在过去十年里，CMOS图像传感器技术经过连续改进和不断提高，已经使其从主要服务于低端市场转移到一些要求最苛刻的高性能应用。伴随着这种趋势，CMOS图像传感器“ target=“_blank“>P> 在过去十年里，CMOS图像传感器技术经过连续改进和不断提高，已经使其从主要服务于低端市场转

运动目标检测是视频图像跟踪与识别系统中的关键技术，在视频监控、交通流量统计、人机交互、机器人等领域有着广泛的应用。目前常用的方法有帧差法、背景减法、光流法等，其中帧差法和背景减法适用于摄像机静止时运动目标的检测，光流法则在摄像机移动时能够得到较好的检测效果。在运动目标检测的各种应用领域中，对算法的实时性都有着很高的要求，因此，如何提高运算速度以满足实时需求是科研人员需要解决的问题。
　细胞神经网络CNNs(Cellular Neural Networks)是一种具有并行处理能力的网状非线性电路模型[1]，其基本单元称为细胞。细胞结构简单且细胞之间为局部互联，因此，方便超大规模集成电路(VLSI)实现，研制成功的细胞神经网通用机(CNN Universal Machine)已被证明具有图灵机的计算能力[2]。作为一种面向集成电路实现的神经网络，细胞神经网很好地结合了并行计算和并行结构，具有与人眼视网膜相似的结构，因此用细胞神经网来探索视觉计算和实时图像处理有着重要意义。当前细胞神经网主要用于实时图像处理领域，在模式识别、仿生眼、自治机器人、信息安全、高级脑功能等研究领域也得到了成功的应用[3-5]，并出现了差值控制细胞神经网、模糊细胞神经网、多层细胞神经网、时滞细胞神经网等多种形式。
　本文首先给出了CNNs的基本概念并对其稳定性进行了分析，然后针对运动目标检测常用的帧差法和光流法，给出了基于细胞神经网的实现方式，最后采用不同视频图像序列进行了仿真验证。

阈值化、滤波、空洞填充、边缘估计、反向选择等运算的CNNs模板可参考文献[7-8]。
4 基于CNNs的光流运动目标检测方法
　运动产生出光流，光流是运动信息的一个近似反映。基于光流方法的运动检测采用了运动目标随时间变化的光流特性，通过计算光流并对光流图像分割来检测运动目标。由于光流场中不同的物体会有不同的速度，因此，即使在摄像机存在运动的情况下也能检测出独立的运动目标。光流法的缺点是计算方法复杂、运算量大，因此很难应用于实时性要求较高场合。本文应用具有并行计算能力的细胞神经网实现光流场的估计。
4.1 连续时间域光流计算描述
　细胞神经网是在连续时间域进行信息处理，因此首先考虑光流计算的连续时间域描述方法。若图像中某像素m在时刻t的灰度值为I(x，y，t)，令点m的速度为Vm=(u，v)，则Horn Schunck光流计算模型，其光流矢量通过如下方程组求解：


4.2 仿真试验结果
　取highway图像序列检验所提出的光流运动检测方法。该图像序列是在摄像机移动条件下拍摄的，序列中几乎不存在静止对象。为得到较好检测效果，在光流计算之后(计算运动矢量幅值)，依次采用了滤波、阈值化、空洞填充、边缘检测、杂点取出等一系列运算，CNNs光流法检测结果如图4所示。从仿真试验可以看出，所提出方法能够得到正确检测结果。

　本文针对常用的运动目标检测方法，探索了细胞神经网的实现方式，最后采用不同视频图像序列进行了仿真验证，结果证明了所提出方法的有效性。
参考文献
[1] CHUA L O， YANG L. Cellular neural network： theory[J]. IEEE Transactions on Circuits and Systems， 1988， 35(10)：1257-1272.
[2] LINAN G， ESPEJO S， DOMINGUEZ C R. ACE4K： an analog I/O 64×64 visual microprocessor chip with 7-bit analog accuracy[J]. International Journal of Circuit Theory and Applications， 2002， 30(1)：89-116.
[3] BALYA D， ROSKA B， ROSKA T， et al. A CNN framework for modeling parallel processing in a mammalian retina[J]. International Journal of Circuit Theory and Applications， 2002， 30(2)：363-393.
[4] ARENA P， BASILE A， FORTUNA L. CNN wave based computation for robot navigation planning[M]. Proceedings of the 2004 International Symposium on Circuits and Systems， 2004：500-503.
[5] PETRAS I， ROSKA T. Application of direction constrained and bipolar waves for pattern recognition[C]. Proceedings of the 6th IEEE International Workshop on Cellular Neural Networks and their Applications， Catania， Italy， 2000：3-8.
[6] SLAVOVA A. Applications of some mathematical methods in the analysis of cellular neural networks[J]. Journal of Computational and Applied Mathematics， 2000， 114(6)： 387~404.
[7] 鞠磊，郑德玲，翁贻方.基于细胞神经网的快速图像分割方法[J].北京工商大学学报(自然科学版)，2005，23(9)：32-34，39.
[8] 鞠磊，郑德玲，张蕾.基于差值控制细胞神经网络图像滤波器[J].北京科技大学学报，2005，27(6)：375-379.