張蕾

(山東勝利職業(yè)學(xué)院 電氣與自動(dòng)控制工程系，山東 東營(yíng) 257097)

運(yùn)動(dòng)目標(biāo)檢測(cè)是視頻圖像跟蹤與識(shí)別系統(tǒng)中的關(guān)鍵技術(shù)，在視頻監(jiān)控、交通流量統(tǒng)計(jì)、人機(jī)交互、機(jī)器人等領(lǐng)域有著廣泛的應(yīng)用。目前常用的方法有幀差法、背景減法、光流法等，其中幀差法和背景減法適用于攝像機(jī)靜止時(shí)運(yùn)動(dòng)目標(biāo)的檢測(cè)，光流法則在攝像機(jī)移動(dòng)時(shí)能夠得到較好的檢測(cè)效果。在運(yùn)動(dòng)目標(biāo)檢測(cè)的各種應(yīng)用領(lǐng)域中，對(duì)算法的實(shí)時(shí)性都有著很高的要求，因此，如何提高運(yùn)算速度以滿足實(shí)時(shí)需求是科研人員需要解決的問(wèn)題。

細(xì)胞神經(jīng)網(wǎng)絡(luò)CNNs(Cellular Neural Networks)是一種具有并行處理能力的網(wǎng)狀非線性電路模型[1]，其基本單元稱為細(xì)胞。細(xì)胞結(jié)構(gòu)簡(jiǎn)單且細(xì)胞之間為局部互聯(lián)，因此，方便超大規(guī)模集成電路(VLSI)實(shí)現(xiàn)，研制成功的細(xì)胞神經(jīng)網(wǎng)通用機(jī)(CNN Universal Machine)已被證明具有圖靈機(jī)的計(jì)算能力[2]。作為一種面向集成電路實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)，細(xì)胞神經(jīng)網(wǎng)很好地結(jié)合了并行計(jì)算和并行結(jié)構(gòu)，具有與人眼視網(wǎng)膜相似的結(jié)構(gòu)，因此用細(xì)胞神經(jīng)網(wǎng)來(lái)探索視覺(jué)計(jì)算和實(shí)時(shí)圖像處理有著重要意義。當(dāng)前細(xì)胞神經(jīng)網(wǎng)主要用于實(shí)時(shí)圖像處理領(lǐng)域，在模式識(shí)別、仿生眼、自治機(jī)器人、信息安全、高級(jí)腦功能等研究領(lǐng)域也得到了成功的應(yīng)用[3-5]，并出現(xiàn)了差值控制細(xì)胞神經(jīng)網(wǎng)、模糊細(xì)胞神經(jīng)網(wǎng)、多層細(xì)胞神經(jīng)網(wǎng)、時(shí)滯細(xì)胞神經(jīng)網(wǎng)等多種形式。

本文首先給出了CNNs的基本概念并對(duì)其穩(wěn)定性進(jìn)行了分析，然后針對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)常用的幀差法和光流法，給出了基于細(xì)胞神經(jīng)網(wǎng)的實(shí)現(xiàn)方式，最后采用不同視頻圖像序列進(jìn)行了仿真驗(yàn)證。

1 CNNs電路模型

細(xì)胞神經(jīng)網(wǎng)的每個(gè)細(xì)胞都是具有輸入、輸出及狀態(tài)變量的非線性動(dòng)力學(xué)系統(tǒng)。設(shè)cij為位于細(xì)胞神經(jīng)網(wǎng)中第i行第j列的細(xì)胞，則cij的動(dòng)力學(xué)特性可通過(guò)式(1)所示狀態(tài)方程描述，其輸出特性可通過(guò)式(2)描述：

其中，|xij(0)|≤1、｜uij｜≤1 為 限 制 條 件 ；N 為 細(xì) 胞 cij鄰域；Aij，kl為線性反饋模板，表示中心細(xì)胞 cij輸出量 yij(t)與鄰域內(nèi)細(xì)胞ckl各輸出量 ykl(t)之間的連接權(quán)；Bij，kl為線性控制模板，表示中心細(xì)胞cij輸入量uij與鄰域內(nèi)細(xì)胞ckl各 輸 入 量 ukl之 間 的 連 接 權(quán) ；zij為 閾 值 。Aij，kl、Bij，kl、zij統(tǒng) 稱為細(xì)胞神經(jīng)網(wǎng)的模板，若模板對(duì)于整個(gè)網(wǎng)絡(luò)全局不變，則可以簡(jiǎn)寫(xiě)為 A、B、z，不失一般性，可將 R、C取值進(jìn)行歸一化表示為R=C=1。一個(gè)細(xì)胞的電路模型如圖1所示。如果用電壓作為狀態(tài)描述量，由狀態(tài)方程和輸出方程可以得到圖1所示的電路模型。

圖1 細(xì)胞電路模型

2 CNNs穩(wěn)定性分析

CNNs信息處理的過(guò)程是一個(gè)將被輸入信息按照一定法則映射到輸出信息的過(guò)程，為得到合理結(jié)果需要CNNs具有良好的穩(wěn)定性。參照文獻(xiàn)[1]、[6]利用Lyapunov判穩(wěn)方法給出CNNs穩(wěn)定性證明如下：

定理1 對(duì)于任意t(t>0)，細(xì)胞神經(jīng)網(wǎng)中所有細(xì)胞的狀態(tài)變量xij(t)均有界，界值可由下式計(jì)算得出：

3 基于CNNs的幀差運(yùn)動(dòng)目標(biāo)檢測(cè)方法

幀差法是通過(guò)檢查相鄰幀之間像素強(qiáng)度的變化來(lái)判斷圖像序列中有無(wú)運(yùn)動(dòng)物體，設(shè) u(i，j，n)和 u(i，j，n+1)為相鄰兩幀圖像，則幀差圖像為：

幀差法運(yùn)算簡(jiǎn)單，執(zhí)行速度快，但卻不能夠完整地提取運(yùn)動(dòng)對(duì)象。為獲得較好的檢測(cè)效果，本文給出了一種將幀差法與空間分割方法相結(jié)合的檢測(cè)方法：首先進(jìn)行幀內(nèi)分割，將每幀圖像分割成多個(gè)的對(duì)象集合，同時(shí)應(yīng)用幀差法檢測(cè)出運(yùn)動(dòng)的像素；然后根據(jù)檢測(cè)與分割結(jié)果，判斷運(yùn)動(dòng)像素所歸屬的對(duì)象；再利用反向選擇算法將所歸屬對(duì)象提取后完成檢測(cè)。方法流程如圖2所示。對(duì)圖像序列作運(yùn)動(dòng)檢測(cè)、處理，其檢測(cè)效果如圖3所示。

圖3 CNNs幀差法的處理與檢測(cè)效果

利用細(xì)胞神經(jīng)網(wǎng)實(shí)現(xiàn)圖2所示各運(yùn)算時(shí)，幀差運(yùn)算相應(yīng)模板設(shè)置如下：

閾值化、濾波、空洞填充、邊緣估計(jì)、反向選擇等運(yùn)算的CNNs模板可參考文獻(xiàn)[7-8]。

4 基于CNNs的光流運(yùn)動(dòng)目標(biāo)檢測(cè)方法

運(yùn)動(dòng)產(chǎn)生出光流，光流是運(yùn)動(dòng)信息的一個(gè)近似反映。基于光流方法的運(yùn)動(dòng)檢測(cè)采用了運(yùn)動(dòng)目標(biāo)隨時(shí)間變化的光流特性，通過(guò)計(jì)算光流并對(duì)光流圖像分割來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)。由于光流場(chǎng)中不同的物體會(huì)有不同的速度，因此，即使在攝像機(jī)存在運(yùn)動(dòng)的情況下也能檢測(cè)出獨(dú)立的運(yùn)動(dòng)目標(biāo)。光流法的缺點(diǎn)是計(jì)算方法復(fù)雜、運(yùn)算量大，因此很難應(yīng)用于實(shí)時(shí)性要求較高場(chǎng)合。本文應(yīng)用具有并行計(jì)算能力的細(xì)胞神經(jīng)網(wǎng)實(shí)現(xiàn)光流場(chǎng)的估計(jì)。

4.1 連續(xù)時(shí)間域光流計(jì)算描述

細(xì)胞神經(jīng)網(wǎng)是在連續(xù)時(shí)間域進(jìn)行信息處理，因此首先考慮光流計(jì)算的連續(xù)時(shí)間域描述方法。若圖像中某像素 m在時(shí)刻 t的灰度值為 I(x，y，t)，令點(diǎn) m的速度為Vm=(u，v)，則 Horn& Schunck光流計(jì)算模型，其光流矢量通過(guò)如下方程組求解：

由式(15)可以看出，式中相應(yīng)運(yùn)算僅限于局部鄰域，因此適合采用細(xì)胞神經(jīng)網(wǎng)實(shí)現(xiàn)。多層細(xì)胞神經(jīng)網(wǎng)可用于描述不在同一層中的細(xì)胞相互之間的作用關(guān)系，針對(duì)式(15)的兩層細(xì)胞神經(jīng)網(wǎng)結(jié)構(gòu)為：

式(14)的求解可用時(shí)滯細(xì)胞神經(jīng)網(wǎng)統(tǒng)一描述。令τ等于采樣率的倒數(shù)，用 x一致代表Ix、Iy、It，則計(jì)算各量的時(shí)滯細(xì)胞神經(jīng)網(wǎng)狀態(tài)方程如式(21)所示，狀態(tài)變量代表不同變量時(shí)的相應(yīng)模板設(shè)置可見(jiàn)式(21)～式(24)。

4.2 仿真試驗(yàn)結(jié)果

取highway圖像序列檢驗(yàn)所提出的光流運(yùn)動(dòng)檢測(cè)方法。該圖像序列是在攝像機(jī)移動(dòng)條件下拍攝的，序列中幾乎不存在靜止對(duì)象。為得到較好檢測(cè)效果，在光流計(jì)算之后(計(jì)算運(yùn)動(dòng)矢量幅值)，依次采用了濾波、閾值化、空洞填充、邊緣檢測(cè)、雜點(diǎn)取出等一系列運(yùn)算，CNNs光流法檢測(cè)結(jié)果如圖4所示。從仿真試驗(yàn)可以看出，所提出方法能夠得到正確檢測(cè)結(jié)果。

圖4 CNNs光流法檢測(cè)效果

本文針對(duì)常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，探索了細(xì)胞神經(jīng)網(wǎng)的實(shí)現(xiàn)方式，最后采用不同視頻圖像序列進(jìn)行了仿真驗(yàn)證，結(jié)果證明了所提出方法的有效性。

[1]CHUA L O， YANG L.Cellular neural network： theory[J].IEEE Transactions on Circuits and Systems， 1988， 35(10)：1257-1272.

[2]LINAN G， ESPEJO S， DOMINGUEZ C R.ACE4K： an analog I/O 64×64 visual microprocessor chip with 7-bit analog accuracy[J].International Journal of Circuit Theory and Applications， 2002， 30(1)：89-116.

[3]BALYA D， ROSKA B， ROSKA T， etal.A CNN framework for modeling parallel processing in a mammalian retina [J].InternationalJournalofCircuitTheory and Applications， 2002， 30(2)：363-393.

[4]ARENA P， BASILE A， FORTUNA L.CNN wave based computation for robot navigation planning[M].Proceedings of the 2004 International Symposium on Circuits and Systems，2004：500-503.

[5]PETRAS I，ROSKA T.Application of direction constrained and bipolar waves for pattern recognition[C].Proceedings of the 6th IEEE International Workshop on Cellular Neural Networks and their Applications， Catania， Italy， 2000：3-8.

[6]SLAVOVA A.Applications of some mathematical methods in the analysis of cellular neural networks[J].Journal of Computational and Applied Mathematics， 2000， 114(6)：387～404.

[7]鞠磊，鄭德玲，翁貽方.基于細(xì)胞神經(jīng)網(wǎng)的快速圖像分割方法[J].北京工商大學(xué)學(xué)報(bào)(自然科學(xué)版)，2005，23(9)：32-34，39.

[8]鞠磊，鄭德玲，張蕾.基于差值控制細(xì)胞神經(jīng)網(wǎng)絡(luò)圖像濾波器[J].北京科技大學(xué)學(xué)報(bào)，2005，27(6)：375-379.