视觉感知的目标识别算法

针对图像的目标识别问题,采用视觉感知的方法,模拟感受野的分层信息处理机制,并引入神经元间的侧抑制机制,对神经元响应进行筛选,通过检测视觉基本特征的方式识别图像中的目标.算法首先在简单细胞的感受野中对图像进行预处理;其次,在复杂细胞的感受野中,将简单细胞的感受野刺激进一步拓扑特征提取,得到感受野刺激响应;最后,通过侧抑制机制对响应神经元筛选,找出对刺激响应较强烈的神经元,将其输出作为目标识别的参数标准.实验结果表明,基于视觉感知的算法可以用少量样本解决大量图像中的目标识别问题,识别率高于边缘检测和图像分割方法,算法的目标识别率达到95.56%.     

动物脑电-行为同步记录及分析系统

设计并构建一套动物脑电-行为同步记录及分析系统,系统主要包括动物行为实验装置、脑电信号与行为图像的同步记录子系统、脑电信号分析和处理子系统.当动物在实验装置中进行特定行为时,同步记录子系统同时记录动物的脑电信号和行为图像,通过分析和处理子系统,提取脑电信号的特征值,为大脑神经活动和行为之间的相关性研究提供实验平台.记录并分析大鼠在进行前肢的“伸-缩”运动时运动皮层的神经元集群活动.实验结果表明,大鼠的初级运动皮层中神经元分布式活动与前肢的动作模式密切相关,通过解读初级运动皮层的神经元集群电信号,可以获得大鼠前肢的运动信息,准确判断和区分前肢不同的动作模式.     

基于图像配准的动态场景运动目标检测算法

针对摄像机运动的动态场景下运动目标的检测问题,提出了基于Harris角点方根-算术均值距离配准的动态场景运动目标检测算法。首先将当前帧图像与前一帧图像进行配准,获取图像的全局运动参数;利用求得的运动参数对当前图像进行运动补偿;然后,将其与存储的前两帧图像进行帧差法,以获得运动目标的轮廓信息;以该运动目标区域为掩模,检测并定位该运动目标。实验结果表明,此算法能够较好的处理摄像机运动等动态场景情况下的运动目标定位问题,为运动目标的跟踪和识别奠定基础。     

基于偏相关分析的水下控制系统动态响应研究

以某具体水下液压系统为研究对象,建立闭式环形回路和闭式非环形回路的仿真模型,通过单因素分析,得出不同管路阻尼设置、水下蓄能器和执行器等内部因素和水深、回接距离等外部因素的系统响应曲线。基于单因素仿真数据,利用偏相关理论开展水下液压系统控制响应影响因素的相关性分析,获取了影响水下液压系统控制响应的主要因素排序,为提高水下液压系统响应提供参考。     

自主导航条件下网格细胞放电模型

网格细胞是动物大脑导航环路中一种重要的神经元细胞，它既可以自主完成路径整合功能，又可以与其他大脑区域共同完成复杂环境的空间导航。该文利用反应-扩散机制，对自主导航时网格细胞放电野的形成进行吸引子网络建模，分别得到网格细胞群间的突触联接关系、网格细胞放电率的非线性限制以及兴奋性网格细胞对自运动信息的响应方式。仿真结果表明，该模型可以有效模拟网格细胞群等边六边形放电率分布的形成过程，以及网格细胞根据自运动信息产生等边六边形放电野的过程，为类脑导航系统的构建提供了借鉴。     

结合场景运动模式的有向加权AdaBoost目标检测

针对现有检测算法对场景先验信息和群体运动规律考虑甚少这一局限性,提出一种结合场景运动模式的有向加权AdaBoost目标检测算法.该算法首先建立了一种基于速率加权方向直方图矩阵的场景运动模式模型,并在此基础上通过稀疏光流投票方法获取场景的运动模式信息.同时,针对该模型提出一种有向加权AdaBoost检测算法,通过建立多个有向AdaBoost分类过程,并利用局部区域的运动模式对分类过程加权,最终实现运动目标检测.通过交叉验证分类实验和视频检测实验验证,该算法在相同假阳性率条件下的查准率较传统AdaBoost检测器的高出约10%,充分验证了算法的有效性和优越性.     

基于序列图像的运动轨迹检测方法

序列图像中运动目标轨迹检测是目标识别与跟踪处理的关键技术。运动轨迹检测的核心是运动目 标的轮廓特征提取,传统算法提取的目标物体由于受不同因素的影响只突出了轮廓的部分特征,给运动轨迹检测带 来一定的困难。在利用传统算法获取不同特征信息的基础上,采用蚁群聚类的多模板融合边缘检测方法获取目标 边界,实验结果表明该方法在轨迹检测过程中能够获得较完整的特征信息,能更有效地获取目标轨迹。     

基于混合高斯模型优化的运动人体跟踪方法

复杂背景下运动人体目标的自动检测与跟踪效果常易受环境光线变化的干扰.面向变光线环境下运动人体检测与跟踪,提出一种基于混合高斯模型优化的Camshift检测跟踪算法,首先采用混合高斯模型进行前景建模,将外界扰动作为背景信息进行处理;然后进行色彩空间转换并计算反向投影值,进一步利用Meanshift迭代定位运动目标;最后,通过更新混合高斯模型及后续帧的处理保持人体目标的有效检测及跟踪.实验结果表明,该方法相较于传统的光流方法及Camshift算法,可更好地适应环境光线变化及枝叶晃动影响,较好地获取运动目标前景信息,提高运动人体目标的检测及跟踪精度.     

基于耳蜗力学和神经元滤波机制的滤波算法及其在声音信号增强中的应用

本文从振动理论角度提出一种基于耳蜗力学和神经元滤波机制的滤波算法,有助于模拟听觉滤波器研究中较少考虑到的非线性放大特性.通过建立耳蜗力学模型来模拟耳蜗的声音信号处理过程,而后通过建立神经元滤波模型来获取经由耳蜗力学模型处理的、具备频率分解和非线性放大特性的听觉信息,从而提出基于耳蜗力学和神经元滤波机制的滤波算法.对所提...     

动态场景下运动目标检测方法研究

动态场景下运动目标的检测方法是计算机视觉领域的热门研究课题,本文将对动态场景下的运动目标检测方法展开研究。首先,对比分析相邻帧差分法、背景差分法、统计模型法这3 种检测方法的优劣,提出时空融合补偿差分与目标平滑模型相结合的新型运动目标检测方法。其次,研究新型运动目标检测方法中的运动估计与运动补偿技术。最后,对新型运动目标检测方法进行仿真验证,对比分析实验结果,以判断方法的可靠性、准确性。实验表明,本文提出的新型运动目标检测方法,能够满足检测要求,目标轮廓清晰、完整,检测准确性较高。     

基于高斯混合模型和canny算法的运动目标检测

提出一种基于高斯混合模型和canny算法的运动目标检测算法.利用高斯混合模型计算像素之间的颜色信息,同时利用高斯混合模型更新背景信息;用canny算子提取图像的边缘信息;将颜色信息和区域结构信息线性融合起来,较好地解决了边缘信息明显的运动目标检测.实验中采用改进的加权高斯模型及传统的canny算法相结合.结果表明,本文...     

基于视中枢神经机制的视觉信息处理模型

提出了基于视中枢神经机制的视觉信息处理模型,该模型以人类视觉的生理机制为基础,有效地模拟了人类对视觉信息处理的过程。设计相关实验模拟了视网膜对信息处理的过程,生成了相应的视网膜图像,简单细胞的感受野又以视网膜图像为输入,通过对特定的朝向刺激,产生了许多边缘信息,形成了边缘轮廓图像。实验结果表明,该模型具有良好的仿真性。     

集成多特征信息的运动阴影检测

为实现监控场景中运动目标和阴影的准确分割,提出了一种基于GMM和MRF的运动阴影检测与消除算法.首先,利用GMM的学习能力建立背景统计模型并得到前景区域像素集合.其次,将前景区域与对应背景区域间的颜色、边界、纹理和时空一致性等特征信息集成到马尔可夫随机场能量函数中,并利用图割算法实现马尔科夫随机场能量函数的最小化,得到...     

地形环境下的动态场景绘制

提出了地形环境下的动态场景绘制流程。使用空间离散化的方法实现了运动物体之间以及运动物体和地形之间的快速碰撞检测。为了实现运动物体与地形的匹配,采用了一点匹配法和面匹配法。实现了网格模型、基于图像的模型在地形环境下的绘制。最后给出了坦克和虚拟人在地形环境中绘制的实验结果。该方法可应用于网络游戏、战场视景仿真、数字城市、电影制作等领域。     

移动机器人检测与跟踪系统的研究与设计

从智能控制与模式识别方法和传统控制理论相结合的思想出发，提出了一种自主移动机器人对运动目标检测和自动跟踪的识别与控制方法.建立了基于连续图像帧差分和二次帧差分的改进的图像HSI差分模型，给出了运动目标的特征分析和计算方法.通过特征匹配识别所需跟踪目标的区域，采用Kalman预报器对运动目标状态进行一步预测估计和两步增量式跟踪，可以快速平滑地实现移动机器人对运动目标的跟踪驱动控制.以移动机器人对汽车桩考的全过程进行监控为例，给出了移动机器人视觉检测识别和跟踪控制系统在汽车桩考中的应用.     

基于运动平台的运动目标检测与跟踪

为了实现大视场智能监控,本文提出了一种基于运动平台的运动目标检测与跟踪方法．在相邻帧之间通过块匹配进行运动补偿,采用三帧差分法分割出运动目标．当运动目标正常运动时跟踪其形心;当运动目标被遮档时,根据卡尔曼滤波器预测的形心跟踪目标．其中,对于块匹配,采用边缘点作为匹配块的中心点并根据摄像机的运动方向确定搜索范围,使处理速度提高了38．6％．另外,比较得出最小二乘法对运动目标运动状态突然改变时拟合效果差,因此采用卡尔曼滤波器进行预测．实验证明,本算法适应环境变化的能力强,而且平均每秒处理37．6帧,达到实时处理要求．     

基于中值背景模型的运动目标自适应检测方法

目的 在保证准确性的前提下,降低运动车辆检测算法的计算量,加快处理速度,满足实时性要求,提出一种基于中值背景模型和自适应阈值的运动检测方法 .方法 基于当前帧与背景图像的差分图像,利用自适应阈值分别对差分图像的三个颜色通道进行二值化,从而实现运动目标的精确检测.同时,根据检测结果 ,采用中值更新策略实现背景图像的实时更新.结果 实验结果 表明,笔者算法可以从复杂交通场景图像序列中有效地检测出运动目标,并且算法计算量小,具有良好的鲁棒性与实时性.算法每帧处理时间比混合高斯降低43%,背景更新时间比一阶Kalman算法降低了45%.结论 算法能够很好地满足智能交通监控系统中运动车辆实时检测的要求.     

基于中值背景模型的运动目标自适应检测方法

针对复杂交通场景中运动车辆检测方法存在的局限性,本文提出了一种基于中值模型和自适应阈值的运动检测算法。利用自适应阈值对差分图像的三个颜色通道进行二值化处理,实现了运动目标的精确检测,采用中值更新策略实现背景图像的实时更新。实验结果表明,算法可以从复杂交通场景图像序列中有效地检测出运动目标,且算法计算量小,具有良好的鲁棒性与实时性。     

Contributions of distinct prefrontal neuron classes in reward processing

The prefrontal cortex(PFC)is thought to be involved in higher order cognitive functions,such as in working memory,abstract categorization,and reward processing.It has been reported that two distinct neuron classes(putative pyramidal cells and interneurons)in the PFC played different functional roles in neural circuits involved in forming working memory and abstract categories.However,it remains elusive how the two types of neurons process reward information in the PFC.To investigate this issue,the activity of single neurons was extracellularly recorded in the PFC of the monkey performing a reward predicting task.PFC neurons were classified into putative pyramidal cells and interneurons,respectively,based on the waveforms of action potentials.Both the two types of neurons encoded reward information and discriminated two reward conditions(the preferred reward condition vs.the nonpreferred reward condition).However,the putative pyramidal neurons had better and more reliable discriminability than the putative interneurons.Also,the pyramidal cells represented reward information in the preferred reward condition,but not in the nonpreferred reward condition by raising their firing rates relative to the baseline rates.In contrast,the interneurons encoded reward information in the nonpreferred reward condition,but not in the preferred reward condition by inhibiting their discharge rates relative to the baseline rates.These results suggested that the putative pyramidal cells and interneurons had complementary functions in reward processing.These findings may help to clarify individual functions of each type of neurons in PFC neuronal circuits involved in reward processing.     

面向高速公路抛洒物检测的动态背景建模方法

针对高速公路抛洒物检测中传统的固定背景建模方法容易因开放环境变化产生大量的前景噪声,动态背景建模方法容易因抛洒物的静止特性导致前景对象快速融入背景,提出基于背景分离高斯混合模型（BS-GMM）的动态背景建模方法. 该方法对传统高斯混合模型的背景划分和模型匹配方法进行改进,设计基于像素点的高斯分布背景模型权值的衰减状况进行背景建模和背景更新的方法,既能减少开放环境大量环境噪声的影响,也能对抛洒物快速进入静止状态后的准确检测,在计算性能上能够达到实时检测的效果. 实验结果证明,BS-GMM方法在抛洒物检测过程中产生的噪声数量比其他方法少,且对静止超过20 s的物体能够作为前景目标提取,因此能够有效地应用于高速公路抛洒物的准确识别.