结合HED网络和双阈值分割的GMM目标检测算法

计算机与现代化 ›› 2020, Vol. 0 ›› Issue (06): 7-.

结合HED网络和双阈值分割的GMM目标检测算法

（兰州理工大学计算机与通信学院，甘肃兰州730000）

收稿日期:2019-11-08 出版日期:2020-06-24 发布日期:2020-06-28
作者简介:李睿（1971-），女，甘肃秦安人，教授，硕士生导师，硕士，研究方向：模式识别，数字图像处理，智能信息处理，数字水印，E-mail： 927692061@qq.com；王德忠（1993-），男，甘肃兰州人，硕士研究生，研究方向：智能信息，多媒体信号处理，E-mail： 1594814035@qq.com。
基金资助:
国家自然科学基金资助项目（61761028）；甘肃省重点研发计划资助项目（18YF1GA060）

Target Detection Algorithm of Gaussian Mixture Model Combined with HED Network and Double Threshold Segmentation

（School of Computer and Communication, Lanzhou University of Technology, Lanzhou 730000, China）

Received:2019-11-08 Online:2020-06-24 Published:2020-06-28

摘要/Abstract

摘要： GMM在目标检测过程中容易受到灯光、目标颜色与背景颜色相似、目标阴影和拍摄高度等因素的干扰。针对以上问题，本文提出一种结合改进HED网络和OTSU双阈值分割的GMM算法。首先，改进模型针对视频帧的背景、噪声、前景目标进行双阈值分割，合理选取高斯模型个数。其次，利用HED网络对输入图片进行边缘检测，将HED网络检测的边缘结果和双阈值分割的GMM检测结果进行“与”运算，得到最终目标检测结果。通过实验验证，改进算法的检测率更高，目标较小时检测轮廓更加完整，检测效果更好。

关键词: OTSU双阈值, HED网络, 边缘检测, 与运算

Abstract: In the process of target detection, the GMM is easily interfered by lighting, the similarity of target color and background color, target shadow and shooting height. Aiming at the above problems, a GMM algorithm is combined with improved HED network and OTSU double threshold segmentation is proposed. First, the improved model divides the background, noise and foreground targets of video frame by double threshold, and reasonably selects the number of GMM. Secondly, HED network is used for edge detection of the input images.The “and” operation of edge result detected by the HED network and the GMM detection result of the double threshold segmentation is completed to obtain the final target detection result. Experimental results show that the improved algorithm has a higher detection rate, a more complete detection profile “and” a better detection effect.

Key words: OTSU double threshold, HED network, edge detection, “and” operation

中图分类号:

TP391.4

李睿, 王德忠. 结合HED网络和双阈值分割的GMM目标检测算法[J]. 计算机与现代化, 2020, 0(06): 7-.

LI Rui, WANG De-zhong. Target Detection Algorithm of Gaussian Mixture Model Combined with HED Network and Double Threshold Segmentation[J]. Computer and Modernization, 2020, 0(06): 7-.

参考文献［23］

［1］	慈文彦. 运动目标检测方法综述［J］. 信息技术, 2016(12):93-96.
［2］	王梦菊,吴小龙,杜海涛. 基于背景差分与帧间差分的目标检测改进算法［J］. 自动化技术与应用, 2018,37(10):89-92.
［3］	WANG Z H, LI C Y, LIU Q P. Improved global optical flow estimation with mean shift algorithm for target detection［J］. International Journal of Wireless and Mobile Computing, 2015,8(4):323-328.
［4］	范长军,文凌艳,毛泉涌,等. 结合单高斯与光流法的无人机运动目标检测［J］. 计算机系统应用, 2019,28(2):184-189.
［5］	于雯越,安博文,赵明. 基于光流法与RPCA的红外运动目标检测［J］. 现代计算机, 2018(23):66-71.
［6］	张应辉,刘养硕. 基于帧差法和背景差法的运动目标检测［J］. 计算机技术与发展, 2017,27(2):25-28.
［7］	刘青芳. 基于帧差法的运动目标检测方法研究［J］. 数字通信世界, 2015(11):54.
［8］	LI X X, CHEN L L, ZHU S H. Statistical background model-based target detection［J］. Pattern Analysis and Applications, 2016,19(3):783-791.
［9］	乐应英,胡静波. 融合LBP与背景建模的自适应目标检测混合算法［J］. 计算机与数字工程, 2013,41(7):1081-1084.
［10］	丁哲,陆文总. 基于Vibe背景建模的运动目标检测算法［J］. 计算机系统应用, 2019,28(4):183-187.
［11］	董俊宁,杨词慧. 空间约束混合高斯运动目标检测［J］. 中国图象图形学报, 2016,21(5):588-594.
［12］	高海壮,段先华. 基于帧差法和混合高斯的海上运动目标检测［J］. 计算机与数字工程, 2019,47(5):1140-1144.
［13］	苏剑臣,李策,杨峰. 基于边缘帧差和高斯混合模型的行人目标检测［J］. 计算机应用研究， 2018,35（4）：292-295.
［14］	朱文杰,王广龙,田杰,等. 空时自适应混合高斯模型复杂背景运动目标检测［J］. 北京理工大学学报, 2018,38(2):165-172.
［15］	段锁林,严翔,朱方,等. 基于改进混合高斯模型与六帧差分的目标检测算法［J］. 计算机工程, 2017,43(7):234-238.
［16］	李睿,盛超. 基于熵和相关接近度的混合高斯目标检测算法［J］. 计算机科学, 2017,44(12):304-309.
［17］	KE Z X, JIANG H H， ZHANG C L. Moving objects detection based on three frames differencing and GMM［J］. Advanced Materials Research, 2013,694-697:1974-1977.
［18］	XIE S N, TU Z W. Holistically-nested edge detection［J］. International Journal of Computer Vision, 2017,125(1/3):3-18.
［19］	焦安波,何淼,罗海波. 一种改进的HED网络及其在边缘检测中的应用［J］. 红外技术, 2019,41(1):72-77.
［20］	孙力. 基于ROI与自适应OSTU相结合的图像分割算法［J］. 现代电子技术, 2011,34(6):1-3.
［21］	WANG J B, XIONG H D, JIANG N, et al. An improved floc image segmentation algorithm based on Otsu and particle swarm optimisation［J］. International Journal of Computational Science and Engineering, 2017,15(1/2):49-56.
［22］	郭永芳,于明,黄凯. 基于细菌趋药性的OSTU双阈值图像分割算法［J］. 计算机工程, 2011,37(22):8-11.
［23］	宋森森,贾振红,杨杰,等. 结合OSTU阈值法的最小生成树图像分割算法［J］. 计算机工程与应用, 2019,55(9):178-183.

[1]	赵启雯, 徐琨, 徐源. 基于HED网络的快速纸张边缘检测方法[J]. 计算机与现代化, 2021, 0(05): 1-5.
[2]	周洪雨1,马千里1,马蓬勃2. 鼓风机转子工件尺寸和对称性的检测方法[J]. 计算机与现代化, 2019, 0(11): 55-.
[3]	刘占. 基于局部期望阈值分割的图像边缘检测算法[J]. 计算机与现代化, 2016, 0(8): 52-55.
[4]	杜默1,2，王清理2. 基于双边缘检测的目标定位技术[J]. 计算机与现代化, 2016, 0(8): 56-59.
[5]	段珊珊1，李昕2. 基于RGBD传感器的场景自适应性视觉里程计算法[J]. 计算机与现代化, 2016, 0(12): 73-77.
[6]	朱海洋1，徐根玖2，李元晨1，张梦祺2. 基于图像分块的局部区域动态阈值选取方法[J]. 计算机与现代化, 2016, 0(11): 53-57.
[7]	王秀华，武丽芬. 基于近邻边缘检测的支持向量机[J]. 计算机与现代化, 2015, 0(3): 15-19+25.
[8]	郝红转，张维强. 基于小波变换的含噪图像边缘检测算法[J]. 计算机与现代化, 2015, 0(2): 80-.
[9]	赵兴旺,李天阳,汪亮,周璟. 基于数码设备的二代身份证号码识别系统[J]. 计算机与现代化, 2014, 0(6): 132-136.
[10]	张燕红;李瑛;张燕宁;王凤芹. 基于数学形态学的细胞图像分割方法研究及实现[J]. 计算机与现代化, 2013, 1(7): 135-137,.
[11]	赵博毅;张科. 一种基于改进SIFT算法的SAR图像匹配方法研究[J]. 计算机与现代化, 2013, 1(6): 108-112.
[12]	陈伟清;田配云;郑碧波. 基于四元数LOG算子的彩色图像边缘检测[J]. 计算机与现代化, 2013, 1(4): 95-98,1.
[13]	勾荣. 基于GL分数阶微分的图像边缘检测 [J]. 计算机与现代化, 2013, 1(11): 17-19.
[14]	张兰;许磊;张阳. 基于数字图像的复合材料有限元网格剖分算法[J]. 计算机与现代化, 2013, 218(10): 35-37.
[15]	乔文治;缪君. 基于机器视觉的航空零件表面刮痕检测系统研究[J]. 计算机与现代化, 2012, 1(6): 47-49,5.