生物Reichardt运动检测器和感受域模板的 FPGA设计与实现

为了在图像处理中快速地实现运动检测和相机自身运动方式估算,引入了基于生物视觉机制的Reichardt运动检测器模型(EMD)和感受域模板。分析了Reichardt运动检测器模型的基本特性及其缺陷。为了克服模型上的主要缺陷,在应用中选择了一种优化模型,应用该模型可以得到较好的运动检测结果。同时,提出了基于苍蝇视觉系统的6个感受域模板,用以实现简单自身运动方式的估算,如相机自身的平移、旋转等。最后,在FPGA(FieldProgrammable Gate Array)平台上实现了相关的算法。实验结果表明,优化后的运动检测器可以快速地判断局部运动方向,感受域模板可实现在特定背景下的简单运动方式估算;对分辨率为256×256像素的输入图片,本设计中的FPGA系统可达到每秒350帧的处理速率,所产生的延时仅为0.25μs,达到了快速处理的要求。此模型可应用于实时的机器视觉系统,如进行障碍物检测、整体运动方式估算、UAV/MAV的稳定控制等。

基于视觉系统分层的小目标运动检测

为了提升对光学遥感图像中弱小运动目标的检测能力,提出一种基于鹰眼视网膜视觉系统层次结构的运动检测方法。首先,基于鹰眼视网膜的分层特性,结合各层主体细胞的生理结构与功能,构建各层相应的滤波器,抑制背景微位移和杂散噪声;然后,在Reichardt运动检测模型的基础上增加时域高通滤波与ON-OFF双通道滤波来估计目标运动矢量,这样不仅能克服传统Reichardt运动检测器对阶跃边界响应复杂,而且能有效增强运动检测的敏感性;最后利用高级视觉神经系统的分层特点,以空域相似度大小为基准进行多尺度映射与运动矢量显著图融合,构建多尺度处理精细检测运动特征。试验结果表明,本文算法的平均信杂比改善为56.20 dB,正确率为99.71%,综合评价指标F1值为3.63e-02,相较于传统Reichardt模型的F1值提升了27.82%。本文方法较传统运动检测算法不仅能提高复杂背景的干扰抑制性能,而且能显著提升小目标小位移的检测能力。