视觉信息处理的人工神经系统模型研究

本文分析了视觉系统平行和串行相结合的信息处理结构,提出三层结构的视觉信息处理模型:视觉感受器层、视觉信息传导与中继层和视皮层区的信息处理层。在对视觉系统中各层的生物原型进行分析、抽象和简化的基础上,提出与视觉系统对应的人工神经系统框架模型。     

一种新型的视觉计算机

视觉信息处理可以看作是从三维环境的图象中抽取、描述和解释信息的过程.根据该过程所涉及的方法和技术的复杂性,可将它们分成三个处理层次:低层视觉,中层视觉和高层视觉.作者根据各个层次视觉处理的要求和特点,提出分别采用基于DSP的低层视觉处理模块,中层视觉处理模块——PIPE以及高层视觉处理模块——并行图归约机(PGR).它们共用一个工作平台IBMPC,组成混合型视觉计算机.这可能是解决视觉信息处理复杂、数据量大以及实时要求高等问题的有效方法.     

智能信息处理的Bayesian方法研究进展

简要地回顾了近十年来Bayesian统计计算方法的研究成果 ,并分析了Bayesian方法在两种重要的智能信息处理模型———混合体模型和神经网络 ,一个最有代表性的信息应用学科———计算机视觉中的最新研究动态 ;最后指出了今后四个需要值得重点关注的基于Bayesian理论的智能信息处理方法     

视觉注意模型研究方法

随着信息技术不断的发展,处理的数据不断增加多,用户对信息处理的效率和准确性要求越来越高,如何选择合适的机器人视觉注意模型电能质量算法已经成为目前研究的热点,本文介绍了视觉注意模型的相关理论,阐述了其对计算机视觉的重要意义。     

基于DVT技术快速构建计算机视觉系统

计算机视觉技术利用信号处理和计算机技术实现信息处理的全过程,已经在多个领域得到了广泛的应用.然而由于视觉处理问题的多样性、复杂性,对计算机视觉处理系统的研究和开发提出了很高的要求.DVT计算机视觉系统作为嵌入式视觉软件中典型的一种视觉产品,具有非常强大的功能和良好的性价比.通过对DVT视觉的深入研究和学习,提出了实际应用中快速构建计算机视觉系统的方法和策略,系统所具有的功能、布局等对建立具有自主知识产权的视觉产品具有重要的参考价值.     

基于多尺度感受野模型的指向性图像分析

借鉴生物视网膜的结构与特点，设计基于生物视觉机理的计算机视觉算法，可为诸如机器人控制、模式识别、图像理解等领域提供很有价值的启示。文章基于视网膜的生理特性，建立了模拟生物视网膜生理机制的网络模型。该网络模型在对特定区域的图像进行处理的同时保持对更大范围内图像信息的警觉，并有利于对重要信息的捕获。     

基于Cortex-A8的仓库管理移动终端设计

针对仓库管理需求,研发商品信息采集与处理的软硬件平台.与RFID不同,提出的方案其信息处理对象是视频信号而非射频信息.系统平台以Embedded Linux为基础,通过移植计算机视觉库OpenCV和图形用户界面程序框架Qt对图像处理和UI的开发提供支持.设计了多线程程序架构以满足多任务和软实时的要求.     

基于双计算机的仿人机器人的视觉跟踪系统

运动目标的实时跟踪是机器人视觉的关键技术之一。设计了仿人机器人的视觉跟踪系统,系统采用双计算机,分别负责视觉信息的处理和运动单元的控制,两台计算机通过Memolink进行通讯。基于Windows的视觉信息处理子系统实现运动目标的分割,状态估计和预测。运动控制子系统采用RTlinux实时操作系统,利用PD控制器控制关节运动。实验验证了系统的稳定性和实时性。     

应用改进视觉显著性度量方法进行图像分割

视觉注意机制是人类与生俱来的特有属性.在视觉注意机制的协助下,人类视觉系统可以有选择性地针对视觉信息进行处理并有效解决有限信息处理资源与海量视觉信息之间的矛盾.与现有基于计算机视觉机制的图像分割方法比较,本文提出改进视觉显著性度量方法生成的系统显著图能够更加准确表现原始图像中各个像素点的显著性值,根据系统显著图进行阈值分割便可以对前景目标和背景区域进行区分,不需要加入其他方法,这样既可以降低运算时间复杂度,又可以使得图像分割结果更符合人类视觉特点.本文算法对于包含前景目标可得到优良的图像分割结果,但本方法对于背景较复杂同时前景目标模糊的原始图像的图像分割效果不够理想.     

视网膜假体视觉信息处理模型

视觉假体方案是神经工程领域用于部分或完全恢复视觉的主要手段,建立生物视网膜模型,并仿真其视觉信息处理功能,是视网膜假体研究中的一个重要组成部分.从已知的生理机制出发,提出两层结构的视网膜信息处理模型:外网状层(Out Plexiform Layer,OPL)信息提取和内网状层(Inner Plexiform Layer,IPL)信息编码,通过时空滤波、静态非线性调整和泊松峰电位产生,建立输入刺激图像和输出峰电位序列之间的直接关系,并在 MATLAB 平台上结合其图形模块进行仿真研究,得到了与内、外网状层处理结果对应的边缘轮廓图像和携带视觉信息的峰电位序列,为视网膜假体研究提供了一种理论上的可行性模型.     

基于双目计算机视觉的自适应识别算法及其监控应用

双目计算机视觉是利用仿生学原理，通过标定后的双摄像头来得到同步曝光图像，然后计算获取的2维图像像素点的第3维深度信息。为了对不同环境场景进行监控提出了一种新的基于双目计算机视觉的自适应识别算法。该算法首先利用像素点的深度信息对场景进行识别判断，然后采用统计的方法为场景建模，并通过时间滤波克服光照渐变，以及通过深度算法特性克服光照突变。与单摄像头监拧系统相比，利用该算法实现的视频监控原型系统，可应用于更多场合，并利用深度信息设置报警级别，来降低误检率。     

基于组合型表面模型的运动目标跟踪

运动目标跟踪是计算机视觉领域研究的难点课题,提出了一种基于组合型表面模型的视频运动目标跟踪算法。研究了目标的颜色特征空间和梯度特征空间,通过梯度特征和颜色特征的组合,以直方图的形式来建立目标表面模型,之后使用CamShift算法来完成一帧一帧的跟踪。实验结果表明,在图像背景复杂且目标出现遮挡的情况下,该方法仍能有效的跟踪目标。     

基于SIFT特征描述子的立体匹配算法

目前,立体匹配是计算机视觉领域最活跃的研究课题之一。为了克服传统的局部特征匹配算法对噪声和图像灰度的非线性变换敏感的缺点,本文提出了一种新的基于SIFT(Scale Invariant Feature Transform)特征描述子的立体匹配算法。该算法利用图像梯度信息,构造基于三维梯度方向直方图的SIFT特征描述子作为区域特征描述符,通过立体视觉理论中的极线约束将匹配特征的搜索空间从二维降到一维,最后以基于特征描述子欧氏距离的最近邻匹配得到匹配结果。实验结果表明,该方法匹配精度高,对图像灰度的非线性变换比较鲁棒,可以应用于对匹配算法鲁棒性要求比较高的立体视觉系统中。     

视觉跟踪算法综述

随着信息技术与智能科学的迅速发展,计算机视觉已经成为IT产业和高新技术领域的前沿.视觉跟踪是当前计算机视觉领域的热点问题之一.阐述了视觉跟踪算法的研究现状,包括视觉跟踪算法的种类,常用数学方法,研究了基于区域的跟踪算法、基于模型的跟踪算法、基于特征的跟踪算法、基于主动轮廓的跟踪算法、参数估计方法和无参密度估计方法,并探讨了视觉跟踪算法的未来研究方向.     

基于YCgCb颜色空间的高斯肤色模型的人脸检测

人脸检测是模式识别与计算机视觉领域内一个重要的研究热点。人脸是一个常见而复杂的视觉模式,易受干扰。目前常见的人脸检测算法一般具有计算量大、运行速度慢、误检率高等弱点。基于一种新的颜色空间YCgCb的高斯肤色模型,利用颜色信息把彩色图像分割为肤色区域和非肤色区域,并对肤色区域进行去噪处理,实现脸部区域的具体定位,最后标记出来。实验表明该肤色模型可以有效地检测出人脸,误检率低。     

多信息融合的深度学习人脸表情识别算法研究

人脸表情识别作为人机交互系统的重要组成部分,在安防监控、人机交互等领域有广泛的应用,是计算机视觉的研究热点。传统的卷积神经网络方法一般提取单张人脸图像或者人脸标记点作为特征提取的输入数据,未能考虑到人脸全域的表情信息。提出了一种基于三通道多信息融合的深度学习人脸表情识别模型,以人脸图像表情平静到高峰时期标记点坐标的相对位移为输入,提取整个人脸表情图像特征信息,模型融合了稀疏自编码器以提高对边缘特征提取效率。该模型在CK+数据集上进行了训练和测试,实验结果表明,与该领域中的同类算法相比,该算法模型提高了表情识别的准确率。     

基于参考像面法的CCD摄像机标定新技术

摄像机标定是计算机视觉检测中必不可少的步骤.在现有的摄像机参数标定算法中,纯线性算法标定速度快,但标定精度不是很高;相反如采用非线性搜索算法,标定精度高,但存在标定速度慢以及会出现不收敛现象.通过对现有线性标定算法的研究,提出一种既考虑摄像机的径向和切向畸变,又能实现全线性化求解的全新标定算法--参考像面法.经验证该方法标定速度快、精度较高、算法健壮,适用于大型视觉系统多摄像机的快速标定.     

基于OpenCV改进的摄像机标定法

针对计算机视觉领域的摄像机标定问题,考虑到畸变对标定精度的影响,介绍了开放计算机视觉函数库OpenCV和摄像机模型,给出了基于OpenCV的摄像机标定算法;该算法充分运用了OpenCV的函数库功能,具有很高的标定精度和计算效率,可以满足立体视觉系统的需要.     

Sequential optimal design of neurophysiology experiments

Adaptively optimizing experiments has the potential to significantly reduce the number of trials needed to build parametric statistical models of neural systems. However, application of adaptive methods to neurophysiology has been limited by severe computational challenges. Since most neurons are high-dimensional systems, optimizing neurophysiology experiments requires computing high-dimensional integrations and optimizations in real time. Here we present a fast algorithm for choosing the most informative stimulus by maximizing the mutual information between the data and the unknown parameters of a generalized linear model (GLM) that we want to fit to the neuron's activity. We rely on important log concavity and asymptotic normality properties of the posterior to facilitate the required computations. Our algorithm requires only low-rank matrix manipulations and a two-dimensional search to choose the optimal stimulus. The average running time of these operations scales quadratically with the dimensionality of the GLM, making real-time adaptive experimental design feasible even for high-dimensional stimulus and parameter spaces. For example, we require roughly 10 milliseconds on a desktop computer to optimize a 100-dimensional stimulus. Despite using some approximations to make the algorithm efficient, our algorithm asymptotically decreases the uncertainty about the model parameters at a rate equal to the maximum rate predicted by an asymptotic analysis. Simulation results show that picking stimuli by maximizing the mutual information can speed up convergence to the optimal values of the parameters by an order of magnitude compared to using random (nonadaptive) stimuli. Finally, applying our design procedure to real neurophysiology experiments requires addressing the nonstationarities that we would expect to see in neural responses; our algorithm can efficiently handle both fast adaptation due to spike history effects and slow, nonsystematic drifts in a neuron's activity.