基于類腦模型與深度神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測與跟蹤技術(shù)研究*

宋 勇， 趙宇飛， 楊 昕， 王楓寧， 張子爍， 李國齊

0 引 言

作為計算機視覺領(lǐng)域的重要研究方向，目標(biāo)檢測與跟蹤技術(shù)廣泛應(yīng)用于視頻監(jiān)控、虛擬現(xiàn)實、人機交互、行星探測和行為理解等領(lǐng)域[1].然而，在實際應(yīng)用場景中，目標(biāo)檢測與跟蹤系統(tǒng)面對的情況往往復(fù)雜多變，如背景復(fù)雜[2]、目標(biāo)被遮擋及目標(biāo)尺度和外觀變化[3]等，上述情況直接或間接影響了目標(biāo)檢測與跟蹤的精度和魯棒性.

作為人類獲得外界信息的主要手段之一，人腦視覺系統(tǒng)(human visual system, HVS)擁有高效的信息處理能力，其性能在信息處理的多個方面都遠(yuǎn)遠(yuǎn)超過現(xiàn)有的計算機視覺系統(tǒng)[4].在HVS中，視覺信息經(jīng)過多種人腦視覺信息處理機制的加工和處理，如側(cè)抑制[5]、視覺注意[6]和認(rèn)知記憶[7]機制等，通過人腦信息處理機制的協(xié)同作用，可實現(xiàn)目標(biāo)和場景的準(zhǔn)確感知.受此啟發(fā)，利用HVS中的類腦機制解決計算機視覺中的復(fù)雜背景下的目標(biāo)檢測與跟蹤問題成為重要的研究方向.如：利用人腦視覺系統(tǒng)中的視覺注意機制，ACHANTA等[8]提出了基于全分辨率的視覺注意模型，該模型通過計算圖像區(qū)域相對于其鄰域的不同比例的局部對比度來獲得顯著圖；HOU等[9]提出一種基于頻譜殘差的視覺注意模型，該模型通過在頻域中執(zhí)行傅立葉逆變換來獲得顯著圖.實驗結(jié)果表明，上述基于視覺注意機制的目標(biāo)檢測算法均具有較好的突出目標(biāo)和抑制背景能力；基于人腦視覺系統(tǒng)的認(rèn)知記憶機制，MA等[10]提出了一種基于自適應(yīng)相關(guān)濾波器的跟蹤算法，該算法具有長時記憶和短時記憶，可實現(xiàn)對目標(biāo)外觀的記憶；WAN等[11]在跟蹤問題中引入了長短時記憶(long short-term memory, LSTM)，該方法考慮了LSTM的時空特征，使目標(biāo)跟蹤精度得到了較大提高；MIKAMI等[12]將記憶模型用于臉部姿勢追蹤，在復(fù)雜背景下獲得了較高的魯棒性.

目前，對人腦視覺處理過程的模擬主要通過兩種途徑：一種是建立神經(jīng)工程導(dǎo)向的類腦模型，這種類腦模型以神經(jīng)工程為基礎(chǔ)，從人腦的形態(tài)、信息獲取方式和信息處理機制等方面模擬大腦，通過建立類腦模型解決計算機視覺中的具體問題；另一種是建立計算機工程導(dǎo)向的類腦模型，即以計算機工程為基礎(chǔ)，通過機器學(xué)習(xí)算法解決計算機視覺問題.其中，神經(jīng)工程導(dǎo)向的類腦模型具有無需訓(xùn)練樣本、對硬件計算能力要求低、具有生物可解釋性等優(yōu)勢.同時，計算機工程導(dǎo)向的類腦模型具有圖像特征提取能力強、無需手工設(shè)計特征等優(yōu)勢.

基于上述分析，本文主要面向復(fù)雜條件下的目標(biāo)檢測與跟蹤，開展了基于類腦模型和DNNs的目標(biāo)檢測與跟蹤技術(shù)研究，提出了基于演算側(cè)抑制的運動目標(biāo)檢測算法、基于SC視覺注意模型的弱小目標(biāo)檢測算法、基于記憶機制與分層卷積特征的目標(biāo)跟蹤算法等，為實現(xiàn)復(fù)雜背景下的高精度目標(biāo)檢測與跟蹤奠定基礎(chǔ).

1 基于類腦模型的目標(biāo)檢測與跟蹤算法

1.1 基于演算側(cè)抑制的運動目標(biāo)檢測算法

作為一種神經(jīng)工程導(dǎo)向的類腦模型，演算側(cè)抑制(algorithmic lateral inhibition, ALI)模型采用邏輯推理方法模擬了人腦視覺系統(tǒng)中的側(cè)抑制機制，將 其應(yīng)用于運動目標(biāo)檢測中，可獲得目標(biāo)輪廓完整，對目標(biāo)尺度變化不敏感等優(yōu)點.

ALI模型可分為循環(huán) ALI 模型和非循環(huán) ALI 模型兩種，其推理過程如圖1所示.

圖1 ALI模型的推理過程Fig.1 The reasoning process of ALI model

圖1(a)為循環(huán)ALI模型的推理過程，其將循環(huán)側(cè)抑制模型中與某一系數(shù)相乘的數(shù)學(xué)過程轉(zhuǎn)換成利用評價函數(shù)進行評價的過程，同時將兩個輸入相加的過程轉(zhuǎn)換成利用一個比較選擇單元進行推理的過程.循環(huán)ALI模型的處理過程為：將中心單元的輸入Ii與周圍單元的輸出φj分別經(jīng)過評價函數(shù)Kii與Kij進行評價，作為循環(huán)ALI模型的輸入；然后在循環(huán)ALI模型中按照比較規(guī)則Ci對兩個輸入進行比較，得到當(dāng)前單元的輸出結(jié)果φi.

非循環(huán)ALI模型如圖1(b)，其與循環(huán)ALI模型具有相似的推理過程.將中心單元的輸入Ii與周圍單元的輸入Ij分別經(jīng)過評價函數(shù)Kii與Kij進行評價，作為非循環(huán)ALI模型的輸入；然后，在非循環(huán)ALI模型中按照比較規(guī)則Ci對兩個輸入進行比較，得到當(dāng)前單元的輸出結(jié)果φi.因此，循環(huán)ALI模型實現(xiàn)的是一個時域動態(tài)的過程，輸入會受到輸出的影響.而在非循環(huán)ALI模型中，輸入不受輸出的影響.

本文所提出的基于演算側(cè)抑制的運動目標(biāo)檢測算法總體流程如圖2所示.

圖2 基于演算側(cè)抑制模型的目標(biāo)檢測算法流程圖Fig.2 Flow chart of target detection algorithm based on ALI model

(1)基于信息量的自適應(yīng)分通道方法

首先，按照圖像的灰度分布將每一幀圖像分為n個并行處理通道，從而獲得較高的運行速度和效率.其中，通道個數(shù)n根據(jù)圖像的信息量自適應(yīng)確定，可使圖像的灰度值更均勻地分配在于各通道，該方法流程圖如圖3所示.

圖3 基于信息量的自適應(yīng)分通道方法的流程圖Fig.3 Flow chart of adaptive threshold segmentation method based on information volume

如圖3所示，基于信息量的自適應(yīng)分通道方法的主要步驟包括：

1)設(shè)置參數(shù)m和T，其中m為每次圖像分割產(chǎn)生二值圖像的數(shù)量，T為所設(shè)定的閾值；

2)將當(dāng)前幀輸入圖像灰度化(如需要)，并按照m個雙閾值[0, 255/m)，[255/m, 255×2/m)，[255×2/m, 255×3/m), …， [255×(m-1)/m, 255]進行閾值分割，生成m幅二值圖像；

3)比較第i幅二值圖像中值為1的像素數(shù)量fi和T·P(P是輸入圖像總的像素數(shù)量).若fi≥T·P，則對該通道二值圖像中值為1的像素點對應(yīng)于輸入圖像中的部分進行二次閾值分割，否則輸出分割后的二值圖像.

(2)ALI運動檢測

將輸入圖像分配到多個通道，每個通道內(nèi)ALI運動檢測均獨立進行.在這一過程中，通過比較當(dāng)前幀與上一幀圖像中對應(yīng)像素點的灰度值即可確定點(i,j)的運動狀態(tài).

(3)改進的模板匹配

利用基于信息量的自適應(yīng)分通道方法將輸入圖像分成多個通道后，每個通道內(nèi)的圖像經(jīng)過ALI運動檢測可獲得輸入圖像中的運動區(qū)域.由于基于ALI的運動目標(biāo)檢測具有輪廓完整等優(yōu)勢，可利用模板匹配法確定運動目標(biāo)的位置.另一方面，一般情況下，圖像序列中運動目標(biāo)的輪廓在相鄰兩幀之間變化較小.因此，可利用上一幀圖像的目標(biāo)作為模板對下一幀圖像進行模板匹配，實現(xiàn)運動目標(biāo)提取.

1.2 基于SC視覺注意模型的弱小目標(biāo)檢測算法

視覺注意機制可使人腦在特定場景中快速找到感興趣的區(qū)域并獲得有用的信息，具有突出顯著目標(biāo)等特性.

本文基于視覺注意機制，建立了一種SC視覺注意模型，如圖4所示.

圖4 SC視覺注意模型流程圖Fig.4 Flow chart of Structure & Contrast Visual Attention model

首先，SC模型將圖像分別輸入到S通道和C通道中進行處理.在C通道中，圖像利用側(cè)抑制網(wǎng)絡(luò)濾波實現(xiàn)對比度增強得到對比度特征圖；在S通道中，利用基于Harris角點理論構(gòu)造結(jié)構(gòu)函數(shù)處理圖像得到結(jié)構(gòu)特征圖.然后，為了進一步提高弱小目標(biāo)的信雜比，在得到特征圖之后，利用松弛閾值法[13]得到權(quán)重特征圖和融合進一步增強目標(biāo).具體步驟為，將特征圖灰度拉伸至[0, 255]，然后對特征圖進行多閾值分割，其中閾值組{Ti}由灰度值范圍和固定步長δ確定，從而得到權(quán)重特征圖.本文中設(shè)置的步長δ=4，閾值組{Ti}的選取范圍為1～251，用來平衡計算效率與檢測性能.每張權(quán)重特征圖的權(quán)值按照公式(1)計算.

(1)

式中，Nfront和Ntotal分別表示松弛閾值分割時的前景像素點數(shù)量和全圖的像素點總數(shù).

而后，將S通道和C通道中的權(quán)重特征圖分別加權(quán)融合即可得到結(jié)構(gòu)顯著圖和對比度顯著圖，如式(2)所示.

(2)

式中，Y是S通道中融合后的結(jié)構(gòu)顯著圖，yj是S通道中的第j張權(quán)重特征圖，wj是對應(yīng)的權(quán)值.以此類推，可得C通道融合的對比度顯著圖.

最后，將結(jié)構(gòu)顯著圖和對比度顯著圖相乘融合得到總的顯著圖.

在SC模型的S通道中，利用基于Harris算子理論構(gòu)造的結(jié)構(gòu)函數(shù)處理圖像突出弱小目標(biāo)以得到結(jié)構(gòu)分量顯著圖.對于具有弱小目標(biāo)的紅外圖像而言，圖像局部塊按照灰度變化基本可分為：小目標(biāo)區(qū)域、邊緣區(qū)域及背景區(qū)域.圖5為紅外弱小目標(biāo)的圖像的不同種類圖像局部塊的特性，小目標(biāo)所在區(qū)域一般對各個方向灰度都有明顯的變化；邊緣區(qū)域一般對某個方向上的灰度變化明顯；在背景區(qū)域，圖像較為平坦，各方向灰度變化較為平緩.

圖5 不同的圖像局部塊特性Fig.5 Different image local block characteristics

基于以上分析，利用小目標(biāo)區(qū)域的局部結(jié)構(gòu)特點構(gòu)造結(jié)構(gòu)函數(shù)即可突出弱小目標(biāo).Harris角點算子是由Chris Harris等[14]提出的用于檢測圖像角點特征的算法子，被廣泛應(yīng)用到目標(biāo)匹配、目標(biāo)跟蹤、三維重建等領(lǐng)域中.該算子利用水平，豎直差分算子對圖像的每個像素進行濾波以求得Ix，Iy，Ixy并按照公式(3)構(gòu)造局部自相關(guān)矩陣M.

(3)

其中，w(x,y)是圖像的窗口函數(shù).

矩陣M的特征值λ1和λ2具有如圖6所示的性質(zhì).

圖6 自相關(guān)矩陣M的特征值性質(zhì)Fig.6 Eigenvalue properties of autocorrelation matrix M

(1)對于平坦區(qū)域，特征值λ1≈λ2≈0，說明此時圖像窗口在所有方向上的移動都沒有明顯的灰度變化.

(2)對于角點區(qū)域，特征值λ1≈λ2>0，說明此時圖像窗口在所有方向上移動都產(chǎn)生明顯的灰度變化.

(3)對于邊緣區(qū)域，特征值λ1?λ2>0或λ2?λ1>0，說明此時圖像窗口在某個方向上移動產(chǎn)生明顯灰度變化.

基于紅外圖像局部塊的分析和Harris角點算子中自相關(guān)矩陣特征值的性質(zhì)，構(gòu)造結(jié)構(gòu)函數(shù)H突出弱小目標(biāo)，如公式(4)所示：

(4)

對于小目標(biāo)區(qū)域，λ1+λ2的值最大且λ1/λ2≈1，此時H的值最大；對于邊緣區(qū)域，λ1+λ2的值較大，但因為λ1?λ2或λ2?λ1，此時H的值很小；對于背景區(qū)域，λ1+λ2≈0，且λ1/λ2≈1，此時H的值最小.利用函數(shù)H即可表示出圖像不同結(jié)構(gòu)對應(yīng)的函數(shù)值，且小目標(biāo)區(qū)域?qū)Y(jié)構(gòu)函數(shù)的響應(yīng)值最大，從而突出小目標(biāo)區(qū)域.同時，將得到的結(jié)構(gòu)函數(shù)圖邊界置0去除邊界角點.

在SC模型的C通道中，利用側(cè)抑制網(wǎng)絡(luò)處理圖像提高目標(biāo)的對比度以得到對比度分量顯著圖.其中，側(cè)抑制網(wǎng)絡(luò)的濾波模板L[14]如式(5)所示：

(5)

利用側(cè)抑制模板L對原圖像中的各像素點所在的圖像塊進行濾波，得到圖像的對比度特征圖.濾波處理過程如式(6)：

F(x+m,y+n)

(6)

式中，F(xiàn)(x,y)為輸入圖像的灰度分布，G(x,y)為經(jīng)過側(cè)抑制模板濾波后的輸出圖像的灰度分布，L(m,n)是像素點 (m,n) 對像素點(x,y)的抑制系數(shù)，l為抑制野半徑.

1.3 基于記憶機制與分層卷積特征的目標(biāo)跟蹤算法

基于記憶機制與分層卷積特征的目標(biāo)跟蹤算法融合了神經(jīng)工程導(dǎo)向的記憶機制和計算機工程導(dǎo)向的卷積神經(jīng)網(wǎng)絡(luò)，該算法對樣本數(shù)和計算能力要求低，同時具有較強的特征提取能力，可在較少的訓(xùn)練樣本和硬件計算能力下有效提取更多特征.

基于記憶機制與分層卷積特征的目標(biāo)跟蹤算法在相關(guān)濾波方法的框架下，采用分層卷積特征替代HOG特征，先利用高層特征進行粗定位，再逐層向下精確定位，從而提高目標(biāo)跟蹤精度.同時，利用響應(yīng)圖分析網(wǎng)絡(luò)處理分類器產(chǎn)生的響應(yīng)圖，計算當(dāng)前幀分類器的置信分?jǐn)?shù)，估計目標(biāo)的狀態(tài).通過調(diào)整更新的學(xué)習(xí)率與間隔，實現(xiàn)高置信度、自適應(yīng)的分類器更新，從而可解決目標(biāo)在圖像中被遮擋的問題.

(1)響應(yīng)圖分析網(wǎng)絡(luò)

當(dāng)目標(biāo)受到干擾，跟蹤精度下降時，響應(yīng)圖的形狀也會隨之變得不規(guī)則.所提出算法設(shè)計并訓(xùn)練了一個響應(yīng)圖分析網(wǎng)絡(luò)(response map analysis network，RAN)，該網(wǎng)絡(luò)以響應(yīng)圖作為輸入，輸出當(dāng)前幀分類器的跟蹤置信度評分.

如圖7所示，以O(shè)TB100數(shù)據(jù)集中的Girl2序列為例.圖中，上一行為圖像與跟蹤結(jié)果，其中紅色框代表目標(biāo)的真實位置，綠色框代表算法估計的目標(biāo)位置，下一行是分類器在該幀產(chǎn)生的對應(yīng)的響應(yīng)圖，以及由所設(shè)計并訓(xùn)練的響應(yīng)圖分析網(wǎng)絡(luò)RAN求得的跟蹤置信分?jǐn)?shù).在104幀，目標(biāo)發(fā)生遮擋前，響應(yīng)圖的形狀比較規(guī)則，近似于二維的高斯函數(shù)，峰值的位置可以視為目標(biāo)的中心位置；從105幀開始，目標(biāo)開始受到遮擋時，形狀開始變得不規(guī)則、崎嶇，出現(xiàn)了干擾峰，目標(biāo)模型被背景干擾污染，導(dǎo)致分類器徹底丟失目標(biāo)；第140幀之后，由于連續(xù)不斷地更新，導(dǎo)致分類器完全將干擾物體視為目標(biāo)進行學(xué)習(xí)，因此響應(yīng)圖的形狀反而開始恢復(fù)正常.因此，分類器產(chǎn)生的響應(yīng)圖可作為目標(biāo)狀態(tài)判斷的依據(jù).

圖7 目標(biāo)受到遮擋時響應(yīng)圖形狀與置信分?jǐn)?shù)的變化情況Fig.7 Changes in the shape of the response map and the confidence score when the target is occluded

首先，對進行跟蹤置信度評價的卷積神經(jīng)網(wǎng)絡(luò)進行設(shè)計與訓(xùn)練.利用現(xiàn)有的相關(guān)濾波跟蹤方法，建立分類器響應(yīng)圖的數(shù)據(jù)集.然后，對網(wǎng)絡(luò)結(jié)構(gòu)進行設(shè)計.最后，利用數(shù)據(jù)集對所提出的網(wǎng)絡(luò)進行訓(xùn)練與驗證.該網(wǎng)絡(luò)稱為響應(yīng)圖分析網(wǎng)絡(luò)，用φ表示.

響應(yīng)圖分析網(wǎng)絡(luò)訓(xùn)練完畢之后，基于此網(wǎng)絡(luò)，在相關(guān)濾波跟蹤方法中加入置信度評價的環(huán)節(jié)，根據(jù)此分?jǐn)?shù)對目標(biāo)的變化情況進行估計，模擬人腦的跟蹤過程，通過高置信度、自適應(yīng)的更新，保持對目標(biāo)外觀模型的良好的短期記憶；能夠確定目標(biāo)消失的時刻，并且利用對目標(biāo)外觀的長期記憶，在更大的搜索范圍內(nèi)尋找保持對目標(biāo)外觀模型的短期與長期記憶，提高跟蹤的精度與效率.

如圖8所示，分類器的參數(shù)矩陣在與搜索區(qū)域的特征進行卷積，產(chǎn)生響應(yīng)圖后，將響應(yīng)圖送入訓(xùn)練好的網(wǎng)絡(luò)，經(jīng)過前向傳播，即可得到這一幀分類器的置信分?jǐn)?shù).如圖7所示，置信分?jǐn)?shù)與響應(yīng)圖形狀的變化趨勢幾乎一致.在發(fā)生遮擋前，置信分?jǐn)?shù)較高且比較穩(wěn)定；開始受到遮擋后，置信分?jǐn)?shù)開始急劇下降；在完全被遮擋后，置信分?jǐn)?shù)長期處于接近于0的水平.因此由響應(yīng)圖分析網(wǎng)絡(luò)得到的置信分?jǐn)?shù)在一定程度上與目標(biāo)變化的情況相關(guān)聯(lián)，可用于于判斷目標(biāo)的狀態(tài)，對分類器的更新進行調(diào)整，并幫助跟蹤器在目標(biāo)消失時進行檢測尋回.

圖8 基于響應(yīng)圖分析網(wǎng)絡(luò)的跟蹤置信分?jǐn)?shù)計算過程Fig.8 Tracking confidence score calculation process based on response map analysis network

(2)分類器自適應(yīng)更新機制

在常規(guī)相關(guān)濾波跟蹤算法中，分類器會以固定的間隔與學(xué)習(xí)率進行更新，不僅容易使目標(biāo)外觀模型受到污染，還使得算法效率低下，過擬合的風(fēng)險高.所提出算法根據(jù)相鄰幀內(nèi)分類器所得置信分?jǐn)?shù)的變化情況劃分出四種更新模型，自適應(yīng)地調(diào)整更新的學(xué)習(xí)率與頻率.具體地，將所生成的響應(yīng)圖ft輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)中，得到其對應(yīng)的跟蹤置信分?jǐn)?shù)φ(ft).設(shè)置τl和τs兩個長、短時間閾值與φh和φl兩個高、低跟蹤置信分?jǐn)?shù)閾值，其中τl>τs，φh>φl.然后，根據(jù)τl幀內(nèi)置信分?jǐn)?shù)的變化情況確定分類器更新頻率：

1)長期高置信度更新模式：在τl幀這一長時間段內(nèi)，所有的置信分?jǐn)?shù)φ(f)均大于高置信度閾值φh時，認(rèn)為目標(biāo)處于長期高跟蹤置信度.在這種情況下，每三幀更新一次分類器，更新的學(xué)習(xí)率的放大倍率α=α3.

2)短期高置信度更新模式：雖然在τl幀內(nèi)，不是所有的置信分?jǐn)?shù)φ(f)都大于高置信閾值φh，但滿足對任意的τ∈[0,1,…,τs-1]，均滿足φ(ft-τ)>φh時，認(rèn)為目標(biāo)在τs幀這一短時間段內(nèi)，處于短期高置信度.每兩幀更新一次分類器，學(xué)習(xí)率的放大倍率α=α2.

3)普通更新模式：如不滿足(1)和(2)，但此時的置信分?jǐn)?shù)仍大于低置信閾值φl時，認(rèn)為目標(biāo)受到一定干擾，但對定位精度影響不大，目標(biāo)與分類器仍可較好地匹配.此時每幀更新一次分類器，放大倍率α=α1.

4)停止更新：當(dāng)?shù)趖幀估計的置信分?jǐn)?shù)小于低置信度閾值φl時，分類器處于低置信度狀態(tài)，短期記憶分類器與目標(biāo)特征幾乎無法匹配，跟蹤結(jié)果不再可靠.此時不再更新分類器.

當(dāng)目標(biāo)處于高跟蹤置信度狀態(tài)時，認(rèn)為目標(biāo)的外觀在相鄰幾幀內(nèi)高度相似，通過降低更新的頻率，可以提升跟蹤算法的時間與空間效率；并且使跟蹤的學(xué)習(xí)率與置信分?jǐn)?shù)正相關(guān)，在低置信度時甚至?xí)Ｖ垢?，以防止目?biāo)的外觀模型受到污染，保持良好的短期記憶.

2 實驗與結(jié)果分析

2.1 基于演算側(cè)抑制的運動目標(biāo)檢測算法

選取Change Detection Benchmark數(shù)據(jù)集[15]，選擇混合高斯模型[16]、非參數(shù)模型[17]和碼本法[18]是3種典型的動態(tài)背景下運動目標(biāo)檢測算法對比算法，開展基于演算側(cè)抑制的運動目標(biāo)檢測算法的比較實驗.

圖9為所提出算法與對比算法的實驗結(jié)果.圖9(b)，(c)，(d)所示的運動目標(biāo)檢測結(jié)果表明：對于動態(tài)背景下的運動目標(biāo)檢測，3種對比算法的檢測結(jié)果中，部分目標(biāo)產(chǎn)生了空洞，且背景雜波較多，不利于進一步對其進行識別等處理.此外，對于lakeSide序列，碼本法未能實現(xiàn)運動目標(biāo)檢測.圖9(e)所示的運動目標(biāo)檢測結(jié)果表明：所提出的基于演算側(cè)抑制模型的目標(biāo)檢測算法的檢測結(jié)果中目標(biāo)輪廓完整，背景雜波較少，表明所提出算法在目標(biāo)輪廓完整度、背景雜波抑制等方面具有良好的特性.

圖9 對比實驗結(jié)果Fig.9 Comparison results

2.2 基于SC視覺注意模型的弱小目標(biāo)檢測算法

選取最大均值濾波(max-mean)[19]，最大中值濾波(max-median)[20]，二維最小均方誤差算法(TDLMS)[21]，Top-hat，Wang’s[22]算法進行對比實驗，得到如圖10所示的對比實驗結(jié)果.

圖10 弱小目標(biāo)檢測對比實驗結(jié)果Fig.10 Comparison experiment results of dim target detection

由圖10可以看出，max-mean，max-median和TDLMS雖然可以增強目標(biāo)，但是它們都不能有效抑制背景，如圖10(a)中的海面雜波仍然存在.Top-hat算法可以較好地抑制背景，但仍然存在背景雜波.而且它的目標(biāo)增強能力較弱，尤其當(dāng)目標(biāo)的信號較弱時，其檢測結(jié)果不是很理想，如圖10(e)-(f)所示.Wang’s算法是近年來提出的一種基于視覺注意機制的檢測算法，但是該算法所需參數(shù)較多，需要知道目標(biāo)的大小，對比度閾值及擴展區(qū)域大小等，當(dāng)這些參數(shù)不適合一些圖像時，檢測性能就大大降低，例如對于圖10(e)，該算法就無法檢測出目標(biāo).和這五種算法相比，本論文所提出的算法在不同的測試圖像中檢測效果較好，能夠有效抑制背景雜波和增強目標(biāo).即使是在背景雜波較強和目標(biāo)信號較弱的情況下，如圖10(b)和圖10(e)，仍然具有較好的檢測效果

2.3 基于記憶機制與分層卷積特征的目標(biāo)跟蹤算法

如圖11所示，在OBT100[23]公開數(shù)據(jù)集中選擇存在目標(biāo)從圖像中消失等情況的Girl2，Jogging1，Bird1和Box序列，記錄每一幀的置信分?jǐn)?shù)，并繪出曲線圖.圖中藍(lán)色與紅色的直線分別代表高置信度與低置信度閾值線.

圖11 發(fā)生目標(biāo)消失的序列中置信分?jǐn)?shù)變化曲線Fig.11 Confidence score change curves in the sequence where the target disappears

可以看出，在目標(biāo)受到遮擋的過程中，跟蹤置信度均以相似的規(guī)律發(fā)生變化：在消失前，置信分?jǐn)?shù)處于較高水平，且比較穩(wěn)定，波動較??；在發(fā)生遮擋開始消失時，置信分?jǐn)?shù)迅速下降；完全消失后，停留在低置信分?jǐn)?shù)水平.

實驗結(jié)果表明，所設(shè)計并訓(xùn)練出的響應(yīng)圖分析網(wǎng)絡(luò)能夠有效地對分類器的跟蹤置信度進行評價，反映目標(biāo)外觀的變化情況以及分類器與目標(biāo)模型的匹配程度，因此可作為分類器的定位與更新的依據(jù).

2.4 算法對比分析

由上述結(jié)果可以看出，所提出的三種算法具有不同的適用范圍.

基于演算側(cè)抑制的運動目標(biāo)檢測算法適用于運動目標(biāo)檢測，主要解決的是存在動態(tài)背景及干擾情況下的運動目標(biāo)檢測問題；基于SC視覺注意模型的弱小目標(biāo)檢測算法，主要解決的是目標(biāo)微弱、對比度較低的情況下的目標(biāo)檢測問題；基于記憶機制與分層卷積特征的目標(biāo)跟蹤算法適用于復(fù)雜情況下的目標(biāo)跟蹤，主要解決的是目標(biāo)被遮擋、相似目標(biāo)干擾等情況下的準(zhǔn)確目標(biāo)跟蹤問題.

3 結(jié) 論

本文結(jié)合神經(jīng)工程導(dǎo)向的類腦模型(包括側(cè)抑制、視覺注意、認(rèn)知記憶模型等)和計算機工程導(dǎo)向的DNNs，提出了三種基于類腦模型和DNNs的目標(biāo)檢測與跟蹤算法，包括：針對運動背景下的目標(biāo)檢測，提出了一種基于演算側(cè)抑制的目標(biāo)檢測算法；針對弱小目標(biāo)的目標(biāo)檢測，提出了一種基于SC視覺注意模型的弱小目標(biāo)檢測算法；針對目標(biāo)跟蹤過程中目標(biāo)被遮擋、目標(biāo)姿態(tài)變化、相似目標(biāo)干擾等情況，提出了一種基于記憶機制與分層卷積特征的目標(biāo)跟蹤算法.實驗結(jié)果表明，與對比算法相比，所提出算法在目標(biāo)檢測和跟蹤精度方面具有優(yōu)勢.