本發(fā)明涉及計算機視覺及圖像處理領(lǐng)域，尤其涉及一種光照敏感的視頻運動目標(biāo)分割方法。

背景技術(shù)：

作為圖像視頻處理中最為活躍的研究課題之一，視頻目標(biāo)提取一直受到很多相關(guān)研究者的關(guān)注。視頻目標(biāo)分割，旨在將圖像序列中前景運動目標(biāo)分割提取出來。合理的視頻運動目標(biāo)分割結(jié)果，是很多其他任務(wù)，包括目標(biāo)檢測識別、視頻壓縮以及機器人視覺等進一步視頻編輯處理應(yīng)用的工作基礎(chǔ)，能夠更加高效率地應(yīng)用計算機的資源，也進一步促進了這些研究的發(fā)展。

對于視頻前景運動目標(biāo)提取算法，現(xiàn)有的流行技術(shù)和算法一般都是基于運動估計方法的，即在圖像序列中預(yù)測運動目標(biāo)的位置，以此作為后面優(yōu)化的依據(jù)和基礎(chǔ)。一般的優(yōu)化方法，包括對目標(biāo)建立適當(dāng)?shù)哪Ｐ?，包括表面模型、位置模型等；或者利用物體運動的時空線索，即空間的邊緣和時間維度上的運動預(yù)測，通過時空一致性來優(yōu)化前景目標(biāo)輪廓；再或者在過分割或顯著性檢測的基礎(chǔ)上加以優(yōu)化。然而，這些方法大多對于急劇的光照變化或者由于陰影變化導(dǎo)致的物體表面光滑不夠敏感，算法的魯棒性低。同時，由于物體快速運動，或者攝像頭快速運轉(zhuǎn)導(dǎo)致的大位移也是對運動目標(biāo)提取的巨大挑戰(zhàn)。另外，基于模型優(yōu)化的算法處理一幀往往需要十秒左右的時間，而基于幾何模型或者時空一致性優(yōu)化的算法的執(zhí)行時間會更長，時間效率不夠高。

有鑒于此，如何設(shè)計一種新穎的視頻前景目標(biāo)算法，以改善或消除現(xiàn)有的上述缺陷，使視頻前景目標(biāo)分割準(zhǔn)確率更高，是業(yè)內(nèi)相關(guān)技術(shù)人員亟待解決的一項課題。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)中的視頻運動目標(biāo)分割方法所存在的上述缺陷，本發(fā)明提供了一種光照敏感的視頻運動目標(biāo)分割方法，能夠在光照變化和大位移的情況下保持魯棒性。

依據(jù)本發(fā)明的一個方面，提供了一種視頻運動目標(biāo)分割方法，包括以下步驟：

輸入原始視頻，將所述原始視頻分為若干圖像序列分別處理，對于每個圖像序列，預(yù)先計算每幀圖像的osf的值；

在前兩幀中，利用osf優(yōu)化的變分模型計算出前幾幀間的光流場，并在此基礎(chǔ)上進行優(yōu)化獲取前景目標(biāo)區(qū)域，通過腐蝕和膨脹處理，在目標(biāo)輪廓附近區(qū)域獲取前景和背景種子點；

將鄰域內(nèi)累加osf作為一個局部描述子，并以此來追蹤前景目標(biāo)，根據(jù)目標(biāo)平移矢量來更新前景和背景種子點位置；

對每個種子點，在其鄰域中尋找與之osf距離最短的像素點，進行位置更新，以適應(yīng)物體形變；

將osf引入到圖切割中，通過最小化相似能量以及像素間優(yōu)先能量的加權(quán)和，根據(jù)更新后種子點的監(jiān)督，來分割前景目標(biāo)。

上述對視頻前景運動目標(biāo)提取的算法包括：輸入原始視頻，將所述原始視頻分為若干圖像序列分別處理，對于每個圖像序列，預(yù)先計算每幀圖像的osf的值。將輸入圖像轉(zhuǎn)化為二維圖像，計算圖像上每個像素點的鄰域像素強度對其影響，即每個像素對應(yīng)一個矢量，記錄了周圍像素在每個槽上對該像素的累加貢獻值，該貢獻值是隨著像素間距離的增加而指數(shù)級遞減的；以左右方向為例，將二維圖像重新標(biāo)號，轉(zhuǎn)化為一維圖像，記像素p上歸一化的osf矢量為：

其中p為圖像的像素點總數(shù)，α是衰減因子；|p-q|代表轉(zhuǎn)化后的一維圖像上像素p和q間的空間距離；由于需要計算共八個方向像素的貢獻值，，將原圖像按照不同方向重新標(biāo)號為一維圖像，計算出各自方向上對應(yīng)的部分osf值，那么定義像素點p的osf值為：

其中，表示從上、下、左、右、左上、左下、右上和右下八個方向計算出的部分歸一化osf值，且初值均為0，θ為計算的方向；從而我們可以定義一個新的局部描述子，用來衡量兩個塊和的距離：

其中n′p(b)是待匹配塊中對應(yīng)位置的歸一化osf值，塊的大小為m×n，b是槽的個數(shù)，該局部描述子是局部內(nèi)所有像素上osf的累加和。

預(yù)計算完osf后，在此基礎(chǔ)上計算前兩幀間光流。其中edesc是匹配項，描述了原塊w和候選塊w1的相似度：

其中，ω代表圖像鄰域，如果像素p上有osf描述子，δ(p)為1，否則為0；w1(p)表示對應(yīng)的矢量，定義魯棒函數(shù)ψ，計算方法是用來處理碰撞的凸函數(shù)，而反映了匹配項的權(quán)重，反映了像素p和矢量w1對應(yīng)的像素上的osf的距離；從而獲得前兩幀間的稠密光流，并以此為基礎(chǔ)獲取前景目標(biāo)區(qū)域。

在獲取前景目標(biāo)區(qū)域的基礎(chǔ)上，分別對前景輪廓進行腐蝕和膨脹處理，分別在腐蝕和膨脹區(qū)域中均勻地選取種子點；種子點的個數(shù)應(yīng)該是人工事先確定的，根據(jù)實驗背景種子點個數(shù)設(shè)置為前景種子點個數(shù)的1.2倍較為合適。

每處理完一幀后，需要在下一幀中更新種子點位置，種子點更新包括了兩個步驟，先追蹤前景目標(biāo)，根據(jù)目標(biāo)位移給每個種子點疊加目標(biāo)位移矢量；再對每個更新后的前景和背景種子點進行更新，在鄰域內(nèi)選取與該點osf差異最小的點，并平移到該點的位置上；定義為第i幀的種子點p，li為第i幀的前景目標(biāo)位置，ω是種子點在鄰域內(nèi)第二次更新時用戶定義的鄰域邊長，那么種子點更新應(yīng)為：

其中q＝p+(u,v)，u和v是從到的整數(shù)，表示種子點更新時的偏移矢量，是第i幀中點q的osf值。

將提出的osf引入到圖切割中，在種子點的監(jiān)督下完成前景分割。對于一張圖其中是像素集，ε是邊集，把前景分割看作為能量最優(yōu)問題，該能量是相似能量e1和優(yōu)先能量e2的加權(quán)和：

其中η是權(quán)值參數(shù)。對于每個像素xp∈{前景(＝1),背景(＝0)}；將圖像使用k-means算法進行聚類，根據(jù)聚類內(nèi)前景種子點和背景種子點個數(shù)，來確定該聚類屬于前景或是背景；那么對于像素點p，其到前景的距離定義為p到所有前景聚類的顏色均值的距離最小值，像素點p到背景的距離定義為p到所有背景聚類的顏色均值的距離最小值；e1(xp)定義為像素p到各個聚類的距離最小值；如果像素點p在前景種子點上，那么p從屬于前景的相似能量e1(xp＝1)＝1，從屬于背景的相似能量e1(xp＝0)＝0；如果像素點p在背景種子點上，那么p從屬于前景的相似能量e1(xp＝1)＝0，且從屬于背景的相似能量e1(xp＝0)＝1；若像素p在未知區(qū)域內(nèi)，且

e2(p,q)定義為像素點p和q的不匹配能量函數(shù)：

其中，dis(p,q)表示二維圖像上p和q的空間距離。

附圖說明

讀者在參照附圖閱讀了本發(fā)明的具體實施方式以后，將會更清楚地了解本發(fā)明的各個方面。其中，

圖1是本發(fā)明光照敏感的視頻運動目標(biāo)分割方法的流程圖；

圖2是提出的八方向敏感濾波器(osf)的計算方法和迭代解釋；

圖3是位置敏感直方圖和osf分別作為局部描述子，周圍像素的貢獻值演示圖；

圖4是視頻運動目標(biāo)提取的輪廓圖；

具體實施方式

為了使本申請所揭示的技術(shù)內(nèi)容更加詳盡與完備，可參照附圖以及本發(fā)明的下述各種具體實施例，附圖中相同的標(biāo)記代表相同或相似的組件。然而，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，下文中所提供的實施樣例并非用來限制本發(fā)明所涵蓋的范圍。此外，附圖僅僅用于示意性地加以說明，并未依照其原尺寸進行繪制。

下面參照附圖，對本發(fā)明各個方面的具體實施方式作進一步的詳細(xì)描述。本發(fā)明的視頻目標(biāo)分割方法的硬件條件為，cpu頻率2.50ghz，內(nèi)存4g的pc，軟件工具為visualstudio2010，opencv2.4.3和matlab2014b。

(2-1)輸入原始視頻，將視頻分為若干圖像序列分別處理，對于每個圖像序列，預(yù)先計算每幀的八方向敏感濾波器(octagon

sensitivefilter)。將二維的圖像轉(zhuǎn)換為一個一維圖像，計算每個像素點的鄰域像素強度對其的影響，即每個像素對應(yīng)一個矢量，記錄了周圍像素在每個槽(bin)上對該像素的累加貢獻值；以左右方向為例，將二維圖像重新標(biāo)號，轉(zhuǎn)化為一維圖像，記像素p上歸一化的osf矢量為：

其中p為圖像的像素點總數(shù)，α是衰減因子；|p-q|代表轉(zhuǎn)化后的一維圖像上像素p和q間的空間距離；由于需要計算共八個方向像素的貢獻值，，將原圖像按照不同方向重新標(biāo)號為一維圖像，計算出各自方向上對應(yīng)的部分osf值，那么定義像素點p的osf值為：

其中，表示從上、下、左、右、左上、左下、右上和右下八個方向計算出的部分歸一化的值，且初值均為0，θ為計算的方向。

(2-2)從而我們可以定義一個新的局部描述子，用來衡量兩個塊和的距離：

其中n′p(b)是中對應(yīng)位置的歸一化osf值，塊的大小為m×n，該局部描述子是局部內(nèi)所有像素上osf的累加和。

(3)預(yù)計算完osf后，在此基礎(chǔ)上計算前兩幀間光流。其中edesc是匹配項，描述了原塊w和候選塊w1的不相似度：

其中，如果像素p上有osf描述子，δ(p)為1，否則為0；w1(p)表示對應(yīng)的矢量，是用來處理碰撞的凸函數(shù)，而反映了匹配項的權(quán)重，反映了像素p和矢量w1對應(yīng)的像素上的osf的距離；從而獲得前兩幀間的稠密光流，并以此為基礎(chǔ)獲取前景目標(biāo)區(qū)域。

(4)在獲取前景目標(biāo)區(qū)域的基礎(chǔ)上，分別對前景輪廓進行腐蝕和膨脹處理，分別在腐蝕和膨脹區(qū)域中均勻地選取種子點；種子點的個數(shù)應(yīng)該是人工事先確定的，根據(jù)實驗背景種子點個數(shù)設(shè)置為前景種子點個數(shù)的1.2倍較為合適。

(5)每處理完一幀后，需要在下一幀中更新種子點位置，種子點更新包括了兩個步驟，先追蹤前景目標(biāo)，根據(jù)目標(biāo)位移給每個種子點疊加目標(biāo)位移矢量；僅僅依賴追蹤，很難使種子點對物體形變、旋轉(zhuǎn)等維持在合適位置，因此要再對每個更新后的種子點進行更新，在鄰域內(nèi)選取與該點八方向敏感濾波器osf差異最小的點，并平移到該點上；定義為第i幀的種子點p，li為第i幀的前景目標(biāo)位置，ω是種子點更新時的鄰域邊長，那么種子點更新應(yīng)為：

其中q＝p+(u,v)，u和v是從到的整數(shù)，表示種子點更新時的偏移矢量，是第i幀中點q的osf值。

(6)將提出的八方向敏感濾波器引入到圖切割中，在種子點的監(jiān)督下完成前景分割；對于一張圖其中v是像素集，ε是邊集，把前景分割看作為能量最優(yōu)問題，該能量是相似能量e1和優(yōu)先能量e2的加權(quán)和：

其中η是權(quán)值參數(shù)；對于每個像素xp∈{前景(＝1),背景(＝0)}；將圖像使用k-means算法進行聚類，根據(jù)聚類內(nèi)前景種子點和背景種子點個數(shù)，來確定該聚類屬于前景或是背景；那么對于像素點p，其到前景的距離定義為p到所有前景聚類的顏色均值的距離最小值，像素點p到背景的距離定義為p到所有背景聚類的顏色均值的距離最小值；e1(xp)定義為像素p到各個聚類的距離最小值；如果像素點p在前景種子點上，那么p從屬于前景的相似能量e1(xp＝1)＝1，從屬于背景的相似能量e1(xp＝0)＝0；如果像素點p在背景種子點上，那么p從屬于前景的相似能量e1(xp＝1)＝0，且從屬于背景的相似能量e1(xp＝0)＝1；若像素p在未知區(qū)域內(nèi)，且

e2(p,q)定義為像素點p和q的不匹配能量函數(shù)：

其中，dis(p,q)表示二維圖像上p和q的空間距離。如果當(dāng)前處理的幀是輸入圖像序列的最后一幀，則處理下一幀，并返回步驟(2)；否則算法結(jié)束。

上文中，參照附圖描述了本發(fā)明的具體實施方式。但是，本領(lǐng)域中的普通技術(shù)人員能夠理解，在不偏離本發(fā)明的精神和范圍的情況下，還可以對本發(fā)明的具體實施方式作各種變更和替換。這些變更和替換都落在本發(fā)明權(quán)利要求書所限定的范圍內(nèi)。