静止背景下基于图割的运动目标检测算法

doi:10.3778/j.issn.1002-8331.2008.32.055

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (32): 186-188.DOI: 10.3778/j.issn.1002-8331.2008.32.055

• 图形、图像、模式识别 • 上一篇下一篇

静止背景下基于图割的运动目标检测算法

徐秋平^1,2,郭敏¹

1.陕西师范大学计算机科学学院，西安 710062
2.武警工程学院教育技术中心，西安 710086

收稿日期:2007-12-10 修回日期:2008-02-27 出版日期:2008-11-11 发布日期:2008-11-11
通讯作者: 徐秋平

Moving object detection algorithm in stationary background based on graph cuts

XU Qiu-ping^1,2,GUO Min¹

1.College of Computer Science，Shaanxi Normal University，Xi’an 710062，China
2.Instructional Technology Centre of Engineering，College of Armed Police Force，Xi’an 710086，China

Received:2007-12-10 Revised:2008-02-27 Online:2008-11-11 Published:2008-11-11
Contact: XU Qiu-ping

摘要/Abstract

摘要： 运动目标检测是计算机视觉应用领域中基本而又重要的一步。针对背景差法检测边缘粗糙，存有空洞、噪点的不足，提出一种基于图割的运动目标检测算法。首先把问题转化为能量最小化的组合优化问题，然后构造网络使能量与网络的割的容量相对应，最后利用最大流-最小割算法寻找其最优解。实验结果表明，算法检测精度高、鲁棒性强。

关键词: 运动目标检测, 背景差, 图割, 网络流

Abstract: Moving object detection is an essential and important step in solving issues of computer vision.Aiming at the limitations of traditional background subtraction algorithm that the object edge is coarse，holes and noise exist in the result，a novel method based on graph cuts is proposed.First，the problem is transformed into a combinatorial optimization of energy minimization.Then a network is constructed such that the energies can be related to the capacities of the cuts of the network.Finally，the optimized result is gained by the max-flow min-cuts algorithm.Experimental results show the greater accuracy and stronger robustness of the presented method.

Key words: moving object detection, background subtraction, graph cuts, network flow

徐秋平^1,2,郭敏¹. 静止背景下基于图割的运动目标检测算法[J]. 计算机工程与应用, 2008, 44(32): 186-188.

XU Qiu-ping^1,2,GUO Min¹. Moving object detection algorithm in stationary background based on graph cuts[J]. Computer Engineering and Applications, 2008, 44(32): 186-188.

[1]	武自强，周建涛，赵大明，柳林. 数据中心基于服务满足度的网络流避让方法[J]. 计算机工程与应用, 2021, 57(19): 116-122.
[2]	王彦，董育宁，葛军. 实现网络视频流多分类的迁移学习算法[J]. 计算机工程与应用, 2021, 57(14): 164-168.
[3]	康梦轩，宋俊平，范鹏飞，高博文，周旭，李琢. 基于深度学习的网络流量预测研究综述[J]. 计算机工程与应用, 2021, 57(10): 1-9.
[4]	顾兆军，吴优，赵春迪，周景贤. 流量的集成学习与重采样均衡分类方法[J]. 计算机工程与应用, 2020, 56(6): 86-91.
[5]	洪征，龚启缘，冯文博，李毅豪. 自适应聚类的未知应用层协议识别方法[J]. 计算机工程与应用, 2020, 56(5): 109-117.
[6]	李松，周亚同，池越，何静飞，张世立. 高斯过程混合模型应用于网络流量预测研究[J]. 计算机工程与应用, 2020, 56(5): 186-193.
[7]	王春丹，谢红薇，李亚旋，张昊. 融合改进的三帧差分和ViBe算法的运动目标检测[J]. 计算机工程与应用, 2020, 56(13): 199-203.
[8]	李超，孙俊. 基于机器视觉方法的焊缝缺陷检测及分类算法[J]. 计算机工程与应用, 2018, 54(6): 264-270.
[9]	贾澎涛，贾伟. 煤矿井下视频多目标轨迹跟踪算法研究[J]. 计算机工程与应用, 2018, 54(2): 222-227.
[10]	董育宁，朱善胜，赵家杰. 基于[t]分布混合模型的半监督网络流分类方法[J]. 计算机工程与应用, 2018, 54(10): 31-38.
[11]	高红红1，曹建荣1，2，李振宇1，杨红娟1，2，赵淑胜1. 基于背景分类的运动目标检测算法[J]. 计算机工程与应用, 2017, 53(21): 179-184.
[12]	陈骏，刘晓利. 基于分形的改进Grabcut目标自动分割[J]. 计算机工程与应用, 2017, 53(1): 163-167.
[13]	赵晓梅1，孙建德1，张元元2. 基于分层匹配五元组Codebook的运动目标检测算法[J]. 计算机工程与应用, 2016, 52(7): 196-201.
[14]	贾建英，董安国. 基于联合直方图的运动目标检测算法[J]. 计算机工程与应用, 2016, 52(5): 199-203.
[15]	胡志立，郭敏. 基于SLIC的改进GrabCut彩色图像快速分割[J]. 计算机工程与应用, 2016, 52(2): 186-190.

静止背景下基于图割的运动目标检测算法

Moving object detection algorithm in stationary background based on graph cuts

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics