复眼视觉启发的基于光流的目标检测方法技术

本公开提供了一种复眼视觉启发的基于光流的目标检测方法，包括：根据EMD列阵输出的光流矩阵，确定对第一、第二神经网络的突触输入电导矩阵；根据第一、第二神经网络的膜电位矩阵，得到第一、第二神经网络的输出矩阵，进而确定对第三神经网络的突触输入电导矩阵；根据第三神经网络的突触输入电导矩阵，得到第三神经网络的神经元膜电位矩阵，建立第三神经网络中单个神经元膜电位与单个神经元输出间的非线性关系，得到目标对象的运动检测结果。本公开以借鉴完美进化的复眼视觉系统的工作原理为出发点，通过对初级运动检测器列阵估测光流进行并行的逐点时空平滑及非线性二分类变换，实现了基于生物感知光流机制的运动检测和目标

【技术实现步骤摘要】
复眼视觉启发的基于光流的目标检测方法


[0001]本公开涉及脑科学与计算机视觉交叉领域，尤其涉及一种复眼视觉启发的基于光流的目标检测方法。

技术介绍

[0002]计算机视觉、机器视觉等领域已有很多方法可以检测运动目标对象。对于事先已知被检测目标信息的情况，常通过构建并训练神经网络分类器等方法检测目标对象；对于未知目标先验知识的情况，需要根据运动突显特征来检测目标，常用方法有光流法、背景建模法等。
[0003]光流法根据物理世界的光流场特性检测运动，是心理学家Gibson上世纪50年代提出的光流概念在计算机视觉中的重要应用。应用光流法首先需要计算视频帧对应的光流，然后依据运动物体光流与背景光流之间、不同速度的物体光流之间的不连续性，分割提取出独立的运动目标。目前基于梯度、基于匹配、基于能量、基于相位等各种光流计算理论和方法已经相当完善。
[0004]但是，利用光流法进行目标对象检测需满足三个条件：1、场景亮度恒定；2、运动较缓慢，即帧间运动满足时间连续性；3、场景内邻近点具有相似的运动，即符合空间一致性。而当对复杂多变、目标快速运动的场景，很难同时满足以上基本假设。而且，对整个场景求稠密光流的计算量非常巨大，使得光流法在线检测速度缓慢。
[0005]另一类应用较广的运动检测方法是背景建模法，即通过求解当前帧与背景模板的差分来检测目标。实际场景常处于动态变化中，背景建模法的关键是如何建立一个抗噪、能够随场景快速更新的背景模型。围绕这个核心问题，涌现出了参数、非参数以及数据驱动等各种背景建模法。由于背景建模法需要缓冲若干帧来学习、建立背景，所以这类方法的局限性是在复杂多变的场景下面临不能及时更新背景模型的问题。

技术实现思路

[0006](一)要解决的技术问题
[0007]本公开提供了一种复眼视觉启发的基于光流的目标检测方法，以解决以上所提出的技术问题。
[0008](二)技术方案
[0009]根据本公开的一个方面，提供了一种复眼视觉启发的基于光流的目标检测方法，包括：
[0010]利用初级运动检测器列阵，对连续输入的视频帧近似估测二维光流场，输出用于表征所述二维光流场的光流矩阵；其中，所述光流矩阵的正或负元素表征所述视频帧中对应像素位置的局域运动方向；其中，所述视频帧中包括目标对象和背景，所述背景静止；
[0011]根据所述光流矩阵，确定对所述第一神经网络和所述第二神经网络的突触输入电导矩阵，得到第一神经网络和第二神经网络的神经元膜电位矩阵；建立所述第一神经网络
和所述第二神经网络中单个神经元膜电位与单个神经元输出间的非线性关系，得到所述第一神经网络和所述第二神经网络的输出矩阵；
[0012]根据所述第一神经网络和所述第二神经网络的输出矩阵，确定对第三神经网络的突触输入电导矩阵；
[0013]根据所述第三神经网络的突触输入电导矩阵，得到所述第三神经网络的神经元膜电位矩阵，建立所述第三神经网络中单个神经元膜电位与单个神经元输出间的非线性关系，得到所述第三神经网络的输出矩阵；其中，所述第三神经网络的输出矩阵表征所述视频帧中目标对象的运动检测结果。
[0014]在本公开的一些实施例中，将所述初级运动检测器列阵的视频帧输入间隔划分为多个时间步长，将每个所述时间步长作为所述第一神经网络神经元、所述第二神经网络神经元和所述第三神经网络神经元的积分步长，以便衔接所述初级运动检测器列阵和所述第一神经网络神经元、所述第二神经网络神经元和所述第三神经网络神经元的时间尺度。
[0015]在本公开的一些实施例中，所述第一神经网络、所述第二神经网络和所述第三神经网络的尺度与初级运动检测器列阵的尺度相匹配；其中，所述初级运动检测器列阵、所述第一神经网络、所述第二神经网络和所述第三神经网络的尺度均为m
×
n。
[0016]在本公开的一些实施例中，所述根据所述光流矩阵，确定对所述第一神经网络和所述第二神经网络的突触输入电导矩阵包括：
[0017]分别计算所述第一神经网络神经元和所述第二神经网络神经元的感受野函数与所述初级运动检测器列阵输出的光流矩阵的卷积，得到对所述第一神经网络和所述第二神经网络的突触输入电导矩阵；
[0018]其中，所述第一神经网络神经元和所述第二神经网络神经元在所述初级运动检测器列阵的感受野为取正值符号或负值符号的p
×
p二维高斯函数，且所述第一神经网络神经元在所述初级运动检测器列阵的感受野与所述第二神经网络神经元在所述初级运动检测器列阵的感受野为不同符号的p
×
p二维高斯函数，其中，p≥3；
[0019]其中，所述根据所述第一神经网络和所述第二神经网络的输出矩阵，确定对第三神经网络的突触输入电导矩阵包括：
[0020]所述第一神经网络和所述第二神经网络的输出矩阵以空间对应方式相加，再与所述第三神经网络神经元的感受野函数作卷积运算，得到所述第三神经网络的突触输入电导矩阵；
[0021]其中，所述第三神经网络神经元的感受野为取正值的k
×
k二维高斯函数，其中，1≤k＜p。
[0022]在本公开的一些实施例中，所述第一神经网络、所述第二神经网络和所述第三神经网络的神经元膜电位矩阵的确定包括：
[0023]根据所述第一神经网络、所述第二神经网络和所述第三神经网络的突触输入电导矩阵，分别计算所述第一神经网络、所述第二神经网络和所述第三神经网络的突触输入电流为I
syn
：
[0024]I
syn
(t)＝g
+
(t)(E
ext
‑
V)+|g
‑
(t)|(E
inh
‑
V)；
[0025]其中，g
+
(t)为兴奋性突触产生的输入电导矩阵，g
‑
(t)为抑制性突触产生的输入电导矩阵，E
ext
为兴奋性突触电流的反转电位，E
inh
为抑制性突触电流的反转电位；
[0026]根据所述第一神经网络、所述第二神经网络和所述第三神经网络中所有神经元动力学方程，分别得到所述第一神经网络、所述第二神经网络和所述第三神经网络的神经元膜电位矩阵：
[0027][0028]其中，V为神经元膜电位，τ
m
为神经元膜时间常数，E
leak
为静息电位，I
syn
为所述突触输入电流；
[0029]其中，所述第一神经网络、所述第二神经网络和所述第三神经网络的神经元采用分级膜电位编码输入信息，模拟了复眼视觉系统中神经元的非发放特性。
[0030]在本公开的一些实施例中，通过sigmoid函数，建立所述第一神经网络、所述第二神经网络和第三神经网络中单个神经元膜电位与单个神经元输出间的非线性关系。
[0031]根据本公开的另一个方面，还提供了一种复眼视觉启发的基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复眼视觉启发的基于光流的目标检测方法，包括：利用初级运动检测器列阵，对连续输入的视频帧近似估测二维光流场，输出用于表征所述二维光流场的光流矩阵；其中，所述光流矩阵的正或负元素表征所述视频帧中对应像素位置的局域运动方向；其中，所述视频帧中包括目标对象和背景，所述背景静止；根据所述光流矩阵，确定对所述第一神经网络和所述第二神经网络的突触输入电导矩阵，得到第一神经网络和第二神经网络的神经元膜电位矩阵；建立所述第一神经网络和所述第二神经网络中单个神经元膜电位与单个神经元输出间的非线性关系，得到所述第一神经网络和所述第二神经网络的输出矩阵；根据所述第一神经网络和所述第二神经网络的输出矩阵，确定对第三神经网络的突触输入电导矩阵；根据所述第三神经网络的突触输入电导矩阵，得到所述第三神经网络的神经元膜电位矩阵，建立所述第三神经网络中单个神经元膜电位与单个神经元输出间的非线性关系，得到所述第三神经网络的输出矩阵；其中，所述第三神经网络的输出矩阵表征所述视频帧中目标对象的运动检测结果。2.根据权利要求1所述的目标检测方法，其中，将所述初级运动检测器列阵的视频帧输入间隔划分为多个时间步长，将每个所述时间步长作为所述第一神经网络神经元、所述第二神经网络神经元和所述第三神经网络神经元的积分步长，以便衔接所述初级运动检测器列阵和所述第一神经网络神经元、所述第二神经网络神经元和所述第三神经网络神经元的时间尺度。3.根据权利要求1所述的目标检测方法，其中，所述第一神经网络、所述第二神经网络和所述第三神经网络的尺度与初级运动检测器列阵的尺度相匹配；其中，所述初级运动检测器列阵、所述第一神经网络、所述第二神经网络和所述第三神经网络的尺度均为m
×
n。4.根据权利要求1所述的目标检测方法，其中，所述根据所述光流矩阵，确定对所述第一神经网络和所述第二神经网络的突触输入电导矩阵包括：分别计算所述第一神经网络神经元和所述第二神经网络神经元的感受野函数与所述初级运动检测器列阵输出的光流矩阵的卷积，得到对所述第一神经网络和所述第二神经网络的突触输入电导矩阵；其中，所述第一神经网络神经元和所述第二神经网络神经元在所述初级运动检测器列阵的感受野为取正值符号或负值符号的p
×
p二维高斯函数，且所述第一神经网络神经元在所述初级运动检测器列阵的感受野与所述第二神经网络神经元在所述初级运动检测器列阵的感受野为不同符号的p
×
p二维高斯函数，其中，p≥3；其中，所述根据所述第一神经网络和所述第二神经网络的输出矩阵，确定对第三神经网络的突触输入电导矩阵包括：所述第一神经网络和所述第二神经网络的输出矩阵以空间对应方式相加，再与所述第三神经网络神经元的感受野函数作卷积运算，得到所述第三神经网络的突触输入电导矩阵；其中，所述第三神经网络神经元的感受野为取正值的k
×
k二维高斯函数，其中，1≤k＜p。5.根据权利要求1所述的目标检测方法，其中，所述第一神经网络、所述第二神经网络
和所述第三神经网络的神经元膜电位矩阵的确定包括：根据所述第一神经网络、所述第二神经网络和所述第三神经网络的突触输入电导矩阵，分别计算所述第一神经网络、所述第二神经网络和所述第三神经网络的突触输入电流为I
syn
：I
syn
(t)＝g
+
(t)(E
ext
‑
V)+|g
‑
(t)|(E
inh
‑
V)；其中，g
+
(t)为兴奋性突触产生的输入电导矩阵，g
‑
(t)为抑制性突触产生的输入电导矩阵，E
ext
为兴奋性突触电流的反转电位，E
inh
为抑制性突触电流的反转电位；根据所述第一神经网络、所述第二神经网络和所述第三神经网络中所有神经元动力学方程，分别得到所述第一神经网络、所述第二神经网络和所述第三神经网络的神经元膜电位矩阵：其中，V为神经元膜电位，τ
m
为神经元膜时间常数，E
leak
为静息电位，I
syn
为所述突触输入电流；其中，所述第一神经网络、所述第二神经网络和所述第三神经网络的神经元采用分级膜电位编码输入信息，模拟了复眼视觉系统中神经元的非发放特性。6.根据权利要求1所述的目标检测...

【专利技术属性】
技术研发人员：武志华，郭爱克，赵骏宇，奚盛凯，
申请(专利权)人：中国科学院生物物理研究所，
类型：发明
国别省市：