红外人体目标检测技术因其具有隐蔽性强、全天候工作和对热目标敏感等特点,当今被广泛应用于智能安防与监控、交通导航与识别、医学图像分析、军事目标检测等社会各领域。在红外人体目标检测技术中,基于脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)的图像分割技术,因其具有单层网络结构,免训练机制,相同性质神经元同步捕捉的良好特性,在众多红外目标分割方法中独树一帜,成为了红外图像技术和机器视觉领域研究的热点之一。不同于传统图像分割方法,脉冲耦合神经网络对红外人体目标的分割是通过模拟哺乳动物视觉皮层神经细胞的感光响应机制来实现的。该网络的每个神经元会对外部输入信号、内部时域的迭代信号和内部空间邻域信号进行非线性耦合,来促使具有相同性质的神经元同步点火,并以脉冲输出形式分割出红外目标区域,从而达到从复杂环境中提取出人体对象的目的。目前,国内外学者在研究分析该模型的自身机理和特性的基础上,不断改进和完善其内部结构,涌现出许多参数优化、机制简化且适用于不同应用需求的改良模型。但同时,面对现实场景条件下红外人体目标的分割需求时,这些模型还存在着分割结果轮廓表达不完整,细节丢失严重,分类错误率高,对红外噪声敏感和参数自适应调节能力差等不足,成为了脉冲耦合神经网络在红外人体目标分割上的关键性难点。为此,本论文针对这些难点问题展开了相关研究,做出了如下的主要工作:(1)分析了现有脉冲耦合神经网络模型在红外图像上的分割机理,建立了针对红外人体目标分割的简化PCNN模型框架。在这些模型框架上,首先提出了根据红外人体目标的先验特征去动态化设置调制域连接强度参数?的思路;其次,在脉冲点火输出机制的简化上,提出了依靠模型每一次迭代分割获得结果的灰度分布信息去构建动态阈值的方法;最后,在控制模型收敛的方式上,根据红外人体目标的热成像特点,提出了通过检测迭代点火输出区域内平均灰度级水平的相对变化情况,来判断PCNN是否结束迭代运算过程。(2)针对当前PCNN模型在现实场景红外人体目标分割中,易出现分割结果不准确、细节特征缺失、区域形状不完整等问题,提出了结合曲率灰度梯度张量(Curvature Grey-level Gradient Tensor,CGGT),这一描述人体目标先验特征的改进PCNN模型。在200幅现场红外人体图像的对比分割实验中,可以看到,该模型能够有效适应存在复杂干扰背景、目标形态小且轮廓模糊、人体之间相互遮掩等情况,所获分割结果的平均误分类错误(ME)仅为0.59%,平均F值(F-Measure)达到了0.89,在主客观效果评价上均具有竞争力。(3)针对PCNN模型在红外人体目标分割中噪声适应性差的问题,本文在分析了复杂环境下红外热成像噪声的产生机理和表现特性的基础上,提出采用“双机制”方式来解决该问题。在改进PCNN模型结构中,一方面引入了能够抑制混合噪声的各向异性高斯核权值矩阵,另一方面加入了增强红外人体目标轮廓表达的视觉显著性信息——频率域谱残差(Spectral Residual,SR),从而基本解决了PCNN模型在红外人体目标分割中的噪声适应性问题。在100幅不同峰值信噪比红外图像的分割测试中,该模型所获得的实验结果在平均误分类错误(ME)、平均变化信息(VI)和平均概率兰德指数(PRI)等三个客观评价指标上,均优于当前文献提出的其他PCNN模型。(4)在解决PCNN模型的参数自适应选择问题上,本文从当前流行的群智能优化方法入手,提出了改进布谷鸟搜索算法。该方法通过结合基于Kent混沌映射的局部搜索策略和基于KD树结构存储历史信息的指导寻优机制,解决了在PCNN多参数寻优过程中传统算法存在的局部精度不高和较大搜索盲目性等问题,从而以更高效的群智能优化方式,实现了在不同红外人体目标分割中PCNN模型的多参数协同自适应选择机制。对比其他文献解决该问题所提出的群智能优化方法,本文模型在执行效果上、运行效率上更具优势。在100幅测试的红外图像中,其获得的平均误分类错误(ME)比其他模型至少低1%,算法运行的平均时间比其他模型至少快2秒。另外,通过实验还同时将该算法对比了本文所提出的另外两个改进PCNN模型,即结合CGGT的改进PCNN模型和面向噪声环境的改进PCNN模型(Denosing-PCNN模型)。可以看到,以改进布谷鸟搜索算法实现参数自适应设置的PCNN模型在信噪比理想的红外人体图像分割上,与CGGT-PCNN模型和Denosing-PCNN模型的分割效果差异性不大,但该算法不适合于强噪声背景下的红外人体目标分割,且同时由于模型内嵌入了群智能寻优过程,其运行时间相对较长。