Visual Attention Mechanism[J]. Computer Engineering, 2013, 39(2): 192-196.

参考文献

[1] Itti L, Koch C, Niebur E. A Model of Saliency-based Visual Attention for Rapid Scene Analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(11): 1254-1259.
[2] Laurent I, Carl G, Christ K. Visual Attention and Target Detection in Cluttered Natural Scenes[J]. Optical Engineering, 2001, 40(9): 1784-1793.
[3] 徐华青, 陈瑞南, 林锦川, 等. 道路交通标志检测方法研究[J]. 福州大学学报, 2010, 11(3): 132-135.
[4] 桑农, 李正龙, 张天序. 人类视觉注意机制在目标检测中的应用[J]. 红外与激光工程, 2004, 33(1): 38-42.
[5] 靳薇, 张建奇, 张翔. 基于视觉注意力模型的红外目标检测[J]. 红外技术, 2007, 29(12): 720-723.
[6] 冯晓伟, 田裕鹏. 基于形状内容描述子的点特征匹配[J].光电工程, 2008, 35(2): 108-116.
[7] 陆晓峰, 朱双东. 基于BP网络分类器的交通标志识别[J]. 宁波大学学报, 2007, 20(3): 281-284.
[8] 徐平, 邵定宏, 魏楹. 最佳阈值分割和轮廓提取技术及其应用[J]. 计算机工程与设计, 2009, 30(2): 437- 439.
[9] 陈维馨, 李翠华, 汪哲慎. 基于颜色和形状的道路交通标志检测[J]. 厦门大学学报, 2007, 46(5): 635-640.
[10] Wang Jun, Wang Shitong, Deng Zhaohong. Image Thresholding Base on Minimax Probability Criterion[J]. Pattern Recognition and Artificial Intelligence, 2010, 23(6): 881-882.
[11] 何耀平, 徐丽珍. 自然场景下交通标志的自动识别算法[J]. 微计算机信息, 2010, 23(4): 262-266.
[12] Ren Xiaofeng, Charless C F. Learning Probabilistic Models for Contour Completion in Natural Images[J]. International Journal of Computer Vision, 2008, 77(1-3): 47-63.
[13] Geisler S, Perry J S, Super B J, et al. Edge Co-occurrence in Natural Mages Predicts Contour Grouping Per- formance[J]. Vision Research, 2001, 41(6): 711-724.
[14] Walthe D, Koch C. Modeling Attention to Salient Proto- objects[J]. Neural Networks, 2006, 19(9): 1395-1407.

[1]	王旭, 陈永乐, 王庆生, 陈俊杰. 结合特征选择与集成学习的密码体制识别方案[J]. 计算机工程, 2021, 47(1): 139-145,153.
[2]	陈泽, 叶学义, 钱丁炜, 魏阳洋. 基于改进Faster R-CNN的小尺度行人检测[J]. 计算机工程, 2020, 46(9): 226-232,241.
[3]	生龙, 马建飞, 杨瑞欣, 吴迪. 基于特征交换的CNN图像分类算法研究[J]. 计算机工程, 2020, 46(9): 268-273.
[4]	张艺, 周雯, 梁意文, 谭成予. 基于数字微分的函数化树突状细胞算法模型[J]. 计算机工程, 2020, 46(9): 54-60.
[5]	张国令, 王晓丹, 李睿, 来杰, 向前. 基于栈式降噪稀疏自编码器的极限学习机[J]. 计算机工程, 2020, 46(9): 61-67.
[6]	谢瑞, 邵堃, 霍星, MITHUN Md Masud Parvej. 一种改进的DIQaM_FR/NR图像质量评价模型[J]. 计算机工程, 2020, 46(8): 258-263,270.
[7]	郑伟成, 李学伟, 刘宏哲, 代松银. 基于深度学习的疲劳驾驶检测算法[J]. 计算机工程, 2020, 46(7): 21-29.
[8]	罗彬珅, 刘利民, 董健, 刘璟麒. 基于SAE-GA-SVM模型的雷达新型干扰识别[J]. 计算机工程, 2020, 46(6): 281-287.
[9]	郑秋梅, 王璐璐, 王风华. 基于改进卷积神经网络的交通场景小目标检测[J]. 计算机工程, 2020, 46(6): 26-33.
[10]	蔡凯, 李新福, 田学东. 基于视觉注意力分析的3D内容生成方法[J]. 计算机工程, 2020, 46(4): 266-272.
[11]	康雁, 杨其越, 李浩, 梁文韬, 李晋源, 崔国荣, 王沛尧. 基于主题相似性聚类的自适应文本分类[J]. 计算机工程, 2020, 46(3): 93-98.
[12]	衡红军, 刘静. 基于混合方法的多维时间序列驾驶异常点检测[J]. 计算机工程, 2020, 46(3): 99-104.
[13]	陈良臣, 高曙, 刘宝旭, 陶明峰. 网络流量异常检测中的维数约简研究[J]. 计算机工程, 2020, 46(2): 11-20.
[14]	齐永锋, 李陇强. 基于局部模式的癫痫脑电信号自动分类方法[J]. 计算机工程, 2020, 46(2): 298-303.
[15]	刘宜成, 廖鹭川, 张劲, 吴浩, 何凌, 戴弘宁, 张晗, 杨刚. 基于轨迹和形态识别的无人机检测方法[J]. 计算机工程, 2020, 46(12): 283-289,298.

基于视觉注意机制的交通标志检测

Traffic Sign Detection Based on Visual Attention Mechanism

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10