本申請屬于視覺目標識別領域，更具體地，涉及一種仿生昆蟲視覺的目標識別方法、裝置和電子設備。

背景技術：

1、通過視覺技術識別場景中的運動目標是狀態(tài)監(jiān)控和環(huán)境感知的重點，然而,隨著視覺監(jiān)視應用場景的不斷擴展、目標運動復雜度的不斷提高,目標的成像條件呈現出多樣化、高變化、弱小化等特點，使得采集的圖像目標容易發(fā)生成像模糊、形態(tài)變化大、噪聲干擾多等問題，而現有技術的圖像識別方法以分析目標圖像的紋理、輪廓、顏色等靜態(tài)特征為主，在分析由于成像質量不高、運動速度快等導致的靜態(tài)特征不顯著目標圖像時，容易出現目標特征的提取和識別性能不高，導致識別能力較差。

技術實現思路

1、針對現有技術的缺陷，本申請的目的在于提供一種仿生昆蟲視覺的目標識別方法、裝置和電子設備，旨在解決現有技術的視覺目標識別方法對靜態(tài)特征不顯著的目標圖像識別能力較差的問題。

2、為實現上述目的，第一方面，本申請?zhí)峁┝艘环N仿生昆蟲視覺的目標識別方法，包括：

3、采集目標物體的視頻，并提取所述視頻中的7幅連續(xù)的圖像；

4、對所述7幅連續(xù)的圖像進行預處理；

5、將預處理后的7幅連續(xù)的圖像輸入小葉巨型運動檢測器(lobula?giant?movementdetector，lgmd)陣列，獲得6組運動特征向量；

6、基于所述6組運動特征向量，獲得所述目標物體的lgmd特征圖；

7、將所述目標物體的lgmd特征圖輸入卷積神經網絡，獲得所述目標物體的識別結果。

8、本申請根據昆蟲利用動態(tài)視覺識別自然環(huán)境中目標的機理，采用仿生蝗蟲復眼的lgmd陣列檢測目標多方向運動特征，采用仿生昆蟲簡單神經結構的卷積神經網絡分析目標運動特征，從而能夠從圖像序列中有效提取和識別目標運動特征，提高對高運動、弱成像等靜態(tài)特征不顯著的目標的識別能力，克服靜態(tài)特征識別方法在日益復雜多變場景中的局限性。

9、根據本發(fā)明提供的仿生昆蟲視覺的目標識別方法，所述對所述7幅連續(xù)的圖像進行預處理，包括：

10、以所述圖像的原點為中心點，將所述圖像裁剪為與lgmd尺寸一致的六邊形圖像；

11、對所述六邊形圖像進行預處理。

12、本申請將圖像裁剪成可以輸入lgmd的尺寸，然后進行預處理，保證了目標圖像具有統(tǒng)一的成像質量，減少噪聲、光照等的干擾，并且更加突出圖像中的運動變化信息。

13、根據本發(fā)明提供的仿生昆蟲視覺的目標識別方法，所述將預處理后的7幅連續(xù)的圖像輸入小葉巨型運動檢測器lgmd陣列，獲得6組運動特征向量，包括：

14、將所述7幅連續(xù)的圖像中每相鄰的兩幅圖像作為輸入，分別輸入所述lgmd陣列的6個lgmd中；

15、獲取所述6個lgmd分別輸出的運動特征向量。

16、根據本發(fā)明提供的仿生昆蟲視覺的目標識別方法，所述獲取所述6個lgmd分別輸出的運動特征向量，包括：

17、對于每個lgmd，計算輸入的兩幅圖像中各像素點差值的絕對值；

18、基于所述兩幅圖像中各像素點差值的絕對值，計算興奮細胞和抑制細胞的輸出值；

19、基于所述興奮細胞和抑制細胞的輸出值，計算細胞膜電位；

20、使用低通濾波處理所述細胞膜電位，并過濾電位低于預設閾值的細胞膜電位；

21、基于過濾后的細胞膜電位，計算運動特征向量。

22、根據本發(fā)明提供的仿生昆蟲視覺的目標識別方法，所述基于所述6組運動特征向量，獲得所述目標物體的lgmd特征圖，包括：

23、對所述6組運動特征向量進行組合，生成所述目標物體的lgmd特征圖。

24、根據本發(fā)明提供的仿生昆蟲視覺的目標識別方法，在所述對所述7幅連續(xù)的圖像進行預處理之后，所述方法還包括：

25、基于預處理后的圖像，調節(jié)采集目標物體視頻的采樣率。

26、根據本發(fā)明提供的仿生昆蟲視覺的目標識別方法，所述卷積神經網絡包括3個卷積層、2個池化層和1個全連接層。

27、第二方面，本申請?zhí)峁┮环N仿生昆蟲視覺的目標識別裝置，包括：

28、采集模塊，用于采集目標物體的視頻，并提取所述視頻中的7幅連續(xù)的圖像；

29、預處理模塊，用于對所述7幅連續(xù)的圖像進行預處理；

30、提取模塊，用于將預處理后的7幅連續(xù)的圖像輸入小葉巨型運動檢測器lgmd陣列，獲得6組運動特征向量；

31、獲取模塊，用于基于所述6組運動特征向量，獲得所述目標物體的lgmd特征圖；

32、識別模塊，用于將所述目標物體的lgmd特征圖輸入卷積神經網絡，獲得所述目標物體的識別結果。

33、第三方面，本申請?zhí)峁┮环N電子設備，包括：至少一個存儲器，用于存儲程序；至少一個處理器，用于執(zhí)行存儲器存儲的程序，當存儲器存儲的程序被執(zhí)行時，處理器用于執(zhí)行第一方面或第一方面的任一種可能的實現方式所描述的仿生昆蟲視覺的目標識別方法。

34、第四方面，本申請?zhí)峁┮环N計算機可讀存儲介質，計算機可讀存儲介質存儲有計算機程序，當計算機程序在處理器上運行時，使得處理器執(zhí)行第一方面或第一方面的任一種可能的實現方式所描述的仿生昆蟲視覺的目標識別方法。

35、第五方面，本申請?zhí)峁┮环N計算機程序產品，當計算機程序產品在處理器上運行時，使得處理器執(zhí)行第一方面或第一方面的任一種可能的實現方式所描述的仿生昆蟲視覺的目標識別方法。

36、可以理解的是，上述第二方面至第五方面的有益效果可以參見上述第一方面中的相關描述，在此不再贅述。

37、總體而言，通過本申請所構思的以上技術方案與現有技術相比，具有以下有益效果：

38、通過參考昆蟲的復眼視神經結構，設計由6個lgmd組合的lgmd陣列模型，對采集的目標圖像序列進行6個方向的特征提取，生成目標運動的lgmd特征圖，然后將lgmd特征圖輸入仿生的卷積神經網絡學習和分析，通過簡單的卷積和池化操作識別出目標類型，提高對高運動、弱成像等靜態(tài)特征不顯著的目標的識別能力。

技術特征：

1.一種仿生昆蟲視覺的目標識別方法，其特征在于，包括：

2.根據權利要求1所述的仿生昆蟲視覺的目標識別方法，其特征在于，所述對所述7幅連續(xù)的圖像進行預處理，包括：

3.根據權利要求1所述的仿生昆蟲視覺的目標識別方法，其特征在于，所述將預處理后的7幅連續(xù)的圖像輸入小葉巨型運動檢測器lgmd陣列，獲得6組運動特征向量，包括：

4.根據權利要求3所述的仿生昆蟲視覺的目標識別方法，其特征在于，所述獲取所述6個lgmd分別輸出的運動特征向量，包括：

5.根據權利要求1所述的仿生昆蟲視覺的目標識別方法，其特征在于，所述基于所述6組運動特征向量，獲得所述目標物體的lgmd特征圖，包括：

6.根據權利要求1或2所述的仿生昆蟲視覺的目標識別方法，其特征在于，在所述對所述7幅連續(xù)的圖像進行預處理之后，所述方法還包括：

7.根據權利要求1所述的仿生昆蟲視覺的目標識別方法，其特征在于，所述卷積神經網絡包括3個卷積層、2個池化層和1個全連接層。

8.一種仿生昆蟲視覺的目標識別裝置，其特征在于，包括：

9.一種電子設備，其特征在于，包括：

10.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，當所述計算機程序在處理器上運行時，使得所述處理器執(zhí)行如權利要求1-7任一所述的仿生昆蟲視覺的目標識別方法。

技術總結
本申請屬于視覺目標識別領域，具體公開了一種仿生昆蟲視覺的目標識別方法、裝置和電子設備，該方法包括：采集目標物體的視頻，并提取所述視頻中的7幅連續(xù)的圖像；對所述7幅連續(xù)的圖像進行預處理；將預處理后的7幅連續(xù)的圖像輸入小葉巨型運動檢測器LGMD陣列，獲得6組運動特征向量；基于所述6組運動特征向量，獲得所述目標物體的LGMD特征圖；將所述目標物體的LGMD特征圖輸入卷積神經網絡，獲得所述目標物體的識別結果，可以提高對高運動、弱成像等靜態(tài)特征不顯著的目標的識別能力。

技術研發(fā)人員：潘超,黃天宇,呂植成,陳書強
受保護的技術使用者：湖北經濟學院
技術研發(fā)日：
技術公布日：2024/12/30