基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前，目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时，随着脑科学研究的不断深入，人们对人脑视觉系统的理解逐渐透彻，利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs)，提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法，包括：基于演算侧抑制的目标检测算法，基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明，将类脑模型和深度神经网络应用于目标检测和跟踪领域，有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.     

加油机加油过程视频监控需求分析

通过对一般加油过程的分析,提出了空中加油机加油过程视频监控需求。将加油过程分为会合、编队、对接、解散四个部分对监控区域进行讨论,并对监控区域进行整理及优化,从功能、分辨率及显示等方面进行分析,给出适应性的视频监控需求,为机外摄像头布局,摄像头和显示器选型,机外照明布置提供有效支持。     

航材送修可视化管理浅析

利用现代网络技术建立航材送修可视化管理系统,有效减少航材送修流程中监控的盲点,暴露航材送修过程中的问题,从而提高航材送修周转率,降低航材送修周期。     

变背景下斑点状散布目标自动识别算法

从自动目标识别原理出发,通过对变背景下斑点状散布目标特性的分析,发现了该类目标图像中背景、噪声和斑点状散布目标的固有规律。进而,从图像像素灰度这一最基本的要素着手,研究了如何在大量的序列图像中搜索目标帧位置的方法。然后,基于目标轮廓提取和串行边界分割技术,解决了变背景下斑点状散布目标自动识别的难题。实验结果证明:该算法具有高效、快速、稳定、适用等优点,并为相关领域内的应用提供了宝贵的参考价值。     

基于视觉注意机制的认知雷达数据关联算法

针对传统关联波门设计方法在应用于机动目标跟踪时容易引起失跟、以及概率数据关联算法不适于多交叉目标跟踪的问题,提出了一种基于人类视觉选择性注意机制和知觉客体的"特征整合"理论的认知雷达数据关联算法。算法以综合交互式多模型概率数据关联算法为基础,采取假设目标最大机动水平已知的"当前"统计模型和匀速运动模型作为模型集,通过实时交互使关联波门能够随目标机动动态调整,较好地兼顾了雷达计算耗时和跟踪成功率。在利用目标位置特征的基础上,进一步提取、整合目标运动特征,对关联波门交叉区域公共量测进行分类,使多交叉目标跟踪问题转化为多个单目标跟踪问题,优化了传统概率数据关联算法。仿真结果表明：与传统关联波门设计方法相比,算法跟踪失败率和计算耗时明显降低;而且在计算资源增加不大的情况下,杂波环境适应性也得到了显著增强。     

基于空间映射的视觉注意力分配预测模型

为预测飞行员视觉注意力分配,在SEEV(Salient Effort Expectancy Value)模型和多因素模型的基础上引入注意控制空间和资源分配空间的概念.前者描述了影响注意力分配因素,而后者则反应了兴趣区域所获得的注意资源.并通过空间映射建立注意力分配的预测模型,应用模糊层次分析的方法对模型进行结算.为验证预测模型效度,采用16名被试在飞行模拟器上开展基于异常信息恢复的工效学实验,通过眼动追踪装置记录注视点分布作为注意力分配指标.被试需要根据实验条件对主飞行显示器仿真界面中的目标信息状态进行监视,并通过驾驶杆的指定操作对异常信息进行响应.实验结果表明,注意力分配预测模型的理论结果与工效实验中注视点分布的实验结果显著相关且吻合较好,验证了预测模型的可用性.     

飞行员视觉信息流强度模拟及适人性分析

为了合理地确定飞行员在执行飞行任务时的视觉信息流强度,开发了飞机座舱显示界面仿真模型,以被试的正确反应率和反应时间来评价作业绩效.通过实验和数据分析得到以下结果:所建立的视觉信息流模型中视觉信息流强度曲线符合正态分布.不同的视觉信息量完成任务差异显著,信息量增加到一定程度时辨识变慢,出现错误的几率升高;在相同视觉信息量情况下,夜晚与白天、动态与静态执行任务辨识和绩效差异显著,白天要比夜晚、静态要比动态辨识效率和绩效更好.      

基于区域预测和视觉注意计算的快速目标检测

提出了一种结合区域预测与视觉注意模型化计算的快速目标检测方法.通过分析图像近似均匀的3个水平子区域的方向特征图之灰度比率,灰度特征图之信息熵和子区域位置,建立了目标区域预测的判定准则.同时,通过优选特征和优化特征图之权重,改进了视觉注意计算模型.对于一幅待检测图像,根据区域预测的判定准则,实现目标区域的快速预测,并利用改进的视觉注意计算模型对目标区域进行视觉注意计算,实现特定目标的快速精确定位.实验结果表明:针对户外场景中的行人目标,与通过整幅图像的视觉注意计算来实现目标检测的传统方法相比较,该检测方法可使检测时间缩短30%,同时还能使检测准确率提高9%.