專利名稱：基于形心跟蹤和改進(jìn)GVF Snake的視頻對象輪廓提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種視頻對象輪廓提取的處理方法，特別涉及一種基于形心跟蹤和改進(jìn)的GVF Snake視頻對象輪廓提取方法。本方法克服了手動(dòng)繪制初始輪廓的缺點(diǎn)，對傳統(tǒng)GVF Snake方法進(jìn)行了改進(jìn)，精確度有很大提高。實(shí)驗(yàn)證明，本方法成功提取出目標(biāo)凹陷部分并對弱邊界有較好的收斂效果，提高了輪廓提取的精確度，使該方法更具有實(shí)用性和推廣性。
背景技術(shù)：
運(yùn)動(dòng)目標(biāo)輪廓提取是計(jì)算機(jī)視覺領(lǐng)域的熱門研究方向，被廣泛應(yīng)用于安全監(jiān)控、行為識別等許多領(lǐng)域，運(yùn)動(dòng)目標(biāo)輪廓提取就是在一段視頻序列的每幀圖像中精確地找到所感興趣的運(yùn)動(dòng)目標(biāo)的輪廓。形狀復(fù)雜的目標(biāo)難以用簡單的幾何形狀來表示，基于輪廓的方法提供了較為準(zhǔn)確的形狀描述。這類方法的主要思想是用先前幀建立的目標(biāo)模型找到當(dāng)前幀的目標(biāo)區(qū)域。基于輪廓的跟蹤方法可以分為兩類:形狀匹配方法和輪廓跟蹤方法。前者在當(dāng)前幀中搜索目標(biāo)形狀，后者則通過狀態(tài)空間模型或直接的能量最小化函數(shù)推演初始輪廓在當(dāng)前幀中的新位置。形狀匹配方法類似于基于模板的跟蹤，在當(dāng)前幀中搜索目標(biāo)的輪廓和相關(guān)模型。Zhang采用基于塊仿射分類和HD跟蹤的視頻分割方法(參見ZHANG Xiao-bo, LIU ffen-ya0.Video segmentation method based on block affine classification and Hausdorfftracking[J].Journal of Computer Applications, 2008，25 (4): 1084-1086.),自動(dòng)得到運(yùn)動(dòng)對象的二值模型并在隨后幀中使用Hausdorff距離進(jìn)行跟蹤，將視頻對象運(yùn)動(dòng)分為慢變和快變兩部分，分別結(jié)合背景邊緣模型進(jìn)行匹配更新，分割效果較好，但是計(jì)算較為復(fù)雜。另一種形狀匹配方法是在連續(xù)兩幀中尋找關(guān)聯(lián)輪廓，建立輪廓關(guān)聯(lián)，或稱為輪廓匹配(參見Qinkun Xiao, Xiaojuan Hu, Song Gao, Haiyun Wang.0bject detection based on contourlearning and template matching[C].20108th World Congress on Intelligent Controland Automation (WCICA)，2010:6361-6365),是類似于點(diǎn)匹配的一種方法。這種方法使用了目標(biāo)的外觀特征。輪廓檢測通常由背景減除實(shí)現(xiàn)。輪廓被提取后，匹配由計(jì)算目標(biāo)模型和每個(gè)輪廓之間的距離實(shí)現(xiàn)。目標(biāo)模型可以使密度函數(shù)(顏色或邊緣直方圖)、輪廓邊界、目標(biāo)邊緣或這些信息的組合，Sato和Aggarwal用Hough變換計(jì)算輪廓軌跡(參見Sato, K, Aggarwal, J.K.Temporal spatio-temporal transform and its application to tracking andinteraction[J].Computer Vision and Image Understanding, 2004，96(2):100-128)。輪廓跟蹤方法從前一幀的輪廓位置開始輪廓推演，得到當(dāng)前幀的輪廓。前提是當(dāng)前幀和前一幀的目標(biāo)輪廓有所交疊。輪廓檢測這類方法又有兩種不同的實(shí)現(xiàn)方式，用狀態(tài)空間模型建模輪廓的形狀和運(yùn)動(dòng)，或直接用梯度搜索等輪廓能量最小化方法推演輪廓?；跔顟B(tài)空間模型跟蹤的方法都是采用顯式的方法表達(dá)輪廓，如參數(shù)樣條曲線。這種表達(dá)不能處理拓?fù)浣Y(jié)構(gòu)的變化。而輪廓推演的方法則能夠解決拓?fù)渥兓瘞淼膯栴}。用輪廓推演的跟蹤與目標(biāo)分割的方法有些類似。分割和跟蹤都是通過貪婪方法或梯度下降來最小化能量。Kass 等提出的原始 Snake (參見 Kass M, Witkin A, Terzopoulos D.Snake: activecontour models[J].1nternational Journal of Computer Vision.1988, I(4), 321-331)模型由一組控制點(diǎn)組成，基本Snake模型是一條被控制的連續(xù)曲線，其曲線受圖像力和外部限制力的影響:X(S) = (X(S)，y(S))。內(nèi)部樣條力用來加以分段平滑限制。圖像力把Snake推向顯著圖像特征，如線、邊、主觀輪廓等。參數(shù)(X (s)，y (S))表達(dá)Snake的位置，我們可以寫出如下能量函數(shù):
權(quán)利要求
1.一種基于形心跟蹤和改進(jìn)GVF Snake的視頻對象輪廓提取方法，該視頻對象輪廓提取方法的特征在于:根據(jù)短時(shí)間內(nèi)相鄰幀的運(yùn)動(dòng)趨勢相似的前提，將視頻序列首先分成若干個(gè)小段，每段有k幀視頻圖像，選取段內(nèi)的前兩幀為關(guān)鍵幀；通過基于t顯著性檢驗(yàn)的變化檢測方法消除背景邊界的影響，并獲取初始運(yùn)動(dòng)變化區(qū)域；取初始運(yùn)動(dòng)變化區(qū)域的臨界四邊形作為關(guān)鍵幀內(nèi)GVF Snake的初始輪廓，然后進(jìn)行幀內(nèi)GVF Snake演變，搜索精確輪廓；而后根據(jù)關(guān)鍵幀間運(yùn)動(dòng)對象形心間的運(yùn)動(dòng)矢量來預(yù)測勾勒后續(xù)幀的初始輪廓，再在此基礎(chǔ)上進(jìn)行幀內(nèi)GVF Snake演變實(shí)現(xiàn)精確輪廓定位；以此類推，從而實(shí)現(xiàn)所有幀的視頻對象輪廓提取；改進(jìn)的GVF Snake模型采用4方向各項(xiàng)異性擴(kuò)散并采用下降速度較快的保真項(xiàng)系數(shù)來增強(qiáng)GVF Snake進(jìn)入凹陷的能力，且保持對弱邊界的收斂。該視頻對象輪廓提取方法的具體步驟如下: 步驟一:變化檢測應(yīng)用于關(guān)鍵幀初始運(yùn)動(dòng)變化區(qū)域的提取。首先，利用每段前三幀的兩幅幀差圖像進(jìn)行t顯著性變化檢測，獲取幀差圖像時(shí)，設(shè)定圖像中像素值未變化區(qū)域的值為O，像素值變化區(qū)域的絕對值大于O。然后，對幀差圖像中的每個(gè)像素點(diǎn)鄰域進(jìn)行t顯著性變化檢測，從而準(zhǔn)確判斷該像素點(diǎn)是否屬于視頻對象，繼而獲取初始運(yùn)動(dòng)變化區(qū)域； 步驟二:對獲取的初始運(yùn)動(dòng)變化區(qū)域進(jìn)行逐行逐列檢測獲取初始運(yùn)動(dòng)變化區(qū)域的四個(gè)臨界點(diǎn)，并以這四個(gè)點(diǎn)構(gòu)造臨界四邊形，作為關(guān)鍵巾貞內(nèi)改進(jìn)的GVF Snake的初始輪廓； 步驟三:應(yīng)用改進(jìn)的G VF Snake于獲取的關(guān)鍵幀的初始輪廓，迭代演變得到關(guān)鍵幀的精確輪廓； 步驟四:求取精確輪廓的精確形心，并獲取輪廓形心間的運(yùn)動(dòng)矢量； 步驟五:根據(jù)獲取的運(yùn)動(dòng)矢量應(yīng)用形心跟蹤方法獲得非關(guān)鍵幀的初始形心和初始輪廓； 步驟六:應(yīng)用改進(jìn)的GVF Snake于非關(guān)鍵幀的初始輪廓，以獲取非關(guān)鍵幀的精確輪廓； 步驟七:重復(fù)步驟四-步驟六獲得后續(xù)非關(guān)鍵幀的精確輪廓； 步驟八:重復(fù)步驟一-步驟七于下一分段小組直至視頻序列結(jié)束，最終獲取整個(gè)視頻序列中運(yùn)動(dòng)對象的精確輪廓。
2.根據(jù)權(quán)利要求1中所述的一種基于形心跟蹤和改進(jìn)GVFSnake的視頻對象輪廓提取方法，其特征在于:所述步驟一的初始運(yùn)動(dòng)變化區(qū)域的獲取:對每段前三幀的兩幅幀差圖像進(jìn)行t顯著性變化檢測。獲取幀差圖像時(shí)，設(shè)定圖像中像素值未變化區(qū)域的值為O，像素值變化區(qū)域的絕對值大于O并在幀差圖像中設(shè)為255。然后，對幀差圖像中的每個(gè)像素點(diǎn)鄰域進(jìn)行t顯著性變化檢測，從而準(zhǔn)確判斷該像素點(diǎn)是否屬于該幀的視頻對象，繼而獲取初始運(yùn)動(dòng)變化區(qū)域，具體步驟如下: 設(shè)視頻序列灰度化后第η幀為Fn (X，y)。視頻序列內(nèi)每幀圖像噪聲記為Nn (X，y)方差記為 <。故可將視頻序列中第η幀灰度圖像Fn(X，y)表示為: K(^y)=K(^y)+^Λχ^ν) 其中1為視頻圖像的實(shí)際值 。根據(jù)上式，可得幀差圖像: FD(x,y) = \Fn(x,y) (x,y) +Nn(Xyy)-Nin^(XyV)I 設(shè)DGe，y) =Nn(X，y) -N(^1) (X，y),其中Nn(X，y)與Nilri) (x, y)是概率密度相同并且相互獨(dú)立的隨機(jī)變量，故D(x，y)仍為加性零均值高斯噪聲隨機(jī)變量，方差為S2 = 2xg。
由于各個(gè)像素點(diǎn)的噪聲是互相獨(dú)立的，如果窗內(nèi)所有不為零的幀差值都是由噪聲引起的，這些值的均值μ應(yīng)該為零，所以根據(jù)概率論知識進(jìn)行假設(shè)檢驗(yàn)，設(shè)位置(x，y)為背景(即零假設(shè)H0): : μ =0。在噪聲方差未知的情況下，采用t顯著性檢驗(yàn)檢測，根據(jù)鄰域窗內(nèi)的像素點(diǎn)構(gòu)造統(tǒng)計(jì)測試量t:
3.根據(jù)權(quán)利要求1中所述的一種基于形心跟蹤和改進(jìn)GVF Snake的視頻對象輪廓提取方法，其特征在于:所述步驟二的對獲取的初始運(yùn)動(dòng)變化區(qū)域進(jìn)行逐行逐列檢測獲取初始運(yùn)動(dòng)變化區(qū)域的四個(gè)臨界點(diǎn)，并以這四個(gè)點(diǎn)構(gòu)造臨界四邊形，作為關(guān)鍵幀改進(jìn)的GVF Snake的初始輪廓，具體步驟如下: 將得到的運(yùn)動(dòng)變化區(qū)域進(jìn)行逐像素遍歷，找到運(yùn)動(dòng)區(qū)域的水平和垂直方向的臨界邊界坐標(biāo)，具體表示為: Xmax=max (X I CDMn (x, y) ==255) Xmin=min (x I CDMn (x, y) ==255) Ymax=max (y | CDMn (x, y) ==255)Ymin=min (y | CDMn (x, y) ==255) max O表示取最大值操作，min()表示取最小值操作。Xmax表示運(yùn)動(dòng)區(qū)域在水平方向的最大位置，Xmin表示運(yùn)動(dòng)區(qū)域在水平方向的最小位置。Ymax表示運(yùn)動(dòng)區(qū)域在垂直方向的最大位置，Ymin表示運(yùn)動(dòng)區(qū)域在垂直方向的最小位置。由以上四個(gè)邊界位置圍成的封閉矩形即為運(yùn)動(dòng)區(qū)域的外接矩形，也就作為當(dāng)前巾貞GVF Snake的初始輪廓。
4.根據(jù)權(quán)利要求1中所述的一種基于形心跟蹤和改進(jìn)GVF Snake的視頻對象輪廓提取方法，其特征在于:所述步驟三和六應(yīng)用的改進(jìn)的GVF Snake模型，具體步驟如下: (1).將GVFSnake模型擴(kuò)散項(xiàng)改寫為各項(xiàng)異性擴(kuò)散，其在連續(xù)區(qū)域的偏微分方程為:
5.根據(jù)權(quán)利要求1中所述的一種基于形心跟蹤和改進(jìn)GVF Snake的視頻對象輪廓提取方法，其特征在于:所述步驟五應(yīng)用的形心跟蹤方法，具體步驟如下: (1).將原始視頻序列以四幀F(xiàn)pF2, F3> F4為一分割小組，將原始視頻序列劃分成若干組，選取Fp F2為關(guān)鍵幀，F(xiàn)1, F2進(jìn)行幀間差分得M1, F3、F4進(jìn)行幀間差分得M2，對M1和M2進(jìn)行運(yùn)動(dòng)變化檢測，獲取運(yùn)動(dòng)對象的大致位置，并求出運(yùn)動(dòng)區(qū)域的外接矩形作為FpF2的初始輪廓,分別為Rect 1、Rect2。
(2).分別計(jì)算FpF2運(yùn)動(dòng)對象的精確輪廓的形心Posl、Pos2,并計(jì)算這兩個(gè)形心間的運(yùn)動(dòng)矢量(MV_lto2.X，MV_lto2.y)。設(shè)(x，y)為精確輪廓S上的任意一點(diǎn)，則形心(Posn.X, Posn.y)中:
全文摘要
本發(fā)明公開了一種基于形心跟蹤和改進(jìn)GVF Snake的視頻對象輪廓提取方法，該方法的特征在于根據(jù)短時(shí)間內(nèi)相鄰幀的運(yùn)動(dòng)趨勢相似的前提，將視頻序列分成若干小段，每段有k幀視頻，取段內(nèi)的前兩幀為關(guān)鍵幀，通過基于t顯著性檢驗(yàn)的變化檢測消除背景邊界的影響，獲取初始運(yùn)動(dòng)區(qū)域；提取臨界四邊形作為關(guān)鍵幀的初始輪廓，進(jìn)行幀內(nèi)GVF Snake演變，搜索精確輪廓，然后以關(guān)鍵幀幀間運(yùn)動(dòng)對象輪廓形心間的運(yùn)動(dòng)矢量來預(yù)測后續(xù)幀的初始輪廓，再進(jìn)行后續(xù)幀幀內(nèi)GVF Snake精確輪廓定位；以此類推，實(shí)現(xiàn)所有幀的對象輪廓提取。改進(jìn)模型采用4方向各項(xiàng)異性擴(kuò)散并采用下降速度較快的保真項(xiàng)系數(shù)來增強(qiáng)其進(jìn)入凹陷的能力，且保持對弱邊界的收斂。該方法克服了手動(dòng)獲取初始輪廓的缺點(diǎn)。
文檔編號G06T7/20GK103218830SQ201310116699
公開日2013年7月24日 申請日期2013年4月7日 優(yōu)先權(quán)日2013年4月7日
發(fā)明者祝世平, 高潔 申請人:北京航空航天大學(xué)