中文摘要：

本项目以机器人视觉伺服为应用背景，以提高粒子滤波算法的鲁棒性和计算效率为切入点，主要在以下方面开展研究1）模仿昆虫复眼能够快速检测运动目标的功能，建立二维EMD感知模型和小视场神经计算模型，并用于对粒子滤波算法进行实时修正，以解决目标瞬时跟丢问题和抑制背景变化的影响；2）用方便统计多种特征的特征协方差矩阵表示目标以避免光线变化和背景干扰等的影响，在进行粒子似然性计算时，利用大部分粒子之间存在重复区域的事实，提出一种增量计算方法以降低计算量，提高算法实时性；3）针对现有粒子滤波算法在采样阶段存在的问题，提出一种二阶采样策略，在第一次稀疏采样并得到后验初步估计基础上，第二次在后验分布的峰值附近采集更多的粒子，以此提高三份的有效性和实时性；4）探索一种引入昆虫复眼视觉机制的粒子滤波机器人视觉伺服新方案，并在实际系统上进行实验验证。

结论摘要：

研究并实现了昆虫复眼的二维基本运动检测器阵列模型，改进了小场景神经计算模型使得目标运动得到加强、背景变化得到抑制；提出了基于峰值、阈值和速度投票的目标检测方法；研究了昆虫复眼在单眼分布上的特点，实现了空间变分辨率运动检测阵列模型，有效地降低了视野边缘处的运动干扰，同时又减少了计算量；提出一种基于昆虫复眼成像原理的粒子滤波目标跟踪技术，交叉使用局部搜索和全局搜索策略搜寻最优候选粒子，提出基于增量学习的在线目标模板更新方法，改进了传统的视觉注意计算模型，将协方差特征描述子作为粒子滤波的目标表观模型，以应对镜头切换、目标位置突变、光照变化等的影响。提出了基于二阶马尔科夫假设和马氏链后验采样的鲁棒粒子滤波跟踪算法，提高了跟踪算法的鲁棒性；提出了基于汉密尔顿马氏链蒙特卡罗方法的突变运动跟踪算法，可以在一定程度上抑制传统的基于MCMC的突变运动跟踪算法中存在的随机游动行为，并避免陷入局部最优，提高了突变运动目标的跟踪精度。为了更好地跟踪形变目标，提出一种判别度量学习跟踪方法，以及一种融合判别全局模型和生成局部模型跟踪的算法。提出了基于稀疏特征表示的全局显著性和局部显著性模型，探讨了多特征对自适应非线性特征表示的影响，并提出了一种基于协方差矩阵的非线性特征表示方法，提出了一种基于自适应稀疏特征表示和非线性特征表示的双特征表示方法；针对室内环境下的SLAM，提出了一种基于光谱特征的显著性模型并通过实验表明SLAM算法效率得到了有效的提高；针对室外环境下的SLAM提出了一种利用人眼视网膜结构特征的显著性融合技术。在PTZ可控相机和机器人系统上进行了主动目标跟踪实验。作为拓展性研究，研究了多目标跟踪问题和摄像机网络中的目标跟踪应用问题。