基于蛙眼视觉模型的运动目标检测、跟踪及交通场景分析方法研究

Moving target detection，tracking and analysis under complex scene is a fundamental and difficult problem in the field of vision computing, whose technology can be applied in many engineering domains. However, there is few general effective computing method for solving these problems nowadays. Research on the issue has important theoretical significance and practical engineering value.. Integrating the biological vision cognitive theory, vision information processing methods and optimization design principle, this project studies novel motion vision computing method, which mainly focuses on the motion vision cognitive computing model, the method of motion feature detection and object analysis, as well as the strategies and algorithms of motion vision analysis under complex scene.. The key ideas are as follows: according to the frog motion vision cognitive mechanism, propose a motion vision perceptive computing model and selective attention computing framework; establish the corresponding computing methods on object description, moving object detection, object recognition, object tracking and analysis cored on the effective coding of motion-invariant features; design effective robust computing strategies and algorithms for complex visual scene and computing tasks; enhance above algorithms performance by applying parallel computing mode and multi-objective optimization methods.. The project adopts the research method of combining theoretical analysis, simulation experiment and technical validation, and takes UGV (unmanned ground vehicle) as the technical test object and verification platform. The aim is to seek for new idea and methods to solve the complex motion vision computing problems, further build new computing mode and paradigm for more general complex vision computing tasks.

复杂场景下的运动目标检测、跟踪与分析是当前视觉计算领域基础性难点问题，研究难度大，应用前景广阔，具有重要研究意义。本课题将生物视觉认知理论、视觉信息处理方法与优化设计思想相结合，研究运动视觉计算的新方法，主要研究基于生物视觉机理的运动认知计算模型、运动目标检测与分析方法、以及复杂运动场景下的计算策略与算法。其关键思路是基于蛙眼运动视觉认知机理，研究提出新的运动视觉感知计算模型与选择性注意计算框架，建立以运动不变特征有效编码为核心的目标描述、运动检测、目标识别与跟踪分析方法，设计针对复杂视觉场景与认知计算任务的高效、鲁棒计算策略与算法，及其并行计算模式与优化方法。项目采用理论分析、仿真实验与技术验证相结合的方法，以无人驾驶车作为算法测试对象与技术验证平台，目标是为解决复杂运动视觉计算与交通场景分析探索新的思路与方法，同时也为解决更广泛意义上的视觉计算任务建立新的计算模式与范例。

复杂场景下的运动目标检测和跟踪是计算机视觉领域的一个非常具有挑战性的热点问题，它受到诸如光照、遮挡、运动模糊、姿势变化和复杂背景等因素的影响，研究难度大，应用前景广阔、具有重要的研究意义。. 本课题的主要内容与结果包括三个方面：首先，将生物视觉认知理论和视觉信息处理方法相结合，研究基于蛙眼视觉特征的移动目标检测新方法，提出了一些基于蛙眼视觉特征的新的目标检测方法，论文发表在《International Journal of Control and Automation》，《International Journal of Advancements in Computing Technology》等国际期刊，并且取得比传统方法更好的运动目标检测结果；其次，基于模式识别中的多特征融合和分布场的思想来研究移动目标跟踪方法，并且将模板匹配的方法应用于目标跟踪任务，提出了新的多特征联合描述子和多独立特征分布场方法，论文发表在《The Visual Computer》，《The Scientific World Journal》等国际期刊上，取得了比经典的跟踪方法更加鲁棒与准确的跟踪性能；最后，考虑到优化方法在运动目标检测和跟踪问题中的重要性，本课题提出了几种针对性的智能优化新算法，比如PS-ABC和OCRO，论文分别发表在《Expert Systems with Applications》，《Applied Soft Computing》等期刊，获得了更好跟踪优化结果。. 研究结果表明所提出的方法在运动目标检测和跟踪等问题上可以取得很好的结果。比如，基于多特征融合思想所提出的多特征联合描述子方法在公共视频序列上可以取得比其他经典的目标跟踪方法高20个百分点的成功率。基于分布场所提出来的多独立特征分布场方法也取得了比其他经典方法高10个百分点的成功率。基于模版匹配的方法也可以取得比其他跟踪方法高10个百分点的成功率。同时，基于蛙眼视觉特征的目标检测方法和智能优化算法也取得了良好的实验结果。. 这证明了该项目所提出方法的有效性，并且为解决复杂场景下的运动目标检测和跟踪任务分析探索了新的思路与方法，同时也为解决更广泛意义上的计算机视觉任务建立新的计算模式与范例。