本發(fā)明涉及計(jì)算機(jī)視覺和腦神經(jīng)科學(xué)等多學(xué)科的交叉技術(shù)領(lǐng)域，具體涉及一種基于視覺恐懼反應(yīng)腦機(jī)制的應(yīng)急避障方法。

背景技術(shù)：

隨著無人機(jī)等智能系統(tǒng)的廣泛研究和應(yīng)用，障礙物的檢測和躲避逐漸成為研究的熱點(diǎn)。其中，障礙物檢測也是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)之一。計(jì)算機(jī)視覺領(lǐng)域的研究者們已經(jīng)提出了許多障礙物檢測的方法。根據(jù)基本思想和原理，這些障礙物檢測算法主要分為以下兩類：

(1)提取前景：雙目視覺技術(shù)通過校準(zhǔn)和立體匹配計(jì)算得到視差圖，視差圖反映了圖像中的對象相對于攝像頭的遠(yuǎn)近關(guān)系。該方法設(shè)定適當(dāng)?shù)拈撝堤崛∏熬皡^(qū)域是使用雙目視覺解決障礙物檢測的核心思想。但是，該方法計(jì)算復(fù)雜度較高，適用于深度信息豐富而且障礙物較大情況下的檢測。

(2)提取運(yùn)動物體：諸如幀間差分法、光流法背景建模法等計(jì)算機(jī)視覺領(lǐng)域中運(yùn)動檢測的算法均要求背景簡單且不能出現(xiàn)劇烈變化。其中，幀間差分法通過對相鄰兩張圖像做差分運(yùn)算，再通過灰度值的變化發(fā)現(xiàn)運(yùn)動的目標(biāo)。該方法實(shí)現(xiàn)簡單，要求背景相對簡單，不能出現(xiàn)劇烈的變化。光流法利用圖像序列中像素灰度值的時序變化和相關(guān)性來確定空間各像素點(diǎn)所發(fā)生的運(yùn)動。該方法適用于背景復(fù)雜且不斷變化的場景，結(jié)果易受光照影響。背景建模法假定背景符合某一規(guī)律的模型，通過多幀背景圖像估計(jì)出模型的參數(shù)，完成背景建模；再針對每一幀對背景差分，從而得到前景并進(jìn)一步判斷前景的運(yùn)動。該方法要求背景符合某一分布，在背景復(fù)雜或難以用模型描述時就不適用了。

縱觀已有的避障方法，雖然在障礙物檢測上面已經(jīng)取得了相當(dāng)矚目的成就，但從根本原理而言，這些方法和真正大腦處理視覺應(yīng)急反應(yīng)機(jī)制相比存在著很大的區(qū)別。

首先，在計(jì)算復(fù)雜度上，大腦中采用的是第二視覺系統(tǒng)的信息處理機(jī)制，能夠準(zhǔn)確快速地定位突然出現(xiàn)的障礙物，并進(jìn)行防衛(wèi)。大腦的恐懼應(yīng)急反應(yīng)是由皮層下的快速反應(yīng)通路完成的，而障礙物檢測的算法一般是由第一視覺通路來完成的，該通路對信息的處理相對精細(xì)，但由此帶來的時間消耗較大，例如對背景建模的計(jì)算、立體匹配中視差圖的計(jì)算都需要大量的時間，這是遠(yuǎn)遠(yuǎn)達(dá)不到動物或者人類的生存要求的。再有，受光照等環(huán)境因素的影響，已有的算法的處理結(jié)果通常伴隨一定的錯誤發(fā)生，而準(zhǔn)確率對于動物或者人類的生存來說是至關(guān)重要的。大腦進(jìn)化出的第二視覺通路專門應(yīng)對突發(fā)的危險(xiǎn)情況并做出本能地防衛(wèi)行為，該通路直接從視網(wǎng)膜投射到上丘，上丘中的PV⁺神經(jīng)元對逼近式運(yùn)動響應(yīng)十分敏感，對朝向自身的運(yùn)動響應(yīng)非?；钴S，并計(jì)算得到不同區(qū)域的危險(xiǎn)性提供給丘腦枕，丘腦枕根據(jù)視野中不同區(qū)域的危險(xiǎn)性調(diào)整注意力轉(zhuǎn)向最危險(xiǎn)的區(qū)域，丘腦枕將危險(xiǎn)傳遞給杏仁核產(chǎn)生恐懼情緒后直接導(dǎo)致了PAG執(zhí)行躲避的行為。然而，腦處理緊急情況下的應(yīng)急躲避行為，錯誤的發(fā)生往往會降低很多。

有鑒于此，特提出本發(fā)明。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中的上述問題，即為了解決如何提高應(yīng)急反應(yīng)能力的技術(shù)問題而提供一種基于視覺恐懼反應(yīng)腦機(jī)制的應(yīng)急避障方法。

為了實(shí)現(xiàn)上述目的，一方面，提供以下技術(shù)方案：

一種基于視覺恐懼反應(yīng)腦機(jī)制的應(yīng)急避障方法，所述方法包括：

獲取圖像序列；

基于視網(wǎng)膜信息處理機(jī)制，檢測所述圖像序列中障礙物的運(yùn)動方向和運(yùn)動速度；

基于所述障礙物的所述運(yùn)動方向和所述運(yùn)動速度，根據(jù)PV+神經(jīng)元信息處理機(jī)制，進(jìn)行逼近式運(yùn)動檢測，得到逼近式運(yùn)動響應(yīng)；

基于所述逼近式運(yùn)動響應(yīng)，根據(jù)丘腦枕信息處理機(jī)制，確定最危險(xiǎn)區(qū)域；

對所述最危險(xiǎn)的區(qū)域做出應(yīng)急避障行為。

進(jìn)一步地，所述基于視網(wǎng)膜信息處理機(jī)制，檢測所述圖像序列中障礙物的運(yùn)動方向和運(yùn)動速度，具體包括：

獲取所述圖像序列中顯著度高的特征點(diǎn)；

計(jì)算所述特征點(diǎn)的運(yùn)動方向和運(yùn)動速度，得到所述圖像序列中障礙物的運(yùn)動方向和運(yùn)動速度。

進(jìn)一步地，特征為灰度對比度，所述獲取所述圖像序列中顯著度高的特征點(diǎn)具體包括：

根據(jù)下式計(jì)算所述圖像序列中各像素點(diǎn)的灰度差值：

其中，所述E(u,v)表示所述灰度差值；所述(x,y)表示像素點(diǎn)坐標(biāo)；所述u表示沿x軸水平移動的距離；所述v表示沿y軸豎直移動的距離；所述w(x,y)表示窗口函數(shù)；所述I(x,y)表示所述像素點(diǎn)(x,y)對應(yīng)的灰度值；所述I(x+u,y+v)表示像素點(diǎn)(x+u,y+v)對應(yīng)的灰度值；

根據(jù)下式計(jì)算所述各像素點(diǎn)的自相關(guān)矩陣：

其中，所述M表示所述自相關(guān)矩陣；所述I_x表示x方向的差分；所述I_y表示y方向的差分；

計(jì)算所述各像素點(diǎn)的所述自相關(guān)矩陣的特征值，并將所述自相關(guān)矩陣的特征值中的最小值確定為所述各像素點(diǎn)的特征值；

重復(fù)選擇所述圖像序列中任一鄰域，確定所述鄰域內(nèi)像素點(diǎn)特征值最大的像素點(diǎn)；

過濾像素點(diǎn)特征值小于閾值的像素點(diǎn)，得到特征點(diǎn)；

對所有所述特征點(diǎn)進(jìn)行排序，針對每一特征點(diǎn)，任選一鄰域，比較所述鄰域內(nèi)是否存在比該特征點(diǎn)的特征值大的特征點(diǎn)，若存在，則忽略該特征點(diǎn)，從而得到顯著度高的特征點(diǎn)。

進(jìn)一步地，所述計(jì)算所述特征點(diǎn)的運(yùn)動方向和運(yùn)動速度具體包括：

針對所述圖像序列，在第一時刻的幀中，利用最小二乘法，查找與第二時刻幀中特征點(diǎn)同一位置鄰近區(qū)域內(nèi)灰度值相近的像素點(diǎn)，從而得到所述特征點(diǎn)的所述運(yùn)動速度，其中，所述第一時刻與所述第二時刻為相鄰時刻；

通過計(jì)算相鄰二幀所述特征點(diǎn)運(yùn)動的斜率，得到所述特征點(diǎn)的所述運(yùn)動方向。

進(jìn)一步地，所述斜率通過下式計(jì)算得到：

其中，以所述幀的左下角為原點(diǎn)，以水平向右方向?yàn)閄軸正方向，以豎直向上方向?yàn)閅軸正方向；t表示時刻；所述k_i表示所述相鄰二幀特征點(diǎn)運(yùn)動的所述斜率；(x_i1,y_i1)表示所述t時刻第i個特征點(diǎn)的位置坐標(biāo)，所述(x_i2,y_i2)表示t+1時刻所述第i個特征點(diǎn)的位置坐標(biāo)，所述i取正整數(shù)。

進(jìn)一步地，所述基于所述障礙物的所述運(yùn)動方向和所述運(yùn)動速度，根據(jù)PV⁺神經(jīng)元信息處理機(jī)制，進(jìn)行逼近式運(yùn)動檢測，得到逼近式運(yùn)動響應(yīng)，具體包括：

計(jì)算所述圖像序列中所有特征點(diǎn)運(yùn)動方向的平均值；

根據(jù)所述平均值計(jì)算所述特征點(diǎn)運(yùn)動方向的方差；

基于方差，根據(jù)下式計(jì)算逼近式運(yùn)動響應(yīng)函數(shù)：

其中，所述G(d₀)表示所述逼近式運(yùn)動響應(yīng)函數(shù)；所述d₀表示所述特征點(diǎn)運(yùn)動方向的所述方差。

進(jìn)一步地，所述基于逼近式響應(yīng)，根據(jù)丘腦枕信息處理機(jī)制，確定最危險(xiǎn)區(qū)域，具體包括：

針對具有逼近式運(yùn)動的特征點(diǎn)進(jìn)行聚類，得到潛在危險(xiǎn)障礙物；

確定所述潛在危險(xiǎn)障礙物的危險(xiǎn)性；

將所述危險(xiǎn)性的最大值確定為所述最危險(xiǎn)區(qū)域。

進(jìn)一步地，所述針對具有逼近式運(yùn)動的特征點(diǎn)進(jìn)行聚類，得到潛在危險(xiǎn)障礙物，具體包括：

針對所述具有逼近式運(yùn)動的特征點(diǎn)，計(jì)算其鄰域內(nèi)特征點(diǎn)的數(shù)量，如果該數(shù)量大于數(shù)量閾值，則將所述具有逼近式運(yùn)動的特征點(diǎn)確定為潛在危險(xiǎn)區(qū)域核心點(diǎn)；

以所述潛在危險(xiǎn)區(qū)域核心點(diǎn)為中心進(jìn)行聚類，計(jì)算潛在危險(xiǎn)區(qū)域；

當(dāng)所有的所述特征點(diǎn)都被聚類或剩余的所述特征點(diǎn)的數(shù)量小于聚類閾值，則將聚類的類別數(shù)確定為所述潛在危險(xiǎn)障礙物。

進(jìn)一步地，所述以所述潛在危險(xiǎn)區(qū)域核心點(diǎn)為中心進(jìn)行聚類，計(jì)算潛在危險(xiǎn)區(qū)域，具體包括：

步驟1：以所述潛在危險(xiǎn)區(qū)域核心點(diǎn)為種子點(diǎn)，將與所述種子點(diǎn)歐氏距離小于距離閾值的特征點(diǎn)確定為所述種子點(diǎn)的臨近可達(dá)點(diǎn)，并將所述種子點(diǎn)和所述臨近可達(dá)點(diǎn)構(gòu)成核心點(diǎn)群；

步驟2：將與所述核心點(diǎn)群歐氏距離小于距離閾值的特征點(diǎn)確定為新的臨近可達(dá)點(diǎn)，并將所述新的臨近可達(dá)點(diǎn)加入到所述核心點(diǎn)群中；

步驟3：重復(fù)步驟1和步驟2，直至無新的臨近可達(dá)點(diǎn)加入到所述核心點(diǎn)群中；

步驟4：將步驟3得到的核心點(diǎn)群確定為所述潛在危險(xiǎn)區(qū)域。

進(jìn)一步地，所述確定所述潛在危險(xiǎn)障礙物的危險(xiǎn)性具體包括：

將圖像中組成物體的特征點(diǎn)的運(yùn)動距離的平均值確定為所述物體的運(yùn)動速度；

基于所述物體的運(yùn)動速度，并根據(jù)下式計(jì)算所述潛在危險(xiǎn)障礙物的危險(xiǎn)性：

其中，所述s(x,y,v)表示所述潛在危險(xiǎn)障礙物的危險(xiǎn)性；所述o(x,y)表示全部特征點(diǎn)；所述α表示加權(quán)系數(shù)；所述β表示加權(quán)系數(shù)；所述x表示組成所述物體的全部特征點(diǎn)橫坐標(biāo)的集合；所述y表示組成所述物體的全部特征點(diǎn)縱坐標(biāo)的集合；所述v表示物體的運(yùn)動速度。

為了實(shí)現(xiàn)上述目的，另一方面，還提供一種基于視覺恐懼反應(yīng)腦機(jī)制的應(yīng)急避障方法，用于無人機(jī)，所述方法包括：

獲取場景圖像；

提取所述場景圖像中顯著度高的特征點(diǎn)；

計(jì)算所述特征點(diǎn)的運(yùn)動方向和運(yùn)動速度；

將所述特征點(diǎn)的所述運(yùn)動方向和所述運(yùn)動速度傳遞至上丘腦；

上丘淺層區(qū)域的PV+神經(jīng)元檢測逼近式運(yùn)動，并將逼近式運(yùn)動區(qū)域的信號經(jīng)由PBG投射到丘腦枕；

所述丘腦枕根據(jù)障礙物的危險(xiǎn)程度調(diào)整注意力的轉(zhuǎn)移；

所述丘腦枕控制眼睛轉(zhuǎn)向最危險(xiǎn)的區(qū)域，杏仁核同時接受所述丘腦枕的輸入產(chǎn)生恐懼反應(yīng)信號，并將所述恐懼反應(yīng)信號傳向PAG區(qū)，從而進(jìn)行應(yīng)急避障。

本發(fā)明實(shí)施例提供一種基于視覺恐懼反應(yīng)腦機(jī)制的應(yīng)急避障方法。該方法包括獲取圖像序列；基于視網(wǎng)膜信息處理機(jī)制，檢測圖像序列中障礙物的運(yùn)動方向和運(yùn)動速度；基于障礙物的運(yùn)動方向和運(yùn)動速度，根據(jù)PV⁺神經(jīng)元信息處理機(jī)制，進(jìn)行逼近式運(yùn)動檢測，得到逼近式運(yùn)動響應(yīng)；基于逼近式運(yùn)動響應(yīng)，根據(jù)丘腦枕信息處理機(jī)制，確定最危險(xiǎn)區(qū)域；對最危險(xiǎn)的區(qū)域做出應(yīng)急避障行為。本發(fā)明實(shí)施例借鑒動物或者人類能夠?qū)ξｋU(xiǎn)對象產(chǎn)生快速防衛(wèi)行為的能力，結(jié)合恐懼反應(yīng)的腦機(jī)制，解決了如何提高應(yīng)急反應(yīng)能力的技術(shù)問題。

附圖說明

圖1是根據(jù)本發(fā)明實(shí)施例的基于視覺恐懼反應(yīng)腦機(jī)制的應(yīng)急避障方法的流程示意圖；

圖2是根據(jù)本發(fā)明實(shí)施例的使用特征點(diǎn)描述圖像的示意圖；

圖3是根據(jù)本發(fā)明實(shí)施例的特征點(diǎn)運(yùn)動方向的檢測示意圖；

圖4是根據(jù)本發(fā)明實(shí)施例的PV+神經(jīng)元感知到逼近式運(yùn)動的特征點(diǎn)示意圖；

圖5是根據(jù)本發(fā)明實(shí)施例的計(jì)算特征點(diǎn)運(yùn)動方向的說明示意圖；

圖6a是根據(jù)本發(fā)明實(shí)施例的特征點(diǎn)向右運(yùn)動的方差示意圖；

圖6b是根據(jù)本發(fā)明實(shí)施例的特征點(diǎn)向左運(yùn)動的方差示意圖；

圖6c是根據(jù)本發(fā)明實(shí)施例的特征點(diǎn)逼近式運(yùn)動的方差示意圖；

圖6d是根據(jù)本發(fā)明實(shí)施例的特征點(diǎn)后退運(yùn)動的方差示意圖；

圖7是根據(jù)本發(fā)明實(shí)施例的丘腦枕注意到的最危險(xiǎn)區(qū)域示意圖；

圖8是根據(jù)本發(fā)明另一實(shí)施例的基于視覺恐懼反應(yīng)腦機(jī)制的應(yīng)急避障方法的流程示意圖；

圖9是根據(jù)本發(fā)明實(shí)施例的使用小拳頭朝向無人機(jī)投射后檢測到的障礙物區(qū)域示意圖。

具體實(shí)施方式

下面參照附圖來描述本發(fā)明的優(yōu)選實(shí)施方式。本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解的是，這些實(shí)施方式僅僅用于解釋本發(fā)明的技術(shù)原理，并非旨在限制本發(fā)明的保護(hù)范圍。

本發(fā)明實(shí)施例的基本構(gòu)思是受大腦產(chǎn)生視覺恐懼反應(yīng)腦機(jī)制的啟發(fā)，采用大腦中的第二視覺系統(tǒng)的信息處理機(jī)制，能夠準(zhǔn)確快速地定位突然出現(xiàn)的障礙物，根據(jù)大腦會對危險(xiǎn)的物體產(chǎn)生恐懼反應(yīng)并產(chǎn)生本能的防衛(wèi)行為。

大腦的恐懼應(yīng)急反應(yīng)是由皮層下的快速反應(yīng)通路完成的，具體為：視網(wǎng)膜將光信號轉(zhuǎn)化成電信號，直接將該電信號投射到上丘，由淺層區(qū)域的PV⁺神經(jīng)元檢測出障礙物的逼近式運(yùn)動，該信號再經(jīng)由二疊體旁核(PBG)投射到丘腦枕，丘腦枕調(diào)整動物或者人的注意力到有逼近式運(yùn)動的區(qū)域，即有危險(xiǎn)的區(qū)域，丘腦枕的信號還會投射到杏仁核使人類產(chǎn)生恐懼反應(yīng)，該恐懼反應(yīng)直接連接到中腦導(dǎo)水管周圍灰質(zhì)(PAG)引發(fā)本能的防衛(wèi)行為。

圖1示出了基于視覺恐懼反應(yīng)腦機(jī)制的應(yīng)急避障方法的流程示意圖。該方法可以通過S100至S140來實(shí)現(xiàn)。其中：

S100：獲取圖像序列。

S110：基于視網(wǎng)膜信息處理機(jī)制，檢測圖像序列中障礙物的運(yùn)動方向和運(yùn)動速度。

圖2示例性地示出了使用特征點(diǎn)描述圖像的示意圖。從中可以看出，使用顯著的特征點(diǎn)能夠均勻的表征圖像的特點(diǎn)，這樣既可以減少計(jì)算復(fù)雜度，又不會失去圖像中的重要信息。

具體地，本步驟可以包括：

S111：獲取圖像序列中顯著度高的特征點(diǎn)。

其中，特征包括但不限于圖像序列中每個像素點(diǎn)的灰度對比度。

進(jìn)一步地，以灰度對比度為例，本步驟還可以包括：

S111a：根據(jù)下式計(jì)算圖像序列中各像素點(diǎn)的灰度差值：

其中，E(u,v)表示灰度差值，也即將滑動窗口平移(u,v)所產(chǎn)生的灰度變化；(x,y)表示像素點(diǎn)坐標(biāo)；u表示沿x軸水平移動的距離；v表示沿y軸豎直移動的距離；w(x,y)表示高斯函數(shù)；I(x,y)表示像素點(diǎn)(x,y)對應(yīng)的灰度值；I(x+u,y+v)表示像素點(diǎn)(x+u,y+v)對應(yīng)的灰度值；σ表示高斯函數(shù)參數(shù)，其可以根據(jù)經(jīng)驗(yàn)取值。

上述公式可以用來近似。

S111b：根據(jù)下式計(jì)算圖像序列中每個像素點(diǎn)的自相關(guān)矩陣：

其中，M表示自相關(guān)矩陣；w(x,y)表示高斯函數(shù)；I_x表示x方向的差分；I_y表示y方向的差分。

S111c：計(jì)算各像素點(diǎn)的自相關(guān)矩陣的特征值，并將自相關(guān)矩陣的特征值中的最小值確定為各像素點(diǎn)的特征值。

本步驟中用自相關(guān)矩陣的特征值中的最小值來表示該像素點(diǎn)相對于鄰域內(nèi)其它像素點(diǎn)的灰度變化情況。

S111d：重復(fù)選擇圖像序列中任一鄰域，確定該鄰域內(nèi)像素點(diǎn)特征值最大的像素點(diǎn)。

舉例來說，選擇圖像上任意一個3×3鄰域，僅僅保留該鄰域內(nèi)特征值最大的像素點(diǎn)即可。

S111e：過濾像素點(diǎn)特征值小于閾值的像素點(diǎn)，得到特征點(diǎn)。

在實(shí)際實(shí)施過程中，針對通過3×3鄰域保留的像素點(diǎn)，過濾掉特征值小于的像素點(diǎn)。其中，λ_i表示針對任一鄰域保留的像素點(diǎn)特征值最大的第i個像素點(diǎn)的特征值。

本步驟通過過濾，保留下來一些像素點(diǎn)，稱為特征點(diǎn)。

S111f：對所有特征點(diǎn)進(jìn)行排序，針對每一個特征點(diǎn)，任選一鄰域，比較該鄰域內(nèi)是否存在比該特征點(diǎn)的特征值大的特征點(diǎn)，若存在，則忽略該特征點(diǎn)，從而得到顯著度高的特征點(diǎn)。

舉例來說，對所有特征點(diǎn)進(jìn)行排序，針對第一特征點(diǎn)，任選一個5×5的鄰域，在該5×5的鄰域內(nèi)判斷是否存在比第一特征點(diǎn)的特征值大的特征點(diǎn)，如果存在，則忽略該第一特征點(diǎn)，以此類推，可以針對第二特征點(diǎn)等進(jìn)行同理的檢測，最終得到顯著度高的特征點(diǎn)。

S112：計(jì)算特征點(diǎn)的運(yùn)動方向和運(yùn)動速度。

在獲得顯著度高的特征點(diǎn)后，視網(wǎng)膜計(jì)算這些特征點(diǎn)的運(yùn)動方向和速度，并上傳給上丘進(jìn)行進(jìn)一步的處理。圖3示例性地示出了特征點(diǎn)運(yùn)動方向的檢測示意圖。圖3示出了圖像中特征點(diǎn)的運(yùn)動路徑，路徑的起點(diǎn)是t時刻該特征點(diǎn)的位置坐標(biāo)，圓點(diǎn)是路徑的終點(diǎn)，表示t+1時刻該特征點(diǎn)的位置坐標(biāo)。其中，路徑長度表示運(yùn)動速度。

具體地，本步驟可以包括：

S112a：針對圖像序列，在第一時刻的幀中，利用最小二乘法，查找與第二時刻幀中特征點(diǎn)同一位置鄰近區(qū)域內(nèi)灰度值相近的像素點(diǎn)，從而得到特征點(diǎn)的運(yùn)動速度，其中，第一時刻與第二時刻為相鄰時刻。

本步驟通過查找與第二時刻幀中特征點(diǎn)同一位置鄰近區(qū)域內(nèi)灰度值相近的像素點(diǎn)，得到一系列匹配點(diǎn)，形成運(yùn)動路徑，該運(yùn)動路徑的長度即為特征點(diǎn)的運(yùn)動速度。

舉例來說，對于特征點(diǎn)的任一鄰域內(nèi)建立如下模型：I(x,y,t)＝I(x+dx,y+dy,t+dt)，其中，I(x,y,t)表示t時刻像素點(diǎn)(x,y)對應(yīng)的灰度值；I(x+dx,y+dy,t+dt)表示t+dt時刻像素點(diǎn)(x+dx,y+dy)對應(yīng)的灰度值；用一階泰勒級數(shù)展開，得到：

對上式進(jìn)行優(yōu)化，得到：

I_xdx+I_ydy+I_tdt＝0

其中，I_x表示x方向的差分；I_y表示y方向的差分；I_t表示t方向的差分；t表示時刻。

令那么：I_xu+I_yv＝-I_t，即：

令：A＝[I_xI_y]，b＝-I_t，則得到：

對上式運(yùn)用最小二乘法，得到匹配點(diǎn)。

S112b：通過計(jì)算相鄰兩幀特征點(diǎn)運(yùn)動的斜率，得到特征點(diǎn)的運(yùn)動方向。

其中，相鄰兩幀特征點(diǎn)運(yùn)動的斜率可以通過以下方式得到：

其中，以幀的左下角為原點(diǎn)，以水平向右方向?yàn)閄軸正方向，以豎直向上方向?yàn)閅軸正方向；k_i表示相鄰兩幀特征點(diǎn)運(yùn)動的斜率；(x_i1,y_i1)表示t時刻第i個特征點(diǎn)的位置坐標(biāo)，(x_i2,y_i2)表示t+1時刻該特征點(diǎn)的位置坐標(biāo)。

S120：基于障礙物的運(yùn)動方向和運(yùn)動速度，根據(jù)PV⁺神經(jīng)元信息處理機(jī)制，進(jìn)行逼近式運(yùn)動檢測，得到逼近式運(yùn)動響應(yīng)。

視網(wǎng)膜處理得到的特征點(diǎn)的運(yùn)動方向和速度的信息會傳遞至上丘腦進(jìn)行進(jìn)一步的處理。上丘淺層區(qū)域的PV⁺神經(jīng)元對逼近式運(yùn)動響應(yīng)十分敏感，對朝向自身的運(yùn)動響應(yīng)非?；钴S。PV⁺神經(jīng)元感知到逼近式運(yùn)動的特征點(diǎn)如圖4所示。

具體地，本步驟可以包括：

S121：計(jì)算圖像序列中所有特征點(diǎn)運(yùn)動方向的平均值。

例如，本步驟可以通過下式計(jì)算得到所有特征點(diǎn)運(yùn)動方向的平均值：

其中，表示所有特征點(diǎn)運(yùn)動方向的平均值；k_i表示第i個特征點(diǎn)的運(yùn)動方向；i取正整數(shù)。

S122：根據(jù)平均值計(jì)算特征點(diǎn)運(yùn)動方向的方差。

作為示例，可以根據(jù)下式計(jì)算特征點(diǎn)運(yùn)動方向的方差：

其中，d₀表示特征點(diǎn)運(yùn)動方向的方差；n表示特征點(diǎn)的總個數(shù)。

圖5示例性地示出了計(jì)算特征點(diǎn)運(yùn)動方向的說明示意圖。

圖6a示例性地示出了特征點(diǎn)向右運(yùn)動的方差示意圖。圖6b示例性地示出了特征點(diǎn)向左運(yùn)動的方差示意圖。圖6c示例性地示出了特征點(diǎn)逼近式運(yùn)動的方差示意圖。圖6d示例性地示出了特征點(diǎn)后退運(yùn)動的方差示意圖。其中，線條指向圓點(diǎn)的方向表示運(yùn)動方向。逼近式運(yùn)動相比向右、左、后運(yùn)動具有明顯的發(fā)散現(xiàn)象，特征點(diǎn)朝同一方向運(yùn)動時，運(yùn)動方向基本相同，特征點(diǎn)后退運(yùn)動時，運(yùn)動方向是匯聚式的。即特征點(diǎn)朝同一方向運(yùn)動或后退運(yùn)動時，運(yùn)動方向的方差很小；特征點(diǎn)的運(yùn)動是逼近式運(yùn)動時，各個特征點(diǎn)的運(yùn)動方向有明顯的不同，方差很大。

S123：基于方差，根據(jù)下式計(jì)算逼近式運(yùn)動響應(yīng)函數(shù)：

其中，G(d₀)表示逼近式運(yùn)動響應(yīng)函數(shù)；d₀表示特征點(diǎn)運(yùn)動方向的方差。

這里，定義具有逼近式運(yùn)動方向的區(qū)域?yàn)槲ｋU(xiǎn)障礙物。

當(dāng)G(d₀)＝1時，表示PV⁺神經(jīng)元活躍。

S130：基于逼近式運(yùn)動響應(yīng)，根據(jù)丘腦枕信息處理機(jī)制，確定最危險(xiǎn)區(qū)域。

上丘淺層PV⁺神經(jīng)元檢測出危險(xiǎn)障礙物后，這些有關(guān)危險(xiǎn)障礙物的信號會經(jīng)由二疊體旁核(PBG)投射到丘腦枕，丘腦枕根據(jù)障礙物的危險(xiǎn)程度調(diào)整注意力的轉(zhuǎn)移。

圖7示出了丘腦枕注意到的最危險(xiǎn)區(qū)域示意圖。

具體地，本步驟可以包括：

S131：針對具有逼近式運(yùn)動的特征點(diǎn)進(jìn)行聚類，得到潛在危險(xiǎn)障礙物。

其中，聚類的方法包括但不限于密度聚類的方法。

進(jìn)一步地，本步驟還可以包括：

S131a：針對具有逼近式運(yùn)動的特征點(diǎn)，計(jì)算其鄰域內(nèi)特征點(diǎn)的數(shù)量，如果該數(shù)量大于數(shù)量閾值，則將該具有逼近式運(yùn)動的特征點(diǎn)確定為潛在危險(xiǎn)區(qū)域核心點(diǎn)。

舉例來說，對于特征點(diǎn)i，計(jì)算其在半徑50像素的領(lǐng)域內(nèi)特征點(diǎn)的個數(shù)，如果超過20則認(rèn)為它是一個核心點(diǎn)。

S131b：以潛在危險(xiǎn)區(qū)域核心點(diǎn)為中心進(jìn)行聚類，計(jì)算潛在危險(xiǎn)區(qū)域。

進(jìn)一步地，本步驟還可以包括：

步驟A：以潛在危險(xiǎn)區(qū)域核心點(diǎn)為種子點(diǎn)，將與該種子點(diǎn)歐氏距離小于距離閾值的特征點(diǎn)確定為該種子點(diǎn)的臨近可達(dá)點(diǎn)，并將該種子點(diǎn)和該臨近可達(dá)點(diǎn)構(gòu)成核心點(diǎn)群。

步驟B：將與該核心點(diǎn)群歐氏距離小于距離閾值的特征點(diǎn)確定為新的臨近可達(dá)點(diǎn)，并將該新的臨近可達(dá)點(diǎn)加入到核心點(diǎn)群中。

步驟C：重復(fù)步驟A和步驟B，直至無新的臨近可達(dá)點(diǎn)加入到核心點(diǎn)群中。

步驟D：將步驟C得到的核心點(diǎn)群確定為潛在危險(xiǎn)區(qū)域。

S131c：當(dāng)所有的特征點(diǎn)都被聚類或剩余的特征點(diǎn)的數(shù)量小于聚類閾值，則將聚類的類別數(shù)確定為潛在危險(xiǎn)障礙物。

聚類后形成的類別數(shù)就是具有潛在危險(xiǎn)性的障礙物，即潛在危險(xiǎn)障礙物。

S132：確定潛在危險(xiǎn)障礙物的危險(xiǎn)性。

當(dāng)只有一個潛在危險(xiǎn)區(qū)域的時候，定義危險(xiǎn)區(qū)域內(nèi)特征點(diǎn)的多少表征潛在危險(xiǎn)障礙物危險(xiǎn)性的大小，特征點(diǎn)越多，危險(xiǎn)性越大；當(dāng)存在多個潛在危險(xiǎn)區(qū)域時，定義危險(xiǎn)性還與物體運(yùn)動的速度成正比，物體運(yùn)動越快表示它越危險(xiǎn)。

具體地，本步驟可以包括：

S132a：將圖像中組成物體的特征點(diǎn)的運(yùn)動距離的平均值確定為物體的運(yùn)動速度。

例如，根據(jù)下式計(jì)算物體的運(yùn)動速度：

其中，(x_i1,y_i1)是t時刻組成該物體的第i個特征點(diǎn)的位置坐標(biāo)，(x_i2,y_i2)是t+1時刻同一特征點(diǎn)的位置坐標(biāo)。

S132b：基于物體的運(yùn)動速度，并根據(jù)下式計(jì)算潛在危險(xiǎn)障礙物的危險(xiǎn)性：

其中，s(x,y,v)表示潛在危險(xiǎn)障礙物的危險(xiǎn)性；o(x,y)表示全部特征點(diǎn)；α表示加權(quán)系數(shù)；β表示加權(quán)系數(shù)；x表示組成該物體的全部特征點(diǎn)橫坐標(biāo)的集合；y表示組成該物體的全部特征點(diǎn)縱坐標(biāo)的集合；v表示物體的運(yùn)動速度。

S133：將危險(xiǎn)性的最大值確定為最危險(xiǎn)區(qū)域。

例如，可以選擇的物體為最危險(xiǎn)區(qū)域。

S140：對最危險(xiǎn)的區(qū)域做出應(yīng)急避障行為。

模擬信號從丘腦枕到達(dá)杏仁核再到PAG的過程，丘腦枕控制眼睛轉(zhuǎn)向最危險(xiǎn)的區(qū)域，杏仁核同時接受丘腦枕的輸入產(chǎn)生恐懼反應(yīng)，并將該信號傳向下游的PAG區(qū)，引發(fā)本能的防衛(wèi)行為。

受視覺恐懼反應(yīng)腦機(jī)制啟發(fā)，基于上述對最危險(xiǎn)的區(qū)域做出應(yīng)急避障行為，本發(fā)明實(shí)施例還提供一種基于視覺恐懼反應(yīng)腦機(jī)制的應(yīng)急避障方法。該方法可以應(yīng)用于無人機(jī)。如圖8所示，該方法可以包括：

S200：獲取場景圖像。

其中，可以由無人機(jī)通過攝像頭采集真實(shí)場景中的圖片，作為場景圖像。

S210：提取場景圖像中顯著度高的特征點(diǎn)。

具體地，可以通過視網(wǎng)膜提取圖像中顯著度高的特征點(diǎn)。

S220：計(jì)算特征點(diǎn)的運(yùn)動方向和運(yùn)動速度。

S230：將特征點(diǎn)的運(yùn)動方向和運(yùn)動速度傳遞至上丘腦。

S240：上丘淺層區(qū)域的PV+神經(jīng)元檢測逼近式運(yùn)動，并將逼近式運(yùn)動區(qū)域的信號經(jīng)由PBG投射到丘腦枕。

其中，上丘淺層區(qū)域的PV+神經(jīng)元對逼近式運(yùn)動響應(yīng)十分敏感。逼近式運(yùn)動區(qū)域的信號即為危險(xiǎn)障礙物。

S250：丘腦枕根據(jù)障礙物的危險(xiǎn)程度調(diào)整注意力的轉(zhuǎn)移。

S260：丘腦枕控制眼睛轉(zhuǎn)向最危險(xiǎn)的區(qū)域，杏仁核同時接受丘腦枕的輸入產(chǎn)生恐懼反應(yīng)信號，并將該恐懼反應(yīng)信號傳向PAG區(qū)，從而進(jìn)行應(yīng)急避障。

本步驟中，丘腦枕控制眼睛轉(zhuǎn)向最危險(xiǎn)的區(qū)域，杏仁核同時接受丘腦枕的輸入產(chǎn)生恐懼反應(yīng)信號，并將該信號傳向下游的PAG區(qū)，引發(fā)本能的防衛(wèi)行為，從而進(jìn)行應(yīng)急避障。

如圖9示出了使用小拳頭朝向無人機(jī)投射后檢測到的障礙物區(qū)域示意圖。其中，無人機(jī)在檢測到小拳頭的逼近式運(yùn)動后立刻鎖定目標(biāo)并快速地做出后退指令進(jìn)行躲避。

本發(fā)明實(shí)施例提供的方法在無人機(jī)懸停狀態(tài)下，對于突然出現(xiàn)的投射物的快速應(yīng)急躲避任務(wù)中取得了很好的效果，提高了在緊急狀態(tài)下或突發(fā)事件時無人機(jī)的應(yīng)急反應(yīng)能力，對無人機(jī)應(yīng)急避障領(lǐng)域做出了新的探索。

上述實(shí)施例中雖然將各個步驟按照上述先后次序的方式進(jìn)行了描述，但是本領(lǐng)域技術(shù)人員可以理解，為了實(shí)現(xiàn)本實(shí)施例的效果，不同的步驟之間不必按照這樣的次序執(zhí)行，其可以同時(并行)執(zhí)行或以顛倒的次序執(zhí)行，這些簡單的變化都在本發(fā)明的保護(hù)范圍之內(nèi)。

至此，已經(jīng)結(jié)合附圖所示的優(yōu)選實(shí)施方式描述了本發(fā)明的技術(shù)方案，但是，本領(lǐng)域技術(shù)人員容易理解的是，本發(fā)明的保護(hù)范圍顯然不局限于這些具體實(shí)施方式。在不偏離本發(fā)明的原理的前提下，本領(lǐng)域技術(shù)人員可以對相關(guān)技術(shù)特征作出等同的更改或替換，這些更改或替換之后的技術(shù)方案都將落入本發(fā)明的保護(hù)范圍之內(nèi)。