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。

[1] [2]  下一页