基于LGMD建模的物体深度运动方向估计方法

在移动机器人、自动驾驶、视频监控等应用领域，复杂的动态场景中，对于物体深度运动及方向检测一直是计算机视觉技术的难点。自然界中，昆虫在飞行过程中利用复眼视觉检测高度变化且视觉杂乱环境中的深度运动物体(或称为目标)，是学习运动感知策略的良好范例。受飞行昆虫复眼视觉功能优势的启发，本文采用物体运动的缩放变量计算与基于LGMD (lobula giant movement detector)的改进型碰撞检测模型相结合的仿生策略，提出一种基于LGMD神经元建模的物体深度运动方向估计方法(简称LGMD-ED)，通过对PPT合成动画视频和拍摄真实场景的样本视频进行仿真实验和测试，验证了本文所提新方法对于检测与估计物体远离和靠近二种典型深度运动方向的有效性。

在移动机器人、机器视觉等研究领域，视觉场景的三维空间中物体的平移和深度运动是最基本的二种运动模式。从动态变化和视觉杂乱的环境中快速、稳健地提取物体(目标)深度运动的强度和方向信息， 是移动机器人、自动驾驶等视觉系统跟踪目标和避障避碰的关键，也是计算机视觉技术的难点。自然界中昆虫复眼视觉运动感知的高适应性和高可靠性是一种自然特性，当今，模拟复眼视神经过程已成为研究设计人工运动感知视觉系统的重要模型范式[1]-[6]， 也为物体深度运动及方向检测与估计提供了一种非线性信号处理的新思路。

近几十年来，随着对蝗虫视叶神经纤维网中小叶巨型运动检测器(lobula giant movement detector, LGMD)系统能够在复杂环境中对突现的视觉刺激做出反应的研究进展， LGMD 一类神经元对于检测物体运动以及碰撞显著性响应的神经计算机理越来越清晰， 许多学者提出了一些阐明LGMD 神经元活动过程的人工神经网络计算模型[3] [7] [8] [9] [10] [11]。如，Rind 等基于蝗虫视觉系统中LGMD 神经元的功能特性提出了一种碰撞检测模型。Blanchard 等评估了昆虫LGMD 系统在现实环境中的行为，扩展了基于LGMD 的神经网络模型， 并对障碍物检测的健壮性进行了仿真验证。

Fu 和Yue 等基于蝗虫视叶系统存在两个不同的LGMD1 和LGMD2 的昆虫生理学发现，提出了一种基于LGMD2 的碰撞识别模型，并在微型移动机器人上做了实时测试验证。Fu 和Rind 等基于果蝇将运动信息分开、在并行的ON 和OFF 通路上处理的视觉机理，以及蝗虫视觉神经生理学新发现，提出了一种新的碰撞检测神经网络模型，类似于LGMD2 神经元的碰撞选择性，通过建立不对称处理的ON/OFF 通路，即相对于OFF 通路在ON 通路中