【技术实现步骤摘要】
一种生物视觉神经敏感性仿生建模方法
本专利技术涉及一种生物视觉神经敏感性仿生建模方法，具体的是指通过模拟生物视觉神经敏感性建模，仿生感知场景中的运动和深度信息。
技术介绍
场景感知是计算机视觉领域中的一项重要技术,其主要目的是提取视频中的运动目标前景部分,主要应用领域包括视频监控、目标跟踪、视频编辑、自动驾驶等。目前大多的感知方法都是基于背景减除和基于深度学习的方法。基于背景减除的方法大多需要建立一个可靠的背景模型或者对背景的运动进行估计，这类方法往往比较单一、缺乏鲁棒性；而基于深度学习的方法，需要一定的数据和训练成本以及对全新场景的数据缺乏一定的泛化能力，并且往往实时性较差，很难用于现实场景的应用。
技术实现思路
专利技术目的：针对现有技术中存在的问题，本专利技术的目的是提供一种能够稳定、可靠地用于多种复杂动态场景条件下目标探测任务的生物视觉神经敏感性仿生建模方法。技术方案：一种生物视觉神经敏感性仿生建模方法，包括如下内容：(1)模拟构建由小叶巨型运动检测器和方向敏感神经元模型组成的双通...
【技术保护点】
1.一种生物视觉神经敏感性仿生建模方法，其特征在于，包括如下内容：/n(1)模拟构建由小叶巨型运动检测器和方向敏感神经元模型组成的双通道生物视觉敏感性模型，提取场景中目标深度运动信息和方向运动信息；/n(2)对运动的深度和方向信息进行融合并加强，突显目标并抑制无关背景噪声激励，完成视频运动目标的检测。/n
【技术特征摘要】
1.一种生物视觉神经敏感性仿生建模方法，其特征在于，包括如下内容：
(1)模拟构建由小叶巨型运动检测器和方向敏感神经元模型组成的双通道生物视觉敏感性模型，提取场景中目标深度运动信息和方向运动信息；
(2)对运动的深度和方向信息进行融合并加强，突显目标并抑制无关背景噪声激励，完成视频运动目标的检测。
2.根据权利要求1所述的一种生物视觉神经敏感性仿生建模方法，其特征在于，步骤(1)中，构建小叶巨型运动检测器模型的具体过程为：
根据仿生物视觉大脑中小叶巨型运动检测器的机理及其深度运动感知过程，以视频的帧序列作为模型的输入，建立深度运动感知模型，所述仿生运动感知模型包括深度感受器层、深度兴奋层、深度抑制层、深度求和层以及深度输出层；
所述深度感受器层用于感受视频图像的运动变化刺激；该层建模为3DGabor滤波器，用来模拟生物视觉的感受野特性，同时考虑时空变化信息，如下式所示：
其中，为生成的3DGabor滤波核，x和y为空域变量，t为时域内的时间变量；
式中，为空间Gabor滤波器；其中，γ为空间纵横比；σ为高斯标准差；和为旋转操作；υc为空间高斯包络函数沿着移动速度；θl为核函数方向；υl为核移动速度，取υl＝υc；λ为正弦函数波长；为相位偏移；
式中，为时域上的高斯函数；其中，μt为高斯函数均值；τ为高斯标准差；u(t)为一个单位阶跃函数，用于保证滤波器的因果特性；
产生的刺激响应为：
其中，L(x,y,t)为输入视频帧序列的亮度分布；*为卷积；hw[·]表示半波整流操作，该操作与生物视觉机理相符；
深度感受器层的输出为相位取0和得到的刺激响应的平方和：
深度感受器层的输出直接送往深度兴奋层和深度抑制层；所述深度兴奋层以一对一的像素继续传递到深度求和层，如下式所示：
El(x,y,t)＝Pl(x,y,t)
所述深度抑制层则根据侧抑制原则以一个延时τ流入深度求和层中对应单元的相邻单元，如下式所示：
其中，τ为延时；ωI为r×r侧抑制模板矩阵，进行局部抑制；
深度求和层利用侧抑制机理对来自深度兴奋和抑制层的信号进行求和，如下式所示：
Sl(x,y,t)＝El(x,y,t)-Il(x,y,t)·WI
其中，WI为全局抑制权重，Tl为阈值；
深度输出层采取生物视神经末端的激励汇聚处理机制，增强目标的深度运动信息，如下式所示：
其中，we为激励汇聚模板矩阵；由此得到小叶巨型运动检测器的检测结果。
3.根据权利要求1或2所述的一种生物视觉神经敏感性仿生建模方法，其特征在于，步骤(1)中，构建方向敏感神经元模型的具体过程为：
根据仿生物视觉大脑中方向敏感神经元的机理及其方向运动感知过程，以视频的帧序列作为模型的输入，建立方向运动感知模型，所述仿生运动感知模型包括方向感受器层、方向兴奋层、方向抑制层、方向求和层以及方向输出层；
所述方向感受器层建模为3DGabor滤波器，用来模拟生物视觉的感受野特性，同时考虑时空变化信息：
<...
【专利技术属性】
技术研发人员：陈哲，顾宇鹏，王慧斌，张丽丽，沈洁，刘海韵，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。