基于CNNs电路模型的运动目标检测方法

摘  要： 关键词： CNNs；运动目标检测；帧差法；光流法
   　运动目标检测是视频图像跟踪与识别系统中的关键技术，在视频监控、交通流量统计、人机交互、机器人等领域有着广泛的应用。目前常用的方法有帧差法、背景减法、光流法等，其中帧差法和背景减法适用于摄像机静止时运动目标的检测，光流法则在摄像机移动时能够得到较好的检测效果。在运动目标检测的各种应用领域中，对算法的实时性都有着很高的要求，因此，如何提高运算速度以满足实时需求是科研人员需要解决的问题。
　细胞神经网络CNNs(Cellular Neural Networks)是一种具有并行处理能力的网状非线性电路模型[1]，其基本单元称为细胞。细胞结构简单且细胞之间为局部互联，因此，方便超大规模集成电路(VLSI)实现，研制成功的细胞神经网通用机(CNN Universal Machine)已被证明具有图灵机的计算能力[2]。作为一种面向集成电路实现的神经网络，细胞神经网很好地结合了并行计算和并行结构，具有与人眼视网膜相似的结构，因此用细胞神经网来探索视觉计算和实时图像处理有着重要意义。当前细胞神经网主要用于实时图像处理领域，在模式识别、仿生眼、自治机器人、信息安全、高级脑功能等研究领域也得到了成功的应用[3-5]，并出现了差值控制细胞神经网、模糊细胞神经网、多层细胞神经网、时滞细胞神经网等多种形式。
　本文首先给出了CNNs的基本概念并对其稳定性进行了分析，然后针对运动目标检测常用的帧差法和光流法，给出了基于细胞神经网的实现方式，最后采用不同视频图像序列进行了仿真验证。





   
     阈值化、滤波、空洞填充、边缘估计、反向选择等运算的CNNs模板可参考文献[7-8]。
4 基于CNNs的光流运动目标检测方法
　运动产生出光流，光流是运动信息的一个近似反映。基于光流方法的运动检测采用了运动目标随时间变化的光流特性，通过计算光流并对光流图像分割来检测运动目标。由于光流场中不同的物体会有不同的速度，因此，即使在摄像机存在运动的情况下也能检测出独立的运动目标。光流法的缺点是计算方法复杂、运算量大，因此很难应用于实时性要求较高场合。本文应用具有并行计算能力的细胞神经网实现光流场的估计。
4.1 连续时间域光流计算描述
　细胞神经网是在连续时间域进行信息处理，因此首先考虑光流计算的连续时间域描述方法。若图像中某像素m在时刻t的灰度值为I(x，y，t)，令点m的速度为Vm=(u，v)，则Horn & Schunck光流计算模型，其光流矢量通过如下方程组求解：


4.2 仿真试验结果
　取highway图像序列检验所提出的光流运动检测方法。该图像序列是在摄像机移动条件下拍摄的，序列中几乎不存在静止对象。为得到较好检测效果，在光流计算之后(计算运动矢量幅值)，依次采用了滤波、阈值化、空洞填充、边缘检测、杂点取出等一系列运算，CNNs光流法检测结果如图4所示。从仿真试验可以看出，所提出方法能够得到正确检测结果。
   
   　本文针对常用的运动目标检测方法，探索了细胞神经网的实现方式，最后采用不同视频图像序列进行了仿真验证，结果证明了所提出方法的有效性。
参考文献
[1] CHUA L O， YANG L. Cellular neural network： theory[J]. IEEE Transactions on Circuits and Systems， 1988， 35(10)：1257-1272.
[2] LINAN G， ESPEJO S， DOMINGUEZ C R. ACE4K： an analog I/O 64×64 visual microprocessor chip with 7-bit analog accuracy[J]. International Journal of Circuit Theory and Applications， 2002， 30(1)：89-116.
[3] BALYA D， ROSKA B， ROSKA T， et al. A CNN framework for modeling parallel processing in a mammalian retina[J]. International Journal of Circuit Theory and Applications， 2002， 30(2)：363-393.
[4] ARENA P， BASILE A， FORTUNA L. CNN wave based computation for robot navigation planning[M]. Proceedings of the 2004 International Symposium on Circuits and Systems， 2004：500-503.
[5] PETRAS I， ROSKA T. Application of direction constrained and bipolar waves for pattern recognition[C]. Proceedings of the 6th IEEE International Workshop on Cellular Neural Networks and their Applications， Catania， Italy， 2000：3-8.
[6] SLAVOVA A. Applications of some mathematical methods in the analysis of cellular neural networks[J]. Journal of Computational and Applied Mathematics， 2000， 114(6)： 387~404.
[7] 鞠磊，郑德玲，翁贻方.基于细胞神经网的快速图像分割方法[J].北京工商大学学报(自然科学版)，2005，23(9)：32-34，39.
[8] 鞠磊，郑德玲，张蕾.基于差值控制细胞神经网络图像滤波器[J].北京科技大学学报，2005，27(6)：375-379.