在過去十年里，CMOS圖像傳感器技術(shù)經(jīng)過連續(xù)改進(jìn)和不斷提高，已經(jīng)使其從主要服務(wù)于低端市場轉(zhuǎn)移到一些要求最苛刻的高性能應(yīng)用。伴隨著這種趨勢，CMOS圖像傳感器“ target=“_blank“>P> 在過去十年里，CMOS圖像傳感器技術(shù)經(jīng)過連續(xù)改進(jìn)和不斷提高，已經(jīng)使其從主要服務(wù)于低端市場轉(zhuǎn)

運(yùn)動(dòng)目標(biāo)檢測是視頻圖像跟蹤與識(shí)別系統(tǒng)中的關(guān)鍵技術(shù)，在視頻監(jiān)控、交通流量統(tǒng)計(jì)、人機(jī)交互、機(jī)器人等領(lǐng)域有著廣泛的應(yīng)用。目前常用的方法有幀差法、背景減法、光流法等，其中幀差法和背景減法適用于攝像機(jī)靜止時(shí)運(yùn)動(dòng)目標(biāo)的檢測，光流法則在攝像機(jī)移動(dòng)時(shí)能夠得到較好的檢測效果。在運(yùn)動(dòng)目標(biāo)檢測的各種應(yīng)用領(lǐng)域中，對算法的實(shí)時(shí)性都有著很高的要求，因此，如何提高運(yùn)算速度以滿足實(shí)時(shí)需求是科研人員需要解決的問題。
　細(xì)胞神經(jīng)網(wǎng)絡(luò)CNNs(Cellular Neural Networks)是一種具有并行處理能力的網(wǎng)狀非線性電路模型[1]，其基本單元稱為細(xì)胞。細(xì)胞結(jié)構(gòu)簡單且細(xì)胞之間為局部互聯(lián)，因此，方便超大規(guī)模集成電路(VLSI)實(shí)現(xiàn)，研制成功的細(xì)胞神經(jīng)網(wǎng)通用機(jī)(CNN Universal Machine)已被證明具有圖靈機(jī)的計(jì)算能力[2]。作為一種面向集成電路實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)，細(xì)胞神經(jīng)網(wǎng)很好地結(jié)合了并行計(jì)算和并行結(jié)構(gòu)，具有與人眼視網(wǎng)膜相似的結(jié)構(gòu)，因此用細(xì)胞神經(jīng)網(wǎng)來探索視覺計(jì)算和實(shí)時(shí)圖像處理有著重要意義。當(dāng)前細(xì)胞神經(jīng)網(wǎng)主要用于實(shí)時(shí)圖像處理領(lǐng)域，在模式識(shí)別、仿生眼、自治機(jī)器人、信息安全、高級(jí)腦功能等研究領(lǐng)域也得到了成功的應(yīng)用[3-5]，并出現(xiàn)了差值控制細(xì)胞神經(jīng)網(wǎng)、模糊細(xì)胞神經(jīng)網(wǎng)、多層細(xì)胞神經(jīng)網(wǎng)、時(shí)滯細(xì)胞神經(jīng)網(wǎng)等多種形式。
　本文首先給出了CNNs的基本概念并對其穩(wěn)定性進(jìn)行了分析，然后針對運(yùn)動(dòng)目標(biāo)檢測常用的幀差法和光流法，給出了基于細(xì)胞神經(jīng)網(wǎng)的實(shí)現(xiàn)方式，最后采用不同視頻圖像序列進(jìn)行了仿真驗(yàn)證。

閾值化、濾波、空洞填充、邊緣估計(jì)、反向選擇等運(yùn)算的CNNs模板可參考文獻(xiàn)[7-8]。
4 基于CNNs的光流運(yùn)動(dòng)目標(biāo)檢測方法
　運(yùn)動(dòng)產(chǎn)生出光流，光流是運(yùn)動(dòng)信息的一個(gè)近似反映?；诠饬鞣椒ǖ倪\(yùn)動(dòng)檢測采用了運(yùn)動(dòng)目標(biāo)隨時(shí)間變化的光流特性，通過計(jì)算光流并對光流圖像分割來檢測運(yùn)動(dòng)目標(biāo)。由于光流場中不同的物體會(huì)有不同的速度，因此，即使在攝像機(jī)存在運(yùn)動(dòng)的情況下也能檢測出獨(dú)立的運(yùn)動(dòng)目標(biāo)。光流法的缺點(diǎn)是計(jì)算方法復(fù)雜、運(yùn)算量大，因此很難應(yīng)用于實(shí)時(shí)性要求較高場合。本文應(yīng)用具有并行計(jì)算能力的細(xì)胞神經(jīng)網(wǎng)實(shí)現(xiàn)光流場的估計(jì)。
4.1 連續(xù)時(shí)間域光流計(jì)算描述
　細(xì)胞神經(jīng)網(wǎng)是在連續(xù)時(shí)間域進(jìn)行信息處理，因此首先考慮光流計(jì)算的連續(xù)時(shí)間域描述方法。若圖像中某像素m在時(shí)刻t的灰度值為I(x，y，t)，令點(diǎn)m的速度為Vm=(u，v)，則Horn Schunck光流計(jì)算模型，其光流矢量通過如下方程組求解：


4.2 仿真試驗(yàn)結(jié)果
　取highway圖像序列檢驗(yàn)所提出的光流運(yùn)動(dòng)檢測方法。該圖像序列是在攝像機(jī)移動(dòng)條件下拍攝的，序列中幾乎不存在靜止對象。為得到較好檢測效果，在光流計(jì)算之后(計(jì)算運(yùn)動(dòng)矢量幅值)，依次采用了濾波、閾值化、空洞填充、邊緣檢測、雜點(diǎn)取出等一系列運(yùn)算，CNNs光流法檢測結(jié)果如圖4所示。從仿真試驗(yàn)可以看出，所提出方法能夠得到正確檢測結(jié)果。

　本文針對常用的運(yùn)動(dòng)目標(biāo)檢測方法，探索了細(xì)胞神經(jīng)網(wǎng)的實(shí)現(xiàn)方式，最后采用不同視頻圖像序列進(jìn)行了仿真驗(yàn)證，結(jié)果證明了所提出方法的有效性。
參考文獻(xiàn)
[1] CHUA L O， YANG L. Cellular neural network： theory[J]. IEEE Transactions on Circuits and Systems， 1988， 35(10)：1257-1272.
[2] LINAN G， ESPEJO S， DOMINGUEZ C R. ACE4K： an analog I/O 64×64 visual microprocessor chip with 7-bit analog accuracy[J]. International Journal of Circuit Theory and Applications， 2002， 30(1)：89-116.
[3] BALYA D， ROSKA B， ROSKA T， et al. A CNN framework for modeling parallel processing in a mammalian retina[J]. International Journal of Circuit Theory and Applications， 2002， 30(2)：363-393.
[4] ARENA P， BASILE A， FORTUNA L. CNN wave based computation for robot navigation planning[M]. Proceedings of the 2004 International Symposium on Circuits and Systems， 2004：500-503.
[5] PETRAS I， ROSKA T. Application of direction constrained and bipolar waves for pattern recognition[C]. Proceedings of the 6th IEEE International Workshop on Cellular Neural Networks and their Applications， Catania， Italy， 2000：3-8.
[6] SLAVOVA A. Applications of some mathematical methods in the analysis of cellular neural networks[J]. Journal of Computational and Applied Mathematics， 2000， 114(6)： 387~404.
[7] 鞠磊，鄭德玲，翁貽方.基于細(xì)胞神經(jīng)網(wǎng)的快速圖像分割方法[J].北京工商大學(xué)學(xué)報(bào)(自然科學(xué)版)，2005，23(9)：32-34，39.
[8] 鞠磊，鄭德玲，張蕾.基于差值控制細(xì)胞神經(jīng)網(wǎng)絡(luò)圖像濾波器[J].北京科技大學(xué)學(xué)報(bào)，2005，27(6)：375-379.