專利名稱：從圖像中自動分割目標對象的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及目標對象分割領(lǐng)域，尤其涉及從圖像中自動分割目標對象的方法。
背景技術(shù)：
圖像處理技術(shù)是一個跨學科的領(lǐng)域。隨著計算機科學技術(shù)的不斷發(fā)展，圖像處理和分析逐漸形成了自己的科學體系，新的處理方法層出不窮，盡管其發(fā)展歷史不長，但卻引起各方面人士的廣泛關(guān)注。首先，視覺是人類最重要的感知手段，圖像又是視覺的基礎(chǔ)，因此，數(shù)字圖像成為心理學、生理學、計算機科學等諸多領(lǐng)域內(nèi)的學者們研究視覺感知的有效工具。其次，圖像處理在軍事、遙感、氣象等大型應(yīng)用中有不斷增長的需求。圖像分割就是把里盤分成若干個特定的、具有獨特性質(zhì)的區(qū)域并提出感興趣目標的技術(shù)和過程。它是由圖像處理到圖像分析的關(guān)鍵步驟?，F(xiàn)有的圖像分割方法主要分以下幾類基于Mt的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等。盡管人們在圖像分割方面做了許多研究工作。但由于尚無通用分割理論，因此現(xiàn)已提出的分割算法大都是針對具體問題的，并沒有一種適合于所有圖像的通用的分割方法。SVM(Supp0rtVector Machine,支持向量機)是Cortes和Vapnik首先提出的。SVM通過某種事先選擇的非線性映射將輸入向量映射到一個高維特征空間中，并在此高維特征空間中構(gòu)造最大邊緣間隔的分類超平面，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出特有的優(yōu)勢。

發(fā)明內(nèi)容
為解決上述問題，本發(fā)明提供了從圖像中自動分割目標對象的方法，能夠提高目標對象分割準確性。本發(fā)明公開了一種從圖像中自動分割目標對象的方法，包括步驟1，提取含有目標對象的圖像，以提取的圖像作為后續(xù)處理的對象，并對提取出的圖像進行歸一化；步驟2，根據(jù)各個圖像中標記的目標對象像素點計算位置先驗概率，組成位置先驗?zāi)Ｐ?，所述位置先驗?zāi)Ｐ桶鱾€像素位于目標對象區(qū)域中的位置先驗概率，并對于訓練集中已標記目標對象點的圖像提取特征，進行通用的目標對象和非目標對象SVM分類器的學習；步驟3，依據(jù)所述位置先驗?zāi)Ｐ秃蚐VM分類器從待分割的圖像的圖像中選擇目標對象種子和背景種子；步驟4，從所述目標對象種子區(qū)域和背景種子區(qū)域中提取特征，并進行SVM分類器的在線學習；步驟5，依據(jù)所述對應(yīng)于待分割的圖像的目標對象和非目標對象SVM分類器和所述位置先驗?zāi)Ｐ蛯λ龃指畹膱D像進行目標對象分割。所述步驟I中歸一化包括對圖像進行旋轉(zhuǎn)、平移、縮放操作。所述步驟2包括
步驟31，統(tǒng)計訓練集中的圖片的數(shù)量；步驟32，對于每個像素，根據(jù)圖像中標記的目標對象像素點統(tǒng)計所述像素位于目標對象區(qū)域中的次數(shù)，將所述像素位于目標對象區(qū)域中的次數(shù)除以所述圖片的數(shù)量，所得商為所述像素的位于目標對象區(qū)域中的概率；步驟33，各個像素的位于目標對象區(qū)域中的概率組成位置先驗?zāi)Ｐ?。所述步驟2還包括步驟41，針對訓練集中的圖片，根據(jù)圖像檢測的結(jié)果，在圖像中分割出目標對象的邊緣；步驟42，沿著該邊緣向外擴展多個像素的距離，得到一個環(huán)狀區(qū)域；步驟43，從圖像的特征點位置，向外均勻畫多條射線；步驟44，，針對所述射線和所述環(huán)狀區(qū)域的交集中的每個像素點，根據(jù)標記的目標對象像素點統(tǒng)計作為目標對象像素出現(xiàn)的頻次，求出每個像素點的作為目標對象像素出現(xiàn)的概率，作為所述位置先驗?zāi)Ｐ?。所述步驟3包括步驟51，對待分割圖像的圖像進行區(qū)域劃分；步驟52，以區(qū)域內(nèi)各個像素的位置先驗概率的平均值為所述區(qū)域的位置先驗概率；步驟53，SVM分類器根據(jù)區(qū)域的特征的平均值判斷所述區(qū)域是否為目標對象區(qū)域；步驟54，根據(jù)判斷結(jié)果和區(qū)域的位置先驗概率從區(qū)域中選擇作為目標對象種子的區(qū)域和作為背景種子的區(qū)域。所述步驟54包括步驟61，通過貝葉斯方法將所述SVM分類器的判斷和目標對象位置先驗概率結(jié)合，得到所述區(qū)域的貝葉斯后驗概率；步驟62，依據(jù)所述區(qū)域的貝葉斯后驗概率從區(qū)域中選擇作為目標對象種子的區(qū)域和作為背景種子的區(qū)域。所述步驟5包括步驟71，通過貝葉斯方法將對應(yīng)于SVM分類器輸出概率和位置先驗?zāi)Ｐ椭心繕藢ο蟀l(fā)生的位置先驗概率融合，生成待分割圖像的貝葉斯概率；步驟72,以所述貝葉斯概率作為Graph Cuts分割法的輸入,應(yīng)用Graph Cuts分割法完成目標對象分割。本發(fā)明的有益效果在于，提供了一種通用的圖像分割方法，該分割方法分割非常準確。根據(jù)目標對象和非目標對象SVM分類器選擇目標對象種子和背景種子，再通過目標對象種子和背景種子完成對應(yīng)于待分割的圖像的目標對象和非目標對象SVM分類器的學習，應(yīng)用待分割的圖像的目標對象和非目標對象SVM分類器進行目標對象分割，能夠提高目標對象分割準確性；基于SVM和Graph Cuts的自動目標對象分割方法，利用可靠種子區(qū)域，學習魯棒的SVM分類器，用以類別評分，充分利用目標對象和非目標對象的判別信息，而且比統(tǒng)計模型更容易融入較多的特征信息，受維數(shù)的限制更少；SVM輸出每類的概率和位置先驗概率一起將作為Graph Cuts的邊的權(quán)重輸入,使得Graph Cuts產(chǎn)生的結(jié)果更精確。


圖1為本發(fā)明的從圖像中自動分割目標對象的方法流程具體實施例方式下面結(jié)合附圖，對本發(fā)明做進一步的詳細描述。如圖1所示，本發(fā)明的從圖像中自動分割目標對象的方法包括如下步驟。步驟S100，通過圖像檢測和特征定位算法從訓練集中的圖像和待分割的圖像中提取含有目標對象的圖像，以提取的圖像作為后續(xù)處理的對象，并對提取出的圖像進行歸一化。提取和歸一化過程被稱為預(yù)處理過程。帶目標對象的原始圖像一般不能直接使用，因其在原始圖像中圖像未必歸正，難以利用目標對象出現(xiàn)的先驗信息。為了提高目標對象種子的選擇準確度，在目標對象分割前首先要將目標對象區(qū)域從原始圖像中提取出來。圖像檢測和特征定位算法為現(xiàn)有技術(shù)，在一個具體實施例中采用名為AdaBoost的圖像檢測和特征定位算法。然后對裁剪出來的圖像區(qū)域做預(yù)處理。一種典型的預(yù)處理方法是歸一化處理。由于在目標對象分割時，通常是將待分割的目標對象圖像與一個作為比較對象的標準目標對象圖像做比較，歸一化的目的就是使做比較的圖像大小基本相同，特征點對齊，從而可以利用周圍像素點相對于出現(xiàn)目標對象的先驗概率。以處理對象為準正面圖像為例。歸一化包括對圖像進行如下操作中的一種或多種操作，所述操作包括旋轉(zhuǎn)、平移、縮放。圖像圖像做歸一化處理前、后的實例圖像。在一實施例中歸一化處理后的圖像圖像的行數(shù)為h，列數(shù)為W。步驟S200，對于訓練集中圖像的圖像部分，根據(jù)各個圖像中標記的目標對象像素點計算位置先驗概率，位置先驗概率組成位置先驗概率模型，所述位置先驗?zāi)Ｐ桶鱾€像素位于目標對象區(qū)域中的位置先驗概率，并對于訓練集中已標記目標對象點的圖像提取特征，進行通用的目標對象和非目標對象SVM分類器的學習。根據(jù)各個圖像中標記的目標對象像素點得出位置先驗?zāi)Ｐ偷膶嵤├蝗缦滤觥榻y(tǒng)計訓練集中的圖片的數(shù)量；對于圖像的每個像素，根據(jù)圖像中標記的目標對象像素點統(tǒng)計所述像素位于目標對象區(qū)域中的次數(shù)；對于每個像素，將所述像素位于目標對象區(qū)域中的次數(shù)除以所述圖片的數(shù)量，所得商為所述像素的位于目標對象區(qū)域中的概率；各個像素的位于目標對象區(qū)域中的概率組成位置先驗?zāi)Ｐ?。例如，訓練集中的圖片總數(shù)是nTotal，統(tǒng)計歸一化圖像中，每個像素位置出現(xiàn)目標對象的頻次為nFreq,則該像素點出現(xiàn)目標對象的先驗概率為p=nFreq/nTotal。通過上述方法，本領(lǐng)域的普通技術(shù)人員可以實現(xiàn)對目標對象出現(xiàn)的位置先驗概率進行統(tǒng)計，得到hXw的概率矩陣，該概率矩陣作為位置先驗?zāi)Ｐ?。根?jù)各個圖像中標記的目標對象像素點得出位置先驗?zāi)Ｐ偷膶嵤├缦滤觥ａ槍τ柧毤械膱D片，根據(jù)圖像檢測的結(jié)果，在圖像中分割出目標對象的邊緣。沿著該邊緣向外擴展多個像素的距離，得到一個環(huán)狀區(qū)域；從圖像的某個特征點位置的中心點，向外均勻畫多條射線。針對所述射線和所述環(huán)狀區(qū)域的交集中的每個像素點，根據(jù)標記的目標對象像素點統(tǒng)計作為目標對象像素出現(xiàn)的頻次，求出每個像素點的作為目標對象像素出現(xiàn)的概率，作為位置先驗?zāi)Ｐ?。膚色分割的具體過程為，首先根據(jù)圖像檢測的結(jié)果，在圖像檢測框內(nèi)做k-means聚類，將樣本最多的類視為區(qū)域；然 后利用該區(qū)域作為模型的訓練樣本，訓練統(tǒng)計模型 ’最后根據(jù)該統(tǒng)計模型的均值、方差限定值域范圍。具體地，從中心點周圍均勻畫12條射線，相鄰射線夾角30度，每條射線和環(huán)狀區(qū)域交點有5個，那么將得到一個60維的概率數(shù)組，作為目標對象的位置先驗?zāi)Ｐ?。目標對象和非目標對象SVM分類器用以區(qū)分目標對象和非目標對象像素點，可以采用多種特征，此處以RGB顏色特征為例，針對訓練集中圖像的圖像中已經(jīng)標定好的目標對象區(qū)域和非目標對象區(qū)域完成目標對象和非目標對象SVM分類器的學習。實施例中采用現(xiàn)有技術(shù)中LibSVM的工具包，并采用了 RBF核函數(shù)，進行目標對象和非目標對象SVM分類器的學習。通過上述方法，本領(lǐng)域的普通技術(shù)人員可以實現(xiàn)對目標對象/非目標對象兩類問題的SVM分類器學習。SVM針對線性可分的情況進行分析，對于線性不可分的情況，通過非線性映射到高維空間中，進行線性分析，尋找最優(yōu)分類面。假設(shè)給定了學習樣本(Xi，Yi), Xi e Rn, Yj e {-1,1}為類別標號，1=1, . . .，1，SVM將求解下列優(yōu)化問題
權(quán)利要求
1.一種從圖像中自動分割目標對象的方法，其特征在于，包括 步驟1，提取含有目標對象的圖像，以提取的圖像作為后續(xù)處理的對象，并對提取出的圖像進行歸一化； 步驟2，根據(jù)各個圖像中標記的目標對象像素點計算位置先驗概率，組成位置先驗?zāi)Ｐ?，所述位置先驗?zāi)Ｐ桶鱾€像素位于目標對象區(qū)域中的位置先驗概率，并對于訓練集中已標記目標對象點的圖像提取特征，進行SVM分類器的學習； 步驟3，依據(jù)所述位置先驗?zāi)Ｐ秃退鯯VM分類器從待分割的圖像的圖像中選擇目標對象種子和背景種子； 步驟4，從所述目標對象種子區(qū)域和背景種子區(qū)域中提取特征，并進行SVM分類器的在線學習； 步驟5，依據(jù)所述對應(yīng)于待分割的圖像的目標對象和非目標對象SVM分類器和所述位置先驗?zāi)Ｐ蛯λ龃指畹膱D像進行目標對象分割。
2.如權(quán)利要求1所述的從圖像中自動分割目標對象的方法，其特征在于， 所述步驟I中歸一化包括對圖像進行旋轉(zhuǎn)、平移操作。
3.如權(quán)利要求1所述的從圖像中自動分割目標對象的方法，其特征在于， 所述步驟2包括 步驟31，統(tǒng)計訓練集中的圖片的數(shù)量； 步驟32，對于每個像素，根據(jù)圖像中標記的目標對象像素點統(tǒng)計所述像素位于目標對象區(qū)域中的次數(shù)， 將所述像素位于目標對象區(qū)域中的次數(shù)除以所述圖片的數(shù)量，所得商為所述像素的位于目標對象區(qū)域中的概率； 步驟33，各個像素的位于目標對象區(qū)域中的概率組成位置先驗?zāi)Ｐ汀?br> 4.如權(quán)利要求1所述的從圖像中自動分割目標對象的方法，其特征在于， 所述步驟2還包括 步驟41，針對訓練集中的圖片，根據(jù)圖像檢測的結(jié)果，在圖像中分割出目標對象的邊緣； 步驟42，沿著該邊緣向外擴展多個像素的距離，得到一個環(huán)狀區(qū)域； 步驟43，從圖像的特征點位置，向外均勻畫多條射線； 步驟44，，針對所述射線和所述環(huán)狀區(qū)域的交集中的每個像素點，根據(jù)標記的目標對象像素點統(tǒng)計作為目標對象像素出現(xiàn)的頻次，求出每個像素點的作為目標對象像素出現(xiàn)的概率，各個像素點的概率組成所述位置先驗?zāi)Ｐ汀?br> 5.如權(quán)利要求1所述的從圖像中自動分割目標對象的方法，其特征在于， 所述步驟3包括 步驟51，對待分割圖像的圖像進行區(qū)域劃分； 步驟52，以區(qū)域內(nèi)各個像素的位置先驗概率的平均值為所述區(qū)域的位置先驗概率；步驟53，SVM分類器根據(jù)區(qū)域的特征的平均值判斷所述區(qū)域是否為目標對象區(qū)域；步驟54，根據(jù)判斷結(jié)果和區(qū)域的位置先驗概率從區(qū)域中選擇作為目標對象種子的區(qū)域和作為背景種子的區(qū)域。
6.如權(quán)利要求5所述的從圖像中自動分割目標對象的方法，其特征在于，所述步驟54包括 步驟61，通過貝葉斯方法將所述SVM分類器的判斷和目標對象位置先驗概率結(jié)合，得到所述區(qū)域的貝葉斯后驗概率； 步驟62，依據(jù)所述區(qū)域的貝葉斯后驗概率從區(qū)域中選擇作為目標對象種子的區(qū)域和作為背景種子的區(qū)域。
7.如權(quán)利要求1所述的從圖像中自動分割目標對象的方法，其特征在于， 所述步驟5包括 步驟71，通過貝葉斯方法將對應(yīng)于SVM分類器輸出概率和位置先驗?zāi)Ｐ椭心繕藢ο蟀l(fā)生的位置先驗概率融合，生成待分割圖像的貝葉斯概率； 步驟72,以所述貝葉斯概率作為Graph Cuts分割法的輸入,應(yīng)用Graph Cuts分割法完成目標對象分割。
全文摘要
本發(fā)明涉及從圖像中自動分割目標對象的方法和系統(tǒng)，方法包括步驟1，提取含有目標對象的圖像，以提取的圖像作為后續(xù)處理的對象，并對提取出的圖像進行歸一化；步驟2，對于訓練集中標定目標對象的圖像，根據(jù)各圖像中標記的目標對象像素點得出位置先驗?zāi)Ｐ?，并提取特征，進行目標對象和非目標對象SVM分類器的學習；步驟3，依據(jù)位置先驗?zāi)Ｐ秃蚐VM分類器從待分割的圖像中選擇目標對象種子和背景種子；步驟4，從目標對象種子區(qū)域和背景種子區(qū)域中提取特征，并進行SVM分類器的在線學習；步驟5，依據(jù)對應(yīng)于待分割圖像的目標對象和非目標對象SVM分類器和位置先驗?zāi)Ｐ瓦M行目標對象分割。本發(fā)明能夠提高目標對象分割準確性。
文檔編號G06K9/62GK103020971SQ20121058335
公開日2013年4月3日 申請日期2012年12月28日 優(yōu)先權(quán)日2012年12月28日
發(fā)明者李偉忠, 楊磊 申請人:青島愛維互動信息技術(shù)有限公司