仿生眼的研究现状与发展趋势

首先，在分析人眼眼球运动的特点和形式的基础上,详细介绍了国内外仿生眼研究对扫视性眼球运动、平滑性眼球运动、异向眼球运动、前庭动眼反射、视动反射等的模仿，最后总结了仿生眼研究的特点和发展趋势．     

生物视觉仿生在计算机视觉中的应用研究*

探讨了生物视觉仿生在计算机视觉中的应用,重点研究了鲎复眼、蝇复眼、人眼视觉及猫视觉皮层的仿生技术。结果表明,生物视觉仿生为计算机视觉的研究提供了可行和有效的途径。     

仿人形机器人两眼协调运动控制系统的实现

人的两个眼球通常都是协调运动的，两个眼球各自独立地运动是不可能的。为此，我们以人的视觉生理学和解剖学研究成果为基础，对上述人的视觉机理进行研究，目的是简化人类复杂的视觉反馈系统，研制出相应的仿人形机器人视觉系统。本文主要介绍作者开发的一个仿人形机器人两眼协调运动控制系统及其控制软件。该控制系统及其控制软件可以用于实时地追踪、定位和识别活动人脸等运动目标。     

机器视觉技术在田间农业机械上的应用

机器视觉是用机器代替人眼进行测量和判断,其已广泛应用于农业生产中.本文综合阐述了机器视觉技术在我国田间农业机械上的主要应用,包括在果蔬自动采摘机械上的应用、在除草机械上的应用、在喷药机械上的应用和在农业机械视觉导航中的应用,为后续研究和应用提供参考.该技术的应用有力的促进着农业机械的智能化,具有重要的研究价值和广阔的应用空间.     

仿生型机器人眼球运动控制系统建模

首先，分析了人眼眼球运动的特点和形式．然后，在人眼解剖学和生理学研究的基础上，根据控制眼球运动的神经回路，建立了可实现人眼功能的仿生型机器人眼三维眼球运动控制系统的数学模型．在与生理学试验相同的条件下对该模型用Matlab 65进行了仿真实验，仿真结果与生理学实验结果对比表明，该模型能自适应地实现人眼的平滑追踪、前庭动眼反射、视动反射及其复合运动．     

卷烟条盒包装质量检测机器视觉系统设计

为了避免人眼对产品外观质量检测时,人眼视觉疲劳所产生的产品错检、漏检,提出了基于机器视觉的烟支条盒包装质量检测系统的设计。该系统由光源、相机、图像采集卡和工业控制计算机组成视觉系统处理单元,应用定位配准、边缘检测和斑点分析等图像处理算法完成对产品缺陷的检测。该视觉检测系统已经在烟厂得到了实际应用,对今后开发类似的基于机器视觉的产品外观质量检测系统具有一定的参考价值和指导意义。     

计算机视觉的哲学原理

人类所获得的信息的百分之八十来自于视觉系统，而计算机的应用已开始涉及所有有意义的领域，所以计算机视觉（CbrllputerVision）的研究是本世纪最活跃的领域之一。从事计算机视觉研究工作的人已经取得了很大的成果，各种各样的机器视觉系统层出不穷。但是，科学家们也看到，一些对人类来说非常简单的问题在计算机视觉的研究和实现中却变得非常困难，因为一个裸露的机器缺少起码的在人类看来天经地义的智能和知识。就目前计算机视觉的发展来看，从根本上用机器视觉来代替甚至模仿人类的视觉系统是非常困难的。越来越多的从事这一领域研究…     

基于机器视觉的插座品质检测方法

针对目前人工成本上升,人眼易出现视觉疲劳导致检测效率低下等问题,本文提出了一种基于机器视觉的插座品质检测方法.主要研究内容如下:1)研究了基于模板匹配的插座机器视觉定位方法.2)研究了基于灰度均值的螺丝缺陷机器视觉检测方法.3)研究了基于灰度标准偏差的插孔缺陷机器视觉检测方法.根据以上检测方法,编写了检测软件,在生产线上进行测试,对插座螺丝和插孔缺陷的识别率达到100%,平均每帧图像处理仅耗时100ms,表明该方法具有准确率高、速度快的优点.     

基于视觉生理的虚拟环境显示

为解决虚拟环境造成沉浸者不适之问题,提出了满足视觉生理要求和较完善的虚拟环境视觉系统设计方案,即基于视觉内部机理和基于外部硬件新技术的两种方案,根据对虚拟环境的研究需要,在基于视觉机理的解决方案中,首次提出了明视深度这一新术语,并详细阐述了明视深度的概念、原理及测量方法,。从而为有效地避免头晕、眼胀等不良反应进行的视觉系统设计,增加了新的理论依据,在基于硬件技术的解决方案中,还结合眼球跟踪系统,液晶微电脑眼镜等新技术,分析了其应用原理及优缺点,最后讨论了人类视觉的自适应能力。     

神经形态视觉传感器的研究进展及应用综述

神经形态视觉传感器具有高时域分辨率、高动态范围、低数据冗余和低功耗等优势,近年来在自动驾驶、无人机视觉导航、工业检测及视觉监控等领域(尤其在涉及高速运动和极端光照等条件下)产生了巨大的应用前景.神经形态视觉是一个包含硬件、软件、生物神经模型等的视觉感知系统,终极目标是模拟生物视觉感知结构与机理,以硅视网膜达到、扩展或超越人类智能.作为神经形态工程的重要分支,神经形态视觉是计算神经科学与计算机视觉领域的交叉学科与研究热点.本文从生物视觉采样模型、神经形态视觉传感器的采样模型及类型、视觉信号处理与特征表达、视觉任务应用等视角进行了系统性地回顾与综述,展望了该领域未来研究的技术挑战与可能发展方向,同时探讨了其对未来机器视觉和人工智能领域的潜在影响.     

基于眼球前庭动眼反射的机器人视觉误差主动补偿方法

针对机器人在颠簸环境下作业过程中产生姿态变化从而导致的视觉不稳定性问题,基于眼球前庭动眼反射的机理,提出一种主动补偿视觉误差的方法.在生理学和解剖学的基础上,根据眼球运动的神经回路,建立了一个具有自适应性的前庭动眼反射控制模型.为了验证模型的性能,在不同的环境中进行了仿真实验,仿真结果表明该模型可以主动补偿机器人姿态变化所引起的视觉误差,并且具有良好的自适应性.最后,通过实体机器人实验验证了该控制模型的有效性与准确性.     

基于双目视觉的深度图立体匹配算法研究改进

双目立体视觉可以直接模仿人眼与人类视觉的立体感知过程,是计算机视觉研究的核心课题之一。文章主要针对图像的立体匹配算法研究,对区域相关算法进行了分析。在传统的NCC基本灰度相关度测度函数的基础上,将动态规划优化理论引入到匹配中,提高了匹配的速度和准确度。实验表明,本文算法能够满足目标跟踪试验要求,具有重要的理论意义和较高的实用价值。     

APES: Attentively Perceiving Robot

Robot vision systems—inspired by human-like vision—are required to employ mechanisms similar to those that have proven to be crucial in human visual performance. One of these mechanisms is attentive perception. Findings from vision science research suggest that attentive perception requires a multitude of properties: A retina with fovea-periphery distinction, an attention mechanism that can be manipulated both mechanically and internally, an extensive set of visual primitives that enable different representation modes, an integration mechanism that can infer the appropriate visual information in spite of eye, head, body and target motion, and finally memory for guiding eye movements and modeling the environment. In this paper we present an attentively “perceiving” robot called APES. The novelty of this system stems from the fact that it incorporates all of these properties simultaneously. As is explained, original approaches have to be taken to realize each of the properties so that they can be integrated together in an attentive perception framework.     

脑启发的视觉目标识别模型研究与展望

视觉目标识别是计算机视觉领域中最基本、最具有挑战性的研究课题之一。由于灵长类出色的视觉目标识别能力，对其神经功能机理的研究可能为类脑视觉带来革命性的突破。旨在系统地回顾最近在计算神经科学和计算机视觉交叉领域的工作，研究当前基于脑启发的目标识别模型及其依据的视觉神经机制。从认知功能和皮层动力学方面总结了灵长类视觉目标识别机制的基本特征和主要贡献；根据技术架构和开发方式总结了基于大脑启发的目标识别模型及其实现类脑目标识别的优缺点。进一步对人工神经网络与视觉神经网络进行相似性分析，研究了当前流行的CNN视觉基准模型在生物学上的可信性。总结了当前视觉目标识别常用的实验设计条件和数据分析方法，可以作为一个研究人员进行视觉目标识别研究时权衡时机和条件的使用指南。     

生物视觉系统的神经网络编码模型综述

生物视觉系统的研究一直是计算机视觉算法的重要灵感来源。有许多计算机视觉算法与生物视觉研究具有不同程度的对应关系,包括从纯粹的功能启发到用于解释生物观察的物理模型的方法。从视觉神经科学向计算机视觉界传达的经典观点是视觉皮层分层层次处理的结构。而人工神经网络设计的灵感来源正是视觉系统中的分层结构设计。深度神经网络在计算机视觉和机器学习等领域都占据主导地位。许多神经科学领域的学者也开始将深度神经网络应用在生物视觉系统的计算建模中。深度神经网络多层的结构设计加上误差的反向传播训练,使得它可以拟合绝大多数函数。因此,深度神经网络在学习视觉刺激与神经元响应的映射关系并取得目前性能最好的模型同时,网络内部的单元甚至学习出生物视觉系统子单元的表达。本文将从视网膜等初级视觉皮层和高级视觉皮层(如,视觉皮层第4区(visual area 4,V4)和下颞叶皮层(inferior temporal,IT))分别介绍基于神经网络的视觉系统编码模型。主要内容包括:1)有关视觉系统模型的概念与定义;2)初级视觉系统的神经网络预测模型;3)任务驱动的高级视觉皮层编码模型。最后本文还将介绍最新有关无监督学习的神经编码...     

面向图像识别的卷积神经网络鲁棒性研究进展

卷积神经网络是目前人工智能领域在图像识别与处理相关应用中的关键技术之一,广泛的应用使对其鲁棒性研究的重要性不断凸显。以往对于卷积神经网络鲁棒性的研究较为笼统,且多集中在对抗鲁棒性方面。这难以更深入地研究神经网络鲁棒性的发生机制,已经不适应人工智能的发展。引入神经科学的相关研究,提出了视觉鲁棒性的概念,通过研究神经网络模型与人类视觉系统的相似性,揭示了神经网络鲁棒性的内在缺陷。回顾了近年来神经网络鲁棒性的研究现状,并分析了神经网络模型缺乏鲁棒性的原因。神经网络缺乏鲁棒性体现在其对于微小扰动的敏感性,其原因在于神经网络会更倾向于学习人类难以感知的高频信息用于计算和推理。而这部分高频信息很容易被扰动所破坏,最终导致模型出现判断错误。传统鲁棒性的研究大多关注模型的数学性质,无法突破神经网络的天然局限性。视觉鲁棒性在传统鲁棒性的概念上进行拓展。传统鲁棒性概念衡量模型对于失真变形的图像样本的辨识能力,失真样本与原始干净样本在鲁棒模型上都能保持正确的输出。视觉鲁棒性衡量模型与人类判别能力的一致性。这需要将神经科学和心理学的研究方法、成果与人工智能相结合。回顾了神经科学在视觉领域的发展,讨论了认知心理学的研究方法在神经网络鲁棒性研究上的应用。人类视觉系统在学习和抽象能力上具有优势,神经网络模型在计算和记忆速度方面强于人类。人脑的生理结构与神经网络模型的逻辑结构的差异是导致神经网络鲁棒性问题的关键因素。视觉鲁棒性的研究需要对人类的视觉系统有更深刻的理解。揭示人类视觉系统与神经网络模型在认知机制上的差异,并对算法进行有效的改进,这是神经网络鲁棒性乃至人工智能算法的主要发展趋势。     

一种新的人眼视觉运动认知特性实验分析方法

视觉感知过程源于对象自身的大范围拓扑性质,而场景对象发生运动状态变化时,其所在空间的大范围拓扑关系也将随之改变。为探索大范围拓扑性质和运动性质同时改变时人眼视觉的认知优先特性,基于虚拟现实技术及眼动跟踪技术,通过构建虚拟驾驶及眼动轨迹分析实验平台,结合拓扑复杂度和空间拓扑关系概念分别探讨二维和三维空间中人眼视知觉对物体运动的认知特性。在此基础上,采用响应面分析方法设计场景中自变量因子的随机实验数值,通过可视化方法对比多组认知场景的无感反馈眼动监测结果。实验结果表明,在Tobii眼动仪采集的545个眼动数据中,发生在运动物体上的数据有516个,相比于物体自身属性的大范围拓扑性质变化,人眼视知觉过程更优先识别物体运动的大范围空间拓扑关系变化。该运动认知优先特性为可靠人工智能驾驶中的视觉注视预测技术提供了新的研究思路,同时验证了所提实验分析方法的有效性。     

基于计算机视觉的Transformer研究进展

Transformer是一种基于自注意力机制、并行化处理数据的深度神经网络。近几年基于Transformer的模型成为计算机视觉任务的重要研究方向。针对目前国内基于Transformer综述性文章的空白,对其在计算机视觉上的应用进行概述。回顾了Transformer的基本原理,重点介绍了其在图像分类、目标检测、图像分割等七个视觉任务上的应用,并对效果显著的模型进行分析。最后对Transformer在计算机视觉中面临的挑战以及未来的发展趋势进行了总结和展望。