现有目标检测算法在复杂大场景下多目标检测的精度和实时性难以平衡,为此,受深度神经网络卷积核形态启发,模仿了人眼视觉机理,改进了基于深度学习的目标检测框架,即单向多框检测器(SSD),提出了多目标检测框架——自适应感知SSD,将其专用于复杂大交通场景多目标检测。设计了由多形态、彩色Gabor构成的特征卷积核库,训练筛选最优特征提取卷积核组替换原有网络的低级卷积核组,从而提高检测精度;将单图像检测框架与卷积长短期记忆网络结合,通过瓶颈-长短期记忆层提炼传播帧间的特征映射,实现网络帧级信息的时序关联,降低计算成本,从而实现对视频中受强干扰影响目标的追踪识别;同时加入自适应阈值策略,降低漏警率和虚警率。实验结果表明,相比于其他基于深度学习的目标检测框架,各类目标识别的平均准确率提高了9%~16%,平均准确率均值提高了14%~21%,多目标检测率提高了21%~36%,检测帧率达到32 frame·s ^-1,实现了算法精度与实时性的平衡,取得较好的检测识别效果。

受生物视觉信息处理机制启发的目标识别是当前计算机视觉领域研究的热点之一, 其主要思想是对大脑视觉皮层中视觉信息的层次性处理过程进行模拟, 构建数学模型来实现目标识别。然而传统的层次化计算模型通常以前馈信息传递为基础, 层与层之间采用被动的硬连接方式, 强调对视觉信息的多层分解, 却较少涉及视觉神经系统的主动感知和学习过程。因此选择以同时具备稀疏连接思想和自我学习机制、并且具备良好网络拓扑结构的卷积神经网络为框架, 基于经典卷积神经网络模型, 融入分层和仿生的思想, 提出新的基于视觉神经增强层次CNN模型——IH-CNN。实验结果表明, IH-CNN模型可以较好的解决大规模图像中的目标识别问题, 目标识别准确率高达84%。

鉴于生物视觉特征对于图像的良好表征能力，提出了一种基于生物视觉特征的无参考型图像质量评价方法。对生物视觉ST模型进行了研究和分析，完成了对图像的稀疏化表示[利用最小二乘支持向量机回归方法训练生物视觉特征到图像质量的映射关系，获得能够预测图像质量的回归器[通过学习的回归器完成了对图像质量的评价。基于LIVE图像库的实验结果表明，该方法对于特定失真和交叉失真的预测误差分别为2%和5%左右，并且与目前技术条件下的质量评价方法相比具有很好的精确性和单调性。

基于生物视觉的center－surround机制，提出一种用改进的LoG(Laplacian of Gaussian)算子检测光团目标的方法。首先明确了光团目标的成像模型，分析了LoG算子的性质及其响应，接着提出了归一化的LoG算子。理论上指出该算子可用于检测光团目标。仿真和实验证明：该算子可以用于检测图像中已知大小和未知大小的光团目标，并且实用性优于其他常规方法。结合Kalman滤波和粒子滤波，该算子还可以用于序列图像中单目标和刚体的跟踪。理论推导和实验结果表明，该方法是稳健和高效的。

图像中待攻击目标的自动识别与跟踪锁定是图像制导的基本任务,也是图像制导技术的难点所在.由于获得图像的角度和位置的不同,同一目标在不同图像中会有较大的变形,如何正确地识别出该目标是至今未能很好解决的问题.相比之下,人和动物在复杂的环境中,几乎在各种角度和位置的情况下,均可以可靠地识别出目标,并能完成对该目标的跟踪锁定.因此生物视觉的工作机理成为了当前学者研究的热点,在继承和发展了当前国际上该领域的最新研究成果的基础上,实现了生物视觉原理下的目标识别与跟踪算法,经过大量真实图像的试验,证明了该算法的鲁棒性.