视觉机制研究对机器视觉的启发示例

研究灵长类的视觉系统机制并以此为基础设计机器视觉的算法已成为重要研究方向,并对机器视觉产生了重要的推动作用.本文从视觉机制和机器视觉方法的角度出发,分析了两大类视觉机制或模型,并列举受其影响和推动的多种重要机器视觉方法:1)合作学习和竞争学习机制,其中合作学习和竞争学习模型相关的机器视觉算法包括立体视觉算法、神经网络、稀疏编码；2)简单细胞和复杂细胞模型,相关的机器视觉算法包括HMAX特征、SIFT描述子和deep belief network.  

基于视觉机制的非结构环境下车速检测算法研究

在非结构环境下，基于视频检测目标车速为目的的关键问题是：如何利用视频序列准确、高效地得到运动目标的实时信息。基于视觉感知机制的车速检测是一种新方法，该方法以视觉机制为启发，首先从图像中学习初级视皮层细胞超完备基；然后基于超完备基视觉计算模型，以神经元响应系数表征目标，并根据背景与目标响应系数差值与动态阈值的比较识别运动目标；通过迭代实现目标跟踪；在目标跟踪的基础上，根据不同视频序列中车辆特征匹配法得到车辆的位移，最后实现车速检测。实验结果表明，该算法能够在实时条件下检测实际道路场景的不同类型车辆速度，达到96．55％以上的准确率，并且与传统方法相比较提高了车速检测的准确性和鲁棒性。  

视觉认知计算模型综述

视觉认知计算模型作为联系视觉认知和信息计算的有效手段，其研究涉及到认知科学、信息科学等多个交叉学科，具有复杂性和多样性等特点。为能更好地把握其发展规律，文中从视觉计算角度系统总结视觉认知计算模型，以其两个主要来源为主线分别从生物视觉机制和视觉计算理论回顾视觉认知计算模型的发展。根据其研究的特点，对视觉认知计算模型的发展做出一定评述，并指出视觉认知计算模型的发展必将对计算视觉理论和生物视觉机制产生深远影响。  

基于 GaborSIFT+NNScSPM 图像特征抽取算法研究

视觉信息的特征表示是计算机视觉场景图像理解研究中的核心内容. 基于GaborSIFT+NNScSPM的图像特征抽取算法,借鉴生物视觉机制中的相关 研究成果,有机结合了HMAX层次计算模型的思想和非负稀疏编码的策略, 较为合理地模拟了生物视觉皮层中视觉处理的过程.在15类场景图 像和Caltech101两个公开数据集上进行了实验验证, 实验结果表明我们所提出的算法较同期算法有着良好的分类性能.  

引入视通路视觉响应与融合模型的轮廓检测

目的 为了提高轮廓检测的综合性能，特别是增强弱轮廓边缘的提取能力，在结合视觉机制的基础上提出了本文方法。方法 模拟视觉信息在视通路中的传递和处理过程，首先根据神经节细胞的中心周边拮抗机制，实现初级轮廓信息的快速提取；接着利用高斯函数与高斯差函数之间的差异性来模拟外膝体非经典感受野的调制作用，实现纹理背景的抑制；然后构建了一种V1区多朝向简单细胞感受野模型，提出了一种基于负值效应的DOG（difference of Gaussians）响应改进评价模式；最后考虑V1区复杂细胞在表征视觉高级特征的能力，给出了一种基于并行处理的视通路视觉响应融合模型，实现目标轮廓的检测与增强。结果 为了验证本文方法对自然场景图像的轮廓检测具备有效性，本文选取RuG轮廓检测数据库中的40幅自然场景图进行轮廓检测实验，并与二维高斯导函数模型（DG）、组合感受野模型（CORF）和空间稀疏约束纹理抑制模型（SSC）等3种典型的自然图像轮廓检测方法进行了分析比较。结果表明，本文方法检测提取到的主体轮廓更加完整，具有较高的图像纯净度，整体上反映了本文所提轮廓检测方法所具备的生物智能性。本文方法的平均P指标为0.45，相较于对比方法具有更好的轮廓检测性能。结论 本文方法具有较好的自然轮廓检测提取能力，尤其对于图像包含部分弱轮廓边缘的检测。本文构建的新模型将有助于对视通路中各层级功能和内在机制的理解，也将为基于视觉机制的图像分析和理解提供一种新的思路。