基于CNNs電路模型的運動目標檢測方法＊

張蕾

(山東勝利職業學院 電氣與自動控制工程系，山東 東營 257097)

運動目標檢測是視頻圖像跟蹤與識別系統中的關鍵技術，在視頻監控、交通流量統計、人機交互、機器人等領域有著廣泛的應用。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靜止時運動目標的檢測，光流法則在攝像機移動時能夠得到較好的檢測效果。在運動目標檢測的各種應用領域中，對算法的實時性都有著很高的要求，因此，如何提高運算速度以滿足實時需求是科研人員需要解決的問題。

細胞神經網絡CNNs(Cellular Neural Networks)是一種具有并行處理能力的網狀非線性電路模型[1]，其基本單元稱為細胞。細胞結構簡單且細胞之間為局部互聯，因此，方便超大規模集成電路(VLSI)實現，研制成功的細胞神經網通用機(CNN Universal Machine)已被證明具有圖靈機的計算能力[2]。作為一種面向集成電路實現的神經網絡，細胞神經網很好地結合了并行計算和并行結構，具有與人眼視網膜相似的結構，因此用細胞神經網來探索視覺計算和實時圖像處理有著重要意義。當前細胞神經網主要用于實時圖像處理領域，在模式識別、仿生眼、自治機器人、信息安全、高級腦功能等研究領域也得到了成功的應用[3-5]，并出現了差值控制細胞神經網、模糊細胞神經網、多層細胞神經網、時滯細胞神經網等多種形式。

本文首先給出了CNNs的基本概念并對其穩定性進行了分析，然后針對運動目標檢測常用的幀差法和光流法，給出了基于細胞神經網的實現方式，最后采用不同視頻圖像序列進行了仿真驗證。

1 CNNs電路模型

細胞神經網的每個細胞都是具有輸入、輸出及狀態變量的非線性動力學系統。設cij為位于細胞神經網中第i行第j列的細胞，則cij的動力學特性可通過式(1)所示狀態方程描述，其輸出特性可通過式(2)描述：

其中，|xij(0)|≤1、｜uij｜≤1 為 限 制 條 件 ；N 為 細 胞 cij鄰域；Aij，kl為線性反饋模板，表示中心細胞 cij輸出量 yij(t)與鄰域內細胞ckl各輸出量 ykl(t)之間的連接權；Bij，kl為線性控制模板，表示中心細胞cij輸入量uij與鄰域內細胞ckl各 輸 入 量 ukl之 間 的 連 接 權 ；zij為 閾 值 。Aij，kl、Bij，kl、zij統 稱為細胞神經網的模板，若模板對于整個網絡全局不變，則可以簡寫為 A、B、z，不失一般性，可將 R、C取值進行歸一化表示為R=C=1。一個細胞的電路模型如圖1所示。如果用電壓作為狀態描述量，由狀態方程和輸出方程可以得到圖1所示的電路模型。

圖1 細胞電路模型

2 CNNs穩定性分析

CNNs信息處理的過程是一個將被輸入信息按照一定法則映射到輸出信息的過程，為得到合理結果需要CNNs具有良好的穩定性。參照文獻[1]、[6]利用Lyapunov判穩方法給出CNNs穩定性證明如下：

定理1 對于任意t(t>0)，細胞神經網中所有細胞的狀態變量xij(t)均有界，界值可由下式計算得出：

3 基于CNNs的幀差運動目標檢測方法

幀差法是通過檢查相鄰幀之間像素強度的變化來判斷圖像序列中有無運動物體，設 u(i，j，n)和 u(i，j，n+1)為相鄰兩幀圖像，則幀差圖像為：

幀差法運算簡單，執行速度快，但卻不能夠完整地提取運動對象。為獲得較好的檢測效果，本文給出了一種將幀差法與空間分割方法相結合的檢測方法：首先進行幀內分割，將每幀圖像分割成多個的對象集合，同時應用幀差法檢測出運動的像素；然后根據檢測與分割結果，判斷運動像素所歸屬的對象；再利用反向選擇算法將所歸屬對象提取后完成檢測。方法流程如圖2所示。對圖像序列作運動檢測、處理，其檢測效果如圖3所示。

圖3 CNNs幀差法的處理與檢測效果

利用細胞神經網實現圖2所示各運算時，幀差運算相應模板設置如下：

閾值化、濾波、空洞填充、邊緣估計、反向選擇等運算的CNNs模板可參考文獻[7-8]。

4 基于CNNs的光流運動目標檢測方法

運動產生出光流，光流是運動信息的一個近似反映?；诠饬鞣椒ǖ倪\動檢測采用了運動目標隨時間變化的光流特性，通過計算光流并對光流圖像分割來檢測運動目標。由于光流場中不同的物體會有不同的速度，因此，即使在攝像機存在運動的情況下也能檢測出獨立的運動目標。光流法的缺點是計算方法復雜、運算量大，因此很難應用于實時性要求較高場合。本文應用具有并行計算能力的細胞神經網實現光流場的估計。

4.1 連續時間域光流計算描述

細胞神經網是在連續時間域進行信息處理，因此首先考慮光流計算的連續時間域描述方法。若圖像中某像素 m在時刻 t的灰度值為 I(x，y，t)，令點 m的速度為Vm=(u，v)，則 Horn& Schunck光流計算模型，其光流矢量通過如下方程組求解：

由式(15)可以看出，式中相應運算僅限于局部鄰域，因此適合采用細胞神經網實現。多層細胞神經網可用于描述不在同一層中的細胞相互之間的作用關系，針對式(15)的兩層細胞神經網結構為：

式(14)的求解可用時滯細胞神經網統一描述。令τ等于采樣率的倒數，用 x一致代表Ix、Iy、It，則計算各量的時滯細胞神經網狀態方程如式(21)所示，狀態變量代表不同變量時的相應模板設置可見式(21)～式(24)。

4.2 仿真試驗結果

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

圖4 CNNs光流法檢測效果

本文針對常用的運動目標檢測方法，探索了細胞神經網的實現方式，最后采用不同視頻圖像序列進行了仿真驗證，結果證明了所提出方法的有效性。

[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， etal.A CNN framework for modeling parallel processing in a mammalian retina [J].InternationalJournalofCircuitTheory 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.基于細胞神經網的快速圖像分割方法[J].北京工商大學學報(自然科學版)，2005，23(9)：32-34，39.

[8]鞠磊，鄭德玲，張蕾.基于差值控制細胞神經網絡圖像濾波器[J].北京科技大學學報，2005，27(6)：375-379.