基于可量化脑皮层视觉认知模型的智能车辆前方道路环境理解

基于视觉的道路环境感知技术是当前智能车辆自动驾驶领域的研究热点，传统的计算机视觉方法难以满足需求。通过对人脑的高等视觉认知机理的模拟，可以显著的提高计算机的视觉认知能力。在本课题中，首次将人类大脑颞叶皮层的量化视觉认知模型引入到智能车辆的视觉导航中来，为解决上述关键问题提供一种新途径。具体研究内容与创新之处包括：（1）对标准的可量化脑皮层视觉认知模型从特征提取和分类方法两个方面进行了改进，预期可以使其计算速度和多类分类能力都有显著的提高。（2）提出了一种将脑皮层视觉认知模型优异的多类分类能力和经典的计算机视觉理论整合的车辆前方道路环境感知方法，实现了对前方各种障碍物和行车标志信息的准确快速感知。本课题旨在探索智能车辆视觉自动驾驶中的新方法，该项研究具有重要的理论意义和广泛应用价值，预期将在理论和技术上有重大突破和创新，研究成果为基于视觉的智能车辆自动驾驶系统的实现提供重要的理论基础。

基于视觉的道路环境感知技术是当前智能车辆自动驾驶领域的研究热点，由于场景中目标在不同光照、姿态和视角等条件下差异非常大，使得传统的计算机视觉方法难以满足需求。而人类在感知周围环境和目标识别方面却有非凡的能力，模拟人类视觉信息处理机制来增强机器视觉的识别分类能力已成为当前的研究热点之一。在本研究中，将人类大脑颞叶皮层的量化视觉认知模型引入到智能车辆的视觉导航中来，通过对人脑视觉通路的生理结构特性、层次感知机制进行深入的研究，提出多个生物启发的特征提取方式，构建具有生物视觉特性的计算模型或方法，提高机器对自然环境中典型目标的识别和场景分类的鲁棒性，为解决上述关键问题提供一种新途径。具体研究内容与创新之处包括：（1）对标准的可量化脑皮层视觉认知模型进行了改进，一方面研究新的特征合并策略进行不变特征提取，并构造层级识别框架，提出模拟视皮层合并机制的目标识别方法，取得了较好的目标多类识别性能；另一方面深入研究初级视皮层的复杂细胞特性，提出基于改进的ISA和非线性合并机制的目标识别模型，对比Serre提出的标准模型，该模型平均的目标识别精度提高了15%，并且以上两种方法都实现了更少的时间需求。（2）鉴于局部特征描述子能广泛应用在多种视觉任务中，本研究从生物视觉的角度探索脑皮层中局部区域的表征方式，结合细胞层中的激励和抑制机制，提出基于层级不变特征的局部描述子，相比广泛认可的SIFT和SURF描述子，本研究中基于生物启发的描述子在图像匹配、目标识别实验中表现出了更优的性能，其同样可扩展到其它基于局部特征的应用中，具有广阔的应用前景和深入研究的价值。（3）研究对前方各种障碍物的准确快速感知方法，提出了基于整体场景分析的疑似障碍物区域检测和融合视觉注意机制的目标检测方法，对于简单的交通场景，本研究中结合稳定道路区域提取的检测方法，能取得不错的性能，良好的达到预期效果；对于背景复杂、干扰较多的城区交通场景，本研究中融合视觉注意机制的检测算法已在显著性图提取、颜色统计分析等多个方面取得了很好的进展。总之，本项目旨在探索智能车辆自动驾驶中的新方法，该项研究具有重要的理论意义和广泛的应用价值，研究成果为基于视觉的智能车辆自动驾驶系统提供了重要的理论和技术支持。