專利名稱：二視圖像場景的運(yùn)動(dòng)分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種圖像處理技術(shù)領(lǐng)域的方法，具體是一種二視圖像場景的運(yùn)動(dòng) 分割方法。
背景技術(shù)：
在計(jì)算機(jī)視覺中，運(yùn)動(dòng)分割是動(dòng)態(tài)場景詮釋的一個(gè)重要步驟。其涉及到的問題是 二視或多視場景中，在不知道哪些局部特征(一種圖像特征分析方法)是按照同樣的模式 一起運(yùn)動(dòng)的情況下，確定場景中的多個(gè)運(yùn)動(dòng)模型，并將圖像的局部特征根據(jù)運(yùn)動(dòng)類型進(jìn)行 分類，同時(shí)要將錯(cuò)誤的局部特征匹配進(jìn)行剔除。最具有挑戰(zhàn)性的部分是如何同時(shí)確定獨(dú)立 運(yùn)動(dòng)模型的數(shù)量以及識(shí)別出相應(yīng)特征點(diǎn)匹配和運(yùn)動(dòng)模型之間的一致性關(guān)系，還包括剔除異 常或錯(cuò)誤的模型和匹配。為了將二視圖像場景中的多個(gè)物體依照運(yùn)動(dòng)屬性進(jìn)行分割，一方 面需要為每個(gè)物體確定比較好的運(yùn)動(dòng)模型，而相反的，為了估算單個(gè)獨(dú)立物體的運(yùn)動(dòng)模型， 將物體首先分割成單個(gè)不相關(guān)的個(gè)體又是必需的，這兩點(diǎn)形成了一個(gè)互相依賴，互相制約 的循環(huán)問題。經(jīng)過多年的大量研究和論證，二視圖像圖運(yùn)動(dòng)分割問題可以被轉(zhuǎn)化為一個(gè)非 參數(shù)的聚類問題。經(jīng)對現(xiàn)有文獻(xiàn)檢索發(fā)現(xiàn)，N. Vasconcelos和A. Lippman在1997年CVPR(計(jì)算機(jī)視 覺與模式識(shí)別)中發(fā)表的論文“Empirical Bayesian EM—Based Motion Segmentation(基 于經(jīng)驗(yàn)貝葉斯期望最大化方法的運(yùn)動(dòng)分割)”和A. Gruber和Y. Weiss在2006年的ECCV (歐 洲計(jì)算機(jī)視覺會(huì)議)上發(fā)表的“ Incorporating non-motion cues into 3d motion segmentation (納入非運(yùn)動(dòng)線索的三維運(yùn)動(dòng)分割)”論文中將EM(期望最大化)方法成功應(yīng) 用于運(yùn)動(dòng)分割問題，但是該方法只能保證收斂到局部最小值從而導(dǎo)致錯(cuò)誤的分割。而 J. P. Costeira 禾口 T. Kanade 在 1998 年 International Journal of Computer Vision (國際計(jì)算機(jī)視覺期刊)，29 (3) :159_179上發(fā)表的論文“A multibody factorizationmethod for independently moving objects ( 一禾中米用多體分角軍白勺獨(dú)立 運(yùn)動(dòng)物體分析方法)”和 J. Y. Yan 和 M. Pollefeys 在 2006 年 European Conference on Computer Vision (歐洲計(jì)算機(jī)視覺會(huì)議)上發(fā)表的論文“A general framework for motion segmentation Independent, articulated, rigid, non-rigid, degenerate and non-degenerate ( 一種針對獨(dú)立，鏈接，剛性，非剛性，形變，非形變的運(yùn)動(dòng)分割框架)，，中提 到的基于因式分解的方法必須對運(yùn)動(dòng)模型數(shù)量進(jìn)行很強(qiáng)的初始假設(shè)約束才可保證結(jié)果的 準(zhǔn)確性，亦即，該方法必須預(yù)先得知場景中運(yùn)動(dòng)的個(gè)數(shù)才能得到良好的結(jié)果。然而，在實(shí)際 應(yīng)用中這個(gè)條件是不能滿足的。此外，K. Huang, R. Vidal和Y. Ma在2004年的CVPR(計(jì)算機(jī)視覺與模式識(shí)別) 會(huì)議上發(fā)表的文章"Minimum effective dimension for mixtures of subspaces A robust gpcaalgorithm and its applications ( 一禾中魯棒的廣義主成份分析方法與 應(yīng)用)，，禾口 R. Vidal, Y. Ma, S. Soatto 和 S. Sastry 在 2006 年的 International Journal of ComputerVision (國際計(jì)算機(jī)視覺期刊)，68 (1) :7_25上發(fā)表的文章"Two-viewmultibodystructure from motion (多體結(jié)構(gòu)的二視運(yùn)動(dòng)分割)”中提出的廣義主成分分 析(GPCA)方法，該方法是一種代數(shù)方法，雖然有廣泛的應(yīng)用，但是它需要大量的特征點(diǎn)樣 本，而且對異常值較為敏感。對于異常值，現(xiàn)在一般采用M. A. Fischler和R. C. Bolles在 1998年的Communications of the ACM(計(jì)算機(jī)協(xié)會(huì)交流會(huì))，24 (6) :381_395上發(fā)表的論 文"Randomsample consensus -.a paradigm for model fitting with applications to imageanalysis and automated cartography(隨機(jī)抽樣一致一種應(yīng)用于圖像分析與自動(dòng) 歸類的模式匹配方法)”中提到的隨機(jī)抽樣一致(RANSAC)方法來進(jìn)行處理。但對于多重運(yùn) 動(dòng)分割而言，樸素隨機(jī)抽樣一致(Navie RANSAC)方法則不能得到好的效果，需要輔助于其 它方法。與上述方法相比，DorinComaniciu 和 Peter Meer 在 2002 年 5 月的 IEEE Transactionson Pattern Analysis and Machine Intelligence (電 電〒 f 工禾呈 師聯(lián)合會(huì)模式分析與機(jī)器智能會(huì)報(bào))上發(fā)表的論“Mean Shift :A Robust Approach toward Feature SpaceAnalysis (均值平移一種魯棒的特征空間分析方法)，，和Miguel A. Carreira-Perpinan 在 2006 年 IEEE Computer Society Conference on Computer Vision andPattern Recognition(電機(jī)及電子學(xué)工程師聯(lián)合會(huì)計(jì)算機(jī)協(xié)會(huì)計(jì)算機(jī)視覺和 模式識(shí)別會(huì)議)，pages :1160_1167 上的文章 “Acceleration Strategies for Gaussian Mean-Shiftlmage Segmentation(基于高斯均值平移的圖像分割加速方法)”中所描述的均 值平移(Mean-Shift)方法是一個(gè)非參數(shù)迭代聚類方法，它可以處理大數(shù)量的運(yùn)動(dòng)模型，不 需要太多的特征點(diǎn)，同時(shí)可以很好地剔除異常值，然而，它的一個(gè)主要的限制是，其只適用 于向量空間。在運(yùn)動(dòng)分割中，變換矩陣處于流線型空間中，其距離不能用歐幾里德距離來度 量。與此同時(shí)，盡管均值平移方法已經(jīng)擴(kuò)展到非線性空間，如矩陣?yán)钊?Lie Groups)和格 拉斯曼(Grassman)流型空間，但是在流型空間的計(jì)算復(fù)雜度相對較高。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有方法中存在的上述不足和缺陷，提供了一種二視圖像 場景的運(yùn)動(dòng)分割方法。本發(fā)明基于分治策略和指導(dǎo)抽樣來實(shí)現(xiàn)二視圖像場景運(yùn)動(dòng)分割，保 證了結(jié)果的準(zhǔn)確性與高效性。本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，包括以下步驟第一步，分別對兩幅相似的剛性運(yùn)動(dòng)場景圖像進(jìn)行局部特征提取和特征抽象描 述。第二步，采用近鄰查找和基于相對距離比值篩選的方法對提取的局部特征進(jìn)行初 步匹配，形成特征點(diǎn)對匹配集合。第三步，在特征點(diǎn)對匹配的基礎(chǔ)上，通過局部近鄰抽樣為每一特征點(diǎn)對生成一個(gè) 初始運(yùn)動(dòng)模型，所有初始運(yùn)動(dòng)模型構(gòu)建成初始運(yùn)動(dòng)模型集合。第四步，通過適應(yīng)性度量，將每一個(gè)初始運(yùn)動(dòng)模型映射成一個(gè)高維概率向量 (Probability Vector，簡稱PV)，所有的高維概率向量形成一個(gè)概率向量集合。所述的適應(yīng)性度量是將位于流型空間內(nèi)的初始運(yùn)動(dòng)模型映射到向量空間，即通過 高斯假設(shè)統(tǒng)計(jì)運(yùn)動(dòng)模型對于每一個(gè)特征匹配的適應(yīng)概率，形成一個(gè)高維的聯(lián)合概率向量， 該向量的維度與特征點(diǎn)對匹配的數(shù)目一致。
第五步，根據(jù)每個(gè)高維概率向量代表的運(yùn)動(dòng)模型所適應(yīng)的特征點(diǎn)對匹配數(shù)目，為 每個(gè)高維概率向量指定權(quán)重。所述的高維概率向量的權(quán)重越大，代表該向量對應(yīng)的運(yùn)動(dòng)模型所適應(yīng)的特征點(diǎn)對 匹配越多，可信程度越高。第六步，通過指導(dǎo)抽樣選取置信概率最大的運(yùn)動(dòng)模型作為第一主要運(yùn)動(dòng)，并將與 第一主要運(yùn)動(dòng)行為一致的運(yùn)動(dòng)模型所對應(yīng)的概率向量從概率向量集合中刪除。所述的指導(dǎo)抽樣是1)選取置信概率最大并且高于概率閾值的概率向量對應(yīng)的初始運(yùn)動(dòng)作為第一種 子運(yùn)動(dòng)，并提取與該概率向量距離度量小于距離閾值的概率向量，從而形成第一主要運(yùn)動(dòng) 子集；2)在第一主要運(yùn)動(dòng)子集內(nèi)采用均值平移方法尋找該子集在高維空間內(nèi)的密度中 心，得到密度中心位置所對應(yīng)的概率向量；3)通過中心位置的概率向量，逆向得到其對應(yīng)的運(yùn)動(dòng)模型，該運(yùn)動(dòng)模型就作為第
一主要運(yùn)動(dòng)。第七步，采用分治處理，不斷重復(fù)第六步，直至得到第N主要運(yùn)動(dòng)，且此時(shí)概率向 量集合中剩余的概率向量都小于概率閾值。第八步，根據(jù)得到的N個(gè)主要運(yùn)動(dòng)進(jìn)行特征點(diǎn)對匹配附屬指派，同時(shí)剔除異常，得 到該動(dòng)態(tài)場景中的運(yùn)動(dòng)模型個(gè)數(shù)、模型參數(shù)和圖像局部特征點(diǎn)根據(jù)運(yùn)動(dòng)附屬關(guān)系的分類信 肩、o所述的異常包括1)基礎(chǔ)矩陣的行列式值大于行列式值閾值的運(yùn)動(dòng)模型；2)特征點(diǎn)對匹配與基礎(chǔ)矩陣之間的最小Sampson距離大于距離閾值的運(yùn)動(dòng)模型；3)屬于同一個(gè)運(yùn)動(dòng)模式的特征點(diǎn)對匹配數(shù)目少于匹配點(diǎn)對數(shù)目閾值的運(yùn)動(dòng)模型。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是采用指導(dǎo)抽樣與分治策略相結(jié)合，依次提 取場景中的主要運(yùn)動(dòng)，不需要任何關(guān)于運(yùn)動(dòng)模型數(shù)量的先驗(yàn)知識(shí)；可以在無需大量特征點(diǎn) 的情況下，處理大數(shù)量的運(yùn)動(dòng)模型；能夠較好地處理噪聲數(shù)據(jù)；應(yīng)用適應(yīng)性度量將運(yùn)動(dòng)模 型映射到高維向量空間，解決了均值平移的局限性，擴(kuò)大了應(yīng)用面；在時(shí)間消耗方面取得了 一定的改善。


圖1是實(shí)施例進(jìn)行運(yùn)動(dòng)分割的兩幅場景圖像；其中(a)是第一幅場景圖像；(b)是第二幅場景圖像。圖2是實(shí)施例得到的三個(gè)特征點(diǎn)對匹配；其中(a)是第一幅圖的三個(gè)特征點(diǎn)對匹配；(b)是第二幅圖的三個(gè)特征點(diǎn)對匹配。圖3是對應(yīng)圖2三個(gè)特征點(diǎn)對匹配的概率向量直方圖；其中(a)是標(biāo)記為十字的特征點(diǎn)對匹配的概率向量直方圖；(b)是標(biāo)記為矩形的特征點(diǎn)對匹配的概率向量直方圖；(c)是標(biāo)記為橢圓的特征點(diǎn)對匹配的概率向量直方圖。
圖4是實(shí)施例運(yùn)動(dòng)分割過程中的特征點(diǎn)對匹配示意其中(a)是兩幅場景圖像中的所有特征點(diǎn)對匹配示意(b)是第一主要運(yùn)動(dòng)的特征點(diǎn)對匹配示意(c)是第二主要運(yùn)動(dòng)的特征點(diǎn)對匹配示意(d)是剔除異常后的最終分割結(jié)果圖。
圖5是實(shí)施例運(yùn)動(dòng)分割過程中的運(yùn)動(dòng)集合的變化示意其中(a)是得到第一主要運(yùn)動(dòng)后的運(yùn)動(dòng)集合示意(b)是得到第二主要運(yùn)動(dòng)后的運(yùn)動(dòng)集合示意(c)是剔除異常后的最終運(yùn)動(dòng)集合示意圖。
具體實(shí)施例方式以下結(jié)合附圖對本發(fā)明的方法進(jìn)一步描述本實(shí)施例在以本發(fā)明技術(shù)方案為前提 下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述 的實(shí)施例。實(shí)施例本實(shí)施例對圖1所示的兩幅場景圖像進(jìn)行運(yùn)動(dòng)分割，具體步驟如下第一步，分別對圖1(a)和圖1(b)兩幅場景圖像進(jìn)行局部特征提取和特征抽象描 述。本實(shí)施例中的局部特征提取是SIFT(尺度不變特征變換)方法，或者是 PCA-SIFT(主成分尺度不變特征變換)方法，或者是GL0H(梯度位置朝向直方圖)方法，或 者是Harris-Laplacian (哈里斯-拉普拉斯算子)方法，或者是SURF方法。第二步，采用近鄰查找和基于相對距離比值篩選的方法對提取的局部特征進(jìn)行初 步匹配，形成特征點(diǎn)對匹配集合。本實(shí)施例中的局部特征匹配采用基于最好單元優(yōu)先(BBF)的KD-Tree進(jìn)行近鄰檢 索，并結(jié)合相對距離比值篩選方法完成特征點(diǎn)匹配。BBF是利用一種近似的最近鄰匹配方 法，通過限定k-d樹葉結(jié)點(diǎn)數(shù)，即限定了搜索的最大次數(shù)，同時(shí)采用一個(gè)優(yōu)先級隊(duì)列使搜索 順序以與被查詢結(jié)點(diǎn)距離遞增的順序進(jìn)行搜索，從而大大提高了搜索的效率。第三步，在特征點(diǎn)對匹配的基礎(chǔ)上，通過局部近鄰抽樣為每一特征點(diǎn)對生成一個(gè) 初始運(yùn)動(dòng)模型，所有初始運(yùn)動(dòng)模型構(gòu)建成初始運(yùn)動(dòng)模型集合。依據(jù)計(jì)算機(jī)二視幾何原理，符合同一運(yùn)動(dòng)的特征點(diǎn)對匹配滿足關(guān)系(< - jf -1F 巧(X;. V A)=0
y其中((x/，y/，1)，(Xl2，yi2，1))是該匹配在兩幅場景圖像中的坐標(biāo)，F(xiàn)j代表對應(yīng) 運(yùn)動(dòng)模式的基礎(chǔ)矩陣，且滿足det(F) =0 and rank(F) =2。因此不少于8對的特征匹配 可以支撐一個(gè)用于描述運(yùn)動(dòng)模式的基礎(chǔ)矩陣，本實(shí)施例通過局部近鄰抽樣來構(gòu)建初始運(yùn)動(dòng) 集合。對于每個(gè)匹配點(diǎn)對，選取它在圖像坐標(biāo)空間上的k(k = 8)個(gè)點(diǎn)對來計(jì)算該點(diǎn)對所對 應(yīng)的初始基礎(chǔ)矩陣。由于在空間位置上相近的特征點(diǎn)會(huì)以較大的概率位于同一物體，符合同一運(yùn)動(dòng)， 故采用下式計(jì)算給定或已經(jīng)選定的點(diǎn)對Po和其相連的點(diǎn)對Pi之間的距離dis(P(l，Pi)
dis{p0.pi 4 _、f f +{vlD -.r,5 f -(.r02 - ff f +(vi -y；)—其中pQ是給定或已經(jīng)選定的點(diǎn)對，(x。1，y。1，x02, y02)代表pQ所對應(yīng)的圖像坐標(biāo)， 而Pi是PQ相鄰的點(diǎn)對，Pi的圖像坐標(biāo)用(x/，y/，Xi2，y/)表示。計(jì)算給定或已經(jīng)選定的點(diǎn) 對和它相鄰的其它點(diǎn)對之間的距離，然后選擇k個(gè)與它距離最小的點(diǎn)對作為該點(diǎn)對的k近 鄰點(diǎn)對，這些點(diǎn)對根據(jù)最小二乘法求解出基礎(chǔ)矩陣中的對應(yīng)參數(shù)。再利用矩陣的奇異值分 解，將求的基礎(chǔ)矩陣的最小奇異值置為零，再重新計(jì)算出此條件下的近似基礎(chǔ)矩陣，來滿足 基礎(chǔ)矩陣秩為2的限定條件，這樣可以減少噪聲帶來的一定干擾。第四步，通過適應(yīng)性度量，將每一個(gè)初始運(yùn)動(dòng)模型映射成一個(gè)高維概率向量，所有 的高維概率向量形成一個(gè)概率向量集合。所述的適應(yīng)性度量是將位于流型空間內(nèi)的初始運(yùn)動(dòng)模型映射到向量空間，即通過 高斯假設(shè)統(tǒng)計(jì)運(yùn)動(dòng)模型對于每一個(gè)特征匹配的適應(yīng)概率，形成一個(gè)高維的聯(lián)合概率向量， 該向量的維度與特征點(diǎn)對匹配的數(shù)目一致。
基于高斯分布假設(shè)，計(jì)算特征匹配屬于某運(yùn)動(dòng)類型的概率采用下式
r— em | <f / <J2 )
j /I _^Pi其中I CPi 1=‘
￥,cpl r +1 ￥:cd r TI WTcp r + l￥Tc
y,.= (丨年外丨代表特征點(diǎn)對匹配，cUcppFj)代表辛普森
(Sampson)度量。所述的概率向量為R3x3 _ rN ;pv (Fj) = [p (cpi | Fj) ； p (cp21 Fj) ； ...，p (cpJFj)]本實(shí)施例得到的特征點(diǎn)對匹配分別如圖2所示，分別用矩形、十字和橢圓進(jìn)行標(biāo) 記，其中圖2(a)是第一幅圖三個(gè)特征點(diǎn)對匹配，圖2(b)是第二幅圖的三個(gè)特征點(diǎn)對匹配。 對應(yīng)圖2三個(gè)特征點(diǎn)對匹配的概率向量直方圖如圖3所示，其中圖3(a)是標(biāo)記為十字的 特征點(diǎn)對匹配的概率向量直方圖，圖3(b)是標(biāo)記為矩形的特征點(diǎn)對匹配的概率向量直方 圖，圖3(c)是標(biāo)記為橢圓的特征點(diǎn)對匹配的概率向量直方圖。從圖3可見，矩陣和十字標(biāo) 記位于同一物體，滿足同一運(yùn)動(dòng)，其對應(yīng)的概率向量很相似，而橢圓標(biāo)記對應(yīng)的概率向量則 區(qū)別很大，這樣通過概率向量之間的關(guān)系，可以進(jìn)行運(yùn)動(dòng)屬性的分類。第五步，根據(jù)每個(gè)高維概率向量代表的運(yùn)動(dòng)模型所適應(yīng)的特征點(diǎn)對匹配數(shù)目，為 每個(gè)高維概率向量指定置信概率權(quán)重。高維概率向量的權(quán)重越大，代表該向量對應(yīng)的運(yùn)動(dòng)模型所適應(yīng)的特征點(diǎn)對匹配越 多，可信程度越高。對于每一個(gè)概率向量函數(shù)，定義其對應(yīng)的置信概率權(quán)重為概率向量之間采用余弦度量來規(guī)定相似性，公式如下
第六步，通過指導(dǎo)抽樣選取置信概率最大的運(yùn)動(dòng)模型作為第一主要運(yùn)動(dòng)，并將與 第一主要運(yùn)動(dòng)行為一致的運(yùn)動(dòng)模型所對應(yīng)的概率向量從概率向量集合中刪除。所述的指導(dǎo)抽樣是1)選取置信概率最大并且高于概率閾值的概率向量對應(yīng)的初始運(yùn)動(dòng)作為第一種 子運(yùn)動(dòng)Fsrad，并提取與該概率向量距離度量小于距離閾值的概率向量，從而形成第一主要 運(yùn)動(dòng)子集；2)在第一主要運(yùn)動(dòng)子集內(nèi)采用均值平移方法尋找該子集在高維空間內(nèi)的密度中 心，得到密度中心位置所對應(yīng)的概率向量，公式為 3)通過中心位置的概率向量，逆向得到其對應(yīng)的運(yùn)動(dòng)模型，該運(yùn)動(dòng)模型就作為第
一主要運(yùn)動(dòng)。第七步，采用分治處理，不斷重復(fù)第六步，直至得到第N主要運(yùn)動(dòng)，且此時(shí)概率向 量集合中剩余的概率向量都小于概率閾值。從實(shí)驗(yàn)和應(yīng)用測試來看，本實(shí)施例所采用的指導(dǎo)抽樣，能夠準(zhǔn)確的定位主要運(yùn)動(dòng)； 通過采用分治處理，使得均值平移方法作用于相對較小的子集而不是全集，加快了均值平 移的收斂速度；這兩者的結(jié)合，使得本實(shí)施例在準(zhǔn)確和效率上較同類方法有明顯進(jìn)步。第八步，根據(jù)得到的N個(gè)主要運(yùn)動(dòng)進(jìn)行特征點(diǎn)對匹配附屬指派，同時(shí)剔除異常，得 到該動(dòng)態(tài)場景中的運(yùn)動(dòng)模型個(gè)數(shù)、模型參數(shù)和圖像局部特征點(diǎn)根據(jù)運(yùn)動(dòng)附屬關(guān)系的分類信 息。所述的異常包括1)基礎(chǔ)矩陣的行列式值大于行列式值閾值；2)特征點(diǎn)對匹配與基礎(chǔ)矩陣之間的最小Sampson距離大于距離閾值；3)屬于同一個(gè)運(yùn)動(dòng)模式的特征點(diǎn)對匹配數(shù)目少于匹配點(diǎn)對數(shù)目閾值。本實(shí)施例運(yùn)動(dòng)分割過程中的特征點(diǎn)對匹配示意圖如圖4所示，其中圖4(a)是兩 幅場景圖像中的所有特征點(diǎn)對匹配示意圖；圖4(b)是第一主要運(yùn)動(dòng)的特征點(diǎn)對匹配示意 圖；圖4(c)是第二主要運(yùn)動(dòng)的特征點(diǎn)對匹配示意圖；圖4(d)是剔除異常后的最終分割結(jié) 果圖。本實(shí)施例運(yùn)動(dòng)分割過程中的運(yùn)動(dòng)集合的變化示意圖如圖5所示，其中圖5(a)是 得到第一主要運(yùn)動(dòng)后的運(yùn)動(dòng)集合示意圖；圖5(b)是得到第二主要運(yùn)動(dòng)后的運(yùn)動(dòng)集合示意 圖；圖5(c)是剔除異常后的最終運(yùn)動(dòng)集合示意圖。本實(shí)施例的優(yōu)點(diǎn)不需要任何關(guān)于運(yùn)動(dòng)模型數(shù)量的先驗(yàn)知識(shí)或者假設(shè)；最終結(jié)果 為全局最優(yōu)而非局部最優(yōu)；可以在無需大量特征點(diǎn)的情況下，處理大數(shù)量的運(yùn)動(dòng)模型；通 過適應(yīng)性度量，將每一個(gè)初始運(yùn)動(dòng)模型映射成一個(gè)高維概率向量，可以將位于流型空間內(nèi) 的運(yùn)動(dòng)模型(矩陣)映射到向量空間，便于進(jìn)行分析，然后應(yīng)用到均值平移迭代過程中， 解決了均值平移的局限性，擴(kuò)大了應(yīng)用面；采用的指導(dǎo)抽樣，能夠準(zhǔn)確的定位主要運(yùn)動(dòng)，通 過采用分治處理，使得均值平移方法作用于相對較小的子集而不是全集，加快了均值平移 的收斂速度；通過剔除異常，能夠較好地處理噪聲(異常值或不符合要求的點(diǎn)對或運(yùn)動(dòng)模型)。
權(quán)利要求
一種二視圖像場景的運(yùn)動(dòng)分割方法，其特征在于，包括以下步驟第一步，分別對兩幅相似的剛性運(yùn)動(dòng)場景圖像進(jìn)行局部特征提取和特征抽象描述；第二步，采用近鄰查找和基于相對距離比值篩選的方法對提取的局部特征進(jìn)行初步匹配，形成特征點(diǎn)對匹配集合；第三步，在特征點(diǎn)對匹配的基礎(chǔ)上，通過局部近鄰抽樣為每一特征點(diǎn)對生成一個(gè)初始運(yùn)動(dòng)模型，所有初始運(yùn)動(dòng)模型構(gòu)建成初始運(yùn)動(dòng)模型集合；第四步，通過適應(yīng)性度量，將每一個(gè)初始運(yùn)動(dòng)模型映射成一個(gè)高維概率向量，所有的高維概率向量形成一個(gè)概率向量集合；第五步，根據(jù)每個(gè)高維概率向量代表的運(yùn)動(dòng)模型所適應(yīng)的特征點(diǎn)對匹配數(shù)目，為每個(gè)高維概率向量指定權(quán)重；第六步，通過指導(dǎo)抽樣選取置信概率最大的運(yùn)動(dòng)模型作為第一主要運(yùn)動(dòng)，并將與第一主要運(yùn)動(dòng)行為一致的運(yùn)動(dòng)模型所對應(yīng)的概率向量從概率向量集合中刪除；第七步，采用分治處理，不斷重復(fù)第六步，直至得到第N主要運(yùn)動(dòng)，且此時(shí)概率向量集合中剩余的概率向量小于概率閾值；第八步，根據(jù)得到的N個(gè)主要運(yùn)動(dòng)進(jìn)行特征點(diǎn)對匹配附屬指派，同時(shí)剔除異常，得到該動(dòng)態(tài)場景中的運(yùn)動(dòng)模型個(gè)數(shù)、模型參數(shù)和圖像局部特征點(diǎn)根據(jù)運(yùn)動(dòng)附屬關(guān)系的分類信息。
2.根據(jù)權(quán)利要求1所述的二視圖像場景的運(yùn)動(dòng)分割方法，其特征是，第四步中所述的 適應(yīng)性度量是將位于流型空間內(nèi)的初始運(yùn)動(dòng)模型映射到向量空間，即通過高斯假設(shè)統(tǒng)計(jì)運(yùn) 動(dòng)模型對于每一個(gè)特征匹配的適應(yīng)概率，形成一個(gè)高維的聯(lián)合概率向量，該向量的維度與 特征點(diǎn)對匹配的數(shù)目一致。
3.根據(jù)權(quán)利要求1所述的二視圖像場景的運(yùn)動(dòng)分割方法，其特征是，第六步中所述的 指導(dǎo)抽樣是1)選取置信概率最大并且高于概率閾值的概率向量對應(yīng)的初始運(yùn)動(dòng)作為第一種子 運(yùn)動(dòng)，并提取與該概率向量距離度量小于距離閾值的概率向量，從而形成第一主要運(yùn)動(dòng)子 集；2)在第一主要運(yùn)動(dòng)子集內(nèi)采用均值平移方法尋找該子集在高維空間內(nèi)的密度中心，得 到密度中心位置所對應(yīng)的概率向量；3)通過中心位置的概率向量，逆向得到其對應(yīng)的運(yùn)動(dòng)模型，該運(yùn)動(dòng)模型就作為第一主 要運(yùn)動(dòng)。
4.根據(jù)權(quán)利要求1所述的二視圖像場景的運(yùn)動(dòng)分割方法，其特征是，第八步中所述的 異常包括1)基礎(chǔ)矩陣的行列式值大于行列式值閾值的運(yùn)動(dòng)模型；2)特征點(diǎn)對匹配與基礎(chǔ)矩陣之間的最小辛普森距離大于距離閾值的運(yùn)動(dòng)模型；3)屬于同一個(gè)運(yùn)動(dòng)模式的特征點(diǎn)對匹配數(shù)目少于匹配點(diǎn)對數(shù)目閾值的運(yùn)動(dòng)模型。全文摘要
一種圖像處理技術(shù)領(lǐng)域的二視圖像場景的運(yùn)動(dòng)分割方法，包括步驟為進(jìn)行局部特征提取和特征抽象描述；對提取的局部特征進(jìn)行初步匹配，形成特征點(diǎn)對匹配集合；為每一特征點(diǎn)對生成一個(gè)初始運(yùn)動(dòng)模型，得到初始運(yùn)動(dòng)模型集合；將每一個(gè)初始運(yùn)動(dòng)模型映射成一個(gè)高維概率向量；為每個(gè)高維概率向量指定權(quán)重；通過指導(dǎo)抽樣和分治處理，得到若干主要運(yùn)動(dòng)，使概率向量集合中剩余的概率向量都小于概率閾值；進(jìn)行特征點(diǎn)對匹配附屬指派，并剔除異常。本發(fā)明不需要任何關(guān)于運(yùn)動(dòng)模型數(shù)量的先驗(yàn)知識(shí)；可以在無需大量特征點(diǎn)的情況下，處理大數(shù)量的運(yùn)動(dòng)模型；能夠較好地處理噪聲數(shù)據(jù)；解決了均值平移的局限性，擴(kuò)大了應(yīng)用面；在時(shí)間消耗方面取得了一定的改善。
文檔編號G06T7/20GK101877133SQ20091031167
公開日2010年11月3日 申請日期2009年12月17日 優(yōu)先權(quán)日2009年12月17日
發(fā)明者周異, 張艷, 王會(huì)靖, 鄭琪, 陳凱 申請人:上海交通大學(xué)