基于背景抑制和PCNN的运动目标检测

王健丞; 顾晓东

Chinese

您当前的位置：

首页 >

文章列表页 >

基于背景抑制和PCNN的运动目标检测

更新时间：2026-09-04

- 基于背景抑制和PCNN的运动目标检测
- Moving Object Selection Using Background Suppression and PCNN
- 微电子学与计算机 2017年34卷第3期页码：50-55
- 作者机构：
  
  复旦大学信息科学与工程学院电子工程系,上海,200433
- 作者简介：
- 基金信息：
  
  国家自然科学基金 61371148
- DOI：
  中图分类号：
- 纸质出版：2017
- 稿件说明：
移动端阅览
王健丞, 顾晓东. 基于背景抑制和PCNN的运动目标检测[J]. 微电子学与计算机, 2017, 34(3): 50-55, 60.

WANG Jian-cheng, GU Xiao-dong. Moving Object Selection Using Background Suppression and PCNN[J]. 2017, 34(3): 50-55.
王健丞, 顾晓东. 基于背景抑制和PCNN的运动目标检测[J]. 微电子学与计算机, 2017, 34(3): 50-55, 60. DOI：

WANG Jian-cheng, GU Xiao-dong. Moving Object Selection Using Background Suppression and PCNN[J]. 2017, 34(3): 50-55. DOI：

摘要

提出了一个基于单位连接的脉冲耦合神经网络、光流、拓扑特性的新方法.根据运动物体和其背景在一幅图像中存在速度的差异

使用该方法对输入图像的每一个像素点的速度幅值进行计算

并采用量化的速度幅值作为阈值决定该像素点属于物体本身还是背景.并且

通过使用单位连接的PCNN可以把整体性和连通性-最为重要的拓扑性质

良好地运用在注意力选择的运动物体检测中.实验结果表明

在相同的实验条件下

提出的方法在目标检测和背景抑制的效果优于其他类似的方法.

Abstract

A novel object detection model based on Unit-linking PCNN

optical flow and topological property is proposed. In this paper

according to velocity differences between the moving object and its background

the approach calculates the velocity amplitude of each pixel of the image

through which the flow velocity amplitude are quantized using as threshold to decide whether a pixel is a part of an object or the background. Besides

using Unit linking PCNN whole filter expresses the connectivity and integrity

which are significant topology properties

in moving object attention selection. Experimental results on four databases indicate that the proposed method outperforms other methods both in detection accuracy and background suppression effect under the same conditions.

关键词

Keywords

references

徐凯. 基于显著性分析的视觉注意模型研究[D]. 上海: 复旦大学, 2013.

Gu X, Yu D, Zhang L. Image shadow removal using pulse coupled neural network[J]. IEEE Transactions on Neural Networks, 2005, 16(3): 692-698. DOI: 692

Ell T A, Sangwine S J. Hypercomplex fourier transforms of color images[J]. IEEE Transactions on Image Processing, 2007, 16(1): 22-35. DOI: 22

Guo C, Ma Q, Zhang L. Spatio-temporal Saliency detection using phase spectrum of quaternion fourier transform[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Anchorage: IEEE, 2008: 1-8.

Horn B K P, Schunck B G. Determining optical flow[J]. Artificial Intelligence, 1980, 17(81): 185-203. DOI: 185

Eckhorn R, Reitboeck H J, Arndt M, et al. Feather linking via synchronization among distributed assemblies: Simulation of results from cat cortex[J]. Neural Computation, 1990, 2(3): 293-307. DOI: 293

Schölkopf B, Platt J, Hofmann T. Graph-based visual saliency[M]. MIT Press, 2010: 545-552. DOI: 545

Hemami S, Estrada F, Susstrunk S. Frequency-tuned salient region detection[C]// IEEE International Conference on Computer Vision and Pattern Recognition (CVPR 2009). Miami: IEEE, 2009: 1597-1604.

Bruce N, Tsotsos J. Attention based on information maximization[J]. Journal of Vision, 2010, 7(9): 950-950. DOI: 950

Hou X, Zhang L. Saliency Detection: A Spectral Residual Approach[C]// IEEE Conference on Computer Vision and Pattern Recognition. Minneapolis: IEEE Computer Society, 2007: 1-8.

Chen L. Topological structure in visual perception. [J]. Science, 1982, 218(4573): 699-700. DOI: 699

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

注意力机制与改进密集卷积引导的信息隐藏模型

基于反向体偏置的高增益稳定性高温运放设计

低功耗设计的双链电源关断策略的实现与验证

基于监控指标关联性的微服务异常检测

基于改进RT-DETR的航拍小目标检测算法