[发明专利]一种基于人类记忆机制的车辆目标识别方法及装置

说明书

本发明提供了一种基于人类记忆机制的车辆目标识别方法和装置，其目标识别模型可以根据记忆能力来适应运动场景的变化，具有较好的鲁棒性，并且随着模型的更新学习，使得对车辆目标的识别率持续提升直至保持在一个较高的水平，误识别率也得以显著降低并趋于稳定，从而在精度和实时性上都能取得现有技术中所不具备的诸多有益效果。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种基于人类记忆机制的车辆目标识别技术。

背景技术

目前的动态车辆识别和车距测量技术易受环境等外部条件的影响，尤其当车辆处于复杂多变的交通场景或者恶劣天气环境中时难以获得令人满意的识别率和鲁棒性。双目立体视觉属于一种近年来发展较快的车辆识别以及测距技术，而如何选择相适应的图像识别模型是研究这种技术的一个核心问题。现有的识别模型中尚存在一些缺陷和局限性，同时，由于作为图像采集装置的摄像机在测量过程中通常随着车辆进行运动，从而导致运动目标背景的变化，使得待检测目标的形状信息、大小特征、颜色特征等方面均发生了不可预知的变化，对目标识别效果也会产生较大影响，为动态测量过程增加了很大的难度。因此，选择一种适合的图像识别模型并进一步用于动态车距测量，是本领域中亟待解决的技术问题。

发明内容

针对上述本领域中存在的技术问题，本发明提供了一种基于人类记忆机制的车辆目标识别方法，具体包括以下步骤：

S1.获取实时图像信息，根据所述实时图像信息生成显著图；

S2.根据显著图进行短时记忆识别车辆，识别成功后更新短时记忆为最新，否则进入步骤S3；

S3.进行长时间记忆识别车辆，识别成功后更新短时记忆为最新，否则遗忘对应的短时记忆；

S4.当更新短时记忆为最新后或经所述步骤S3并遗忘对应的短时记忆后，对下一显著图返回执行步骤S2。

进一步地，所述步骤S1中所述的生成显著图具体包括以下步骤：

S101.基于目标的稀有运动特征得到的显著区域；

S102.根据所述显著区域得到稀有运动矢量图，计算相应的稀有运动显著图；

S103.结合人类视觉注意模型，得到其他各稀有运动显著图之后，将所有显著图融合，使属于同一目标的区域合并，得到最终的显著图。

稀有运动特征包括稀有特征和运动光流特征，利用稀有运动特征(传统的人类视觉注意模型忽略了人眼对于运动目标的感知能力，此外图像中某一个区域能够获得注意，则它所具有的特征必定是“与众不同”的。因此，稀有性可以作为衡量视觉显著性的一个因素)把属于同一运动目标的区域进行合并形成显著区域。当图像中的颜色类别过多、比例相近时采用稀有显著性度量得到的显著图所指向的显著区域主要集中在视觉特征变化强烈的边缘或复杂的背景区域，前景目标因为特征变化比较平缓，显著性反而较低；由运动光流显著性度量得到的显著图所指向的显著区域虽然在一定程度上弥补了局部显著性度量的缺陷，但引入了很多误检测，降低了检测准确率。所以针对稀有特征和运动光流特征各自存在的优点和缺点，将这两个特征合并考虑为一个特征，即稀有运动特征，利用稀有运动特征把属于同一运动目标的区域进行合并。

进一步地，可通过计算图像中某个特征在整幅图像中出现的次数来衡量稀有性。

进一步地，所述步骤S103中使属于同一目标的区域合并具体包括：

S1011.定义区域之间的相似度函数，所述区域包括种子区域和待合并区域；

S1012.判断待合并区域与种子区域的合并指标，符合合并指标时，将该区域与种子区域进行合并，确认该区域与种子区域属于同一运动目标；

所述合并指标包括：