8、生物启发算法中多时间和空间尺度融合的鲁棒光流估计

生物启发算法中多时间和空间尺度融合的鲁棒光流估计

1. 引言

在许多技术应用中，如自主机器人导航，准确完整地检测图像序列中的光流是一项极具挑战性的任务。这不仅需要实时计算，还要求可靠的运动估计。常见的光流检测问题包括生成平滑的光流场、检测不同速度的独立运动对象，以及在临时遮挡区域进行运动检测。人类和动物在日常视觉中能快速准确地解决这些问题，神经生理学和心理物理学研究揭示了大脑中高效机制的一些基本处理原则。

2. 生物启发算法

为了计算全局一致的光流场，人们开发了多种方法，如正则化、贝叶斯模型或时空能量模型。而构建模拟灵长类视觉系统神经处理的模型也是一种途径。之前提出的基于大脑运动处理前几个阶段（V1和MT区域，包含前馈和反馈连接）的神经模型，可用于光流检测。在模型的V1区域，最初检测原始运动；MT区域则估计较大区域的光流。

为了降低计算和内存需求，从该神经模型推导出了一个高效算法：
- 算法使用一种基于排序方法的相似度度量，即Census变换的变体，为亮度函数的方向导数提供抽象表示。这样，在具有相同Census值的位置可以提取图像序列两帧之间的对应关系。
- 每个运动对应关系（假设）包含一个权重，指示特定位置特定速度的可能性。
- 循环信号调节第一个模块中预测假设的可能性，通过以下公式增强现有运动估计：
- (likelihoodV1_1 = Input \cdot (1 + C \cdot likelihoodMT_3))
- 为了改进估计，假设在空间和速度上进行整合：
- (likelihoodV1_2 = (likelihoodV1_1)^2 * G(space) * G(vel))