運(yùn)動目標(biāo)邊沿提取的視網(wǎng)膜神經(jīng)計(jì)算機(jī)制及網(wǎng)絡(luò)模型研究.pdf

1、視網(wǎng)膜生理功能及視覺機(jī)制研究是生物神經(jīng)學(xué)和信號處理領(lǐng)域的一個研究熱點(diǎn)，其目的是通過揭示和分析視網(wǎng)膜生理功能的神經(jīng)計(jì)算機(jī)理以構(gòu)建面向?qū)嵺`應(yīng)用的視覺神經(jīng)網(wǎng)絡(luò)模型。近年來，隨著計(jì)算技術(shù)的高速發(fā)展和神經(jīng)生理學(xué)新成果的不斷涌現(xiàn)，基于視網(wǎng)膜計(jì)算機(jī)理的神經(jīng)網(wǎng)絡(luò)模型在機(jī)器視覺的應(yīng)用中被越來越多的研究者所關(guān)注。
　　邊沿是圖像中灰度不連續(xù)或發(fā)生急劇變化的區(qū)域之間的邊界，是圖像的一個重要特征。有效克服邊沿檢測中噪聲消除和邊沿定位之間的“兩難”問題，增

2、強(qiáng)并提取圖像的邊沿，在圖像分割和識別等較高層次特征的描述中具有重要意義。本文立足于視覺信息處理是亮度、顏色和運(yùn)動等多通道并行、相互交叉這一基本機(jī)制，并結(jié)合對視網(wǎng)膜邊沿檢測和運(yùn)動檢測功能及機(jī)制的梳理，構(gòu)建了基于視網(wǎng)膜神經(jīng)計(jì)算機(jī)制的亮度通道邊沿檢測模型、運(yùn)動通道目標(biāo)運(yùn)動檢測模型，雙通道并行交叉的邊沿增強(qiáng)提取模型。本文所做工作如下：
　?。?）系統(tǒng)梳理了視網(wǎng)膜邊沿檢測的生理機(jī)制，構(gòu)建基于視網(wǎng)膜神經(jīng)計(jì)算機(jī)制的邊沿檢測模型(retinaNe

3、t-Edge)，重點(diǎn)研究了網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、各類神經(jīng)元的輸入輸出關(guān)系及感受野特性等；（2）系統(tǒng)梳理了視網(wǎng)膜運(yùn)動檢測的生理機(jī)制，構(gòu)建基于視網(wǎng)膜神經(jīng)計(jì)算機(jī)制的目標(biāo)運(yùn)動檢測模型(retinaNet-Motion)，重點(diǎn)研究了網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、方向選擇性電路、各層神經(jīng)元的感受野特性及輸入輸出關(guān)系等；（3）結(jié)合亮度通道和運(yùn)動通道的特點(diǎn)，建立綜合的基于視網(wǎng)膜綜合計(jì)算機(jī)理的運(yùn)動目標(biāo)邊沿提取模型(retinaNet-EdgeEnh)，利用運(yùn)動信息提升邊沿檢

4、測的效果，著重分析了運(yùn)動信息的反饋機(jī)制；（4）從算法的復(fù)雜度及方法的適用性等方面重點(diǎn)分析了幾種常用的邊沿檢測性能評估方法，以針對性地對后續(xù)實(shí)驗(yàn)結(jié)果進(jìn)行合理且精確的評估，提升邊沿質(zhì)量的評估的可信度；（5）仿真結(jié)果表明：retinaNet-Edge模型既精準(zhǔn)高效地提取圖像邊沿，又注重非線性地保留圖像中的重要細(xì)節(jié)如紋理等，邊沿定位精度更高，錯檢、漏檢幾率更小，整體效果優(yōu)于經(jīng)典的Canny算子及新近提出的基于震顫的神經(jīng)網(wǎng)絡(luò)模型[35]；reti

5、naNet-Motion模型能較好地檢測目標(biāo)運(yùn)動的“敏感點(diǎn)”及方向；retinaNet-EdgeEnh模型進(jìn)一步改善了retinaNet-Edge模型的邊沿檢測性能，在保持邊沿像素精度的同時在一定程度上銳化邊沿，能有效弱化或去除拐角處的虛假邊沿。
　　本文關(guān)于目標(biāo)邊沿增強(qiáng)和提取的神經(jīng)計(jì)算方法的研究，工程上實(shí)現(xiàn)了以新的途徑增強(qiáng)圖像邊沿的清晰度，降低噪聲，使其更好地應(yīng)用于目標(biāo)追蹤、目標(biāo)識別、圖像匹配或醫(yī)學(xué)觀測等各個領(lǐng)域，以達(dá)到實(shí)時處理