一种基于遗传算法的视频对象分割方法技术

本发明专利技术公开了一种基于遗传算法的视频对象分割方法。通过VFW对视频进行捕捉并处理，获取视频中的图像帧；采用中值滤波对图像帧内在的噪声进行处理；通过遗传算法寻找参量空间的全局最优分割阈值，将视频对象与视频背景进行分离。用户可以做到在导入一个本地视频之后，在用户的控制下，自动将该视频分成若干帧，并检测该视频中的前景物体，然后对每一帧中的前景物体较为完美地提取出来，再将提取出来的物体自动粘贴至用户所指定的目标背景中去，并将合成的结果在本地输出。

【技术实现步骤摘要】

本专利技术是涉及视频对象分割方法，尤其涉及一种基于遗传算法的视频对象分割方法。
技术介绍
VFW是Microsoft在1992年推出的关于数字视频的一个软件包。它能使应用程序通过数字化设备从常规的模拟视频源得到数字化的视像剪辑。VFW的一个关键思想是播放时不需要专用硬件。为了解决数字视频数据压缩,它引进了AVI的文件标准,该标准未规定如何对视频进行捕获、压缩及播放,仅规定视频和音频在硬盘上的存储方式，视频帧和与之相匹配的音频数据在硬盘中交替存储。遗传算法(GA-Genetic algorithm)是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，由Michigan大学的J.Holland教授于1975年首先提出。它将“适者生存”的进化理论引入串结构，并且在串之间进行有组织但又随机的信息交换。通过遗传操作，使优良品质被不断保留、组合，从而不断产生出更佳的个体。子代个体中包含父代个体的大量信息，并在总体上胜过父代个体，从而使种群向前进化发展，即不断地接近最优解。遗传算法不是直接作用在参变量集上，而是利用参变量集的某种编码，利用适应值信息和概率转移规则，从多个点的种群开始搜索，随着遗传算法的理论研究与应用研究的不断深入和发展，人们逐渐将它应用到各个工程领域，取得了巨大的成功。在图像分割领域，遗传算法常被用来帮助确定分割阈值。求阈值的过程是一种寻优的过程，符合遗传算法的基本思想。目前为了缩短寻优的时间，在求阈值的过程中，将遗传算法应用其中，从而实现优化的过程。
技术实现思路
本专利技术的目的是克服现有技术的不足，提供一种基于遗传算法的视频对象分割方法。在处理图像帧的时候相应的操作是，对于第一帧图像帧，由本图像帧的信息来初始化遗传算法的相应参数，而对于后面的各个图像帧，则采用前一帧产生最优值的代数及此时种群中个体的信息来进行初始化。一种基于遗传算法的视频对象分割方法包括如下步骤：1)通过VFW对视频进行捕捉并处理，获取视频中的图像帧；2)采用中值滤波对图像帧内在的噪声进行处理；3)通过遗传算法寻找参量空间的全局最优分割阈值，将视频对象与视频背景进行分离。所述步骤1)具体为：首先调用VFW的函数创建视频捕捉窗，然后注册该视频捕捉窗的回调函数并且获取其缺省设置，将捕捉窗口与视频捕捉设备相连，创建视频驱动程序的选择窗口,并在选择窗口中列举出已安装的驱动的名称和版本号,根据操作平台选择对应驱动，设置视频捕捉窗的显示模式为预览模式，进行视频捕捉，并为被捕捉的视频分配内存缓冲区，创建捕捉线程,并在线程里完成捕捉视频的动作，捕捉完成后，获取视频中的图像帧。所述步骤2)具体为：首先将图像帧包含的像素按灰度值按从小到大排列，其次取序列中间点的值作为中值，并以此作为滤波器的输出值,以此对图像帧内在的噪声进行处理。所述步骤3)具体为：(1)对步骤2)处理后的图像帧进行编码，并且定义适应度函数；(2)随机产生一个由确定长度的特征串组成的初始种群，并计算出其规模的大小；(3)对群体迭代地执行下面的步骤<1>和<2>，直到迭代次数满足设定次数：<1>计算群体中每个个体的适应度；<2>根据适应度fitness及选择的概率Psi、交叉的概率Pci、变异的概率Pmi进行选择、交叉和变异操作；(4)把迭代中出现的最后的个体串指定为遗传算法的执行结果，就为图像的全局最优分割阈值。所述步骤(1)具体为：用二进制串0、1对图像帧进行编码，并定义适应度函数fitness，公式为：fitness＝a*b*(p1-p2)2/(256*256)其中a为个体的有效像素个数，b为个体的无效像素个数，p1为个体有效像素与像素灰度值和的比值，p2为个体无效像素与像素灰度值和的比值。所述步骤2)初始化群体的具体为：对于第一帧图像帧，由本图像帧的信息来初始化遗传算法的相应参数，并产生最优值以及产生最优值的迭代次数，而对于后面的各个图像帧，则采用前一帧产生的上述信息来进行初始化，群体规模的大小为N＝(i×j)/2，其中，视频帧的分辨率为i×j。所述步骤3)具体为：首先利用适应度函数计算每个个体的适应度f，其次根据适应度计算每个个体被选择的概率，被选择的概率Psi为：Psi=fiΣj=1Mfj]]>其中种群大小为M，其中个体i的适应度值为fi，个体j的适应度值为fj，则i被选择的概率是Psi；然后根据个体的稳定情况将遗传个体分为稳定的和不稳定的两类个体，稳定的个体是指视频图像序列中被选择的概率Psi在阈值选取范围内的个体；而不稳定个体则认为是超出阈值变化范围的个体，对于稳定的个体遗传操作的过程中只进行选择操作；对于不稳定的个体还要进行交叉、变异操作，该个体进行交叉操作的概率Pci和变异操作的概率Pmi分别为：Pci＝(psi+randomp)/2Pmi＝(psi+randomp)/50其中，randomp为参与交叉或变异的概率参数，特征值的范围为0.6-1.0,与其所占种群比有对应关系，如此繁衍设定次数后，所得的个体就确认为阈值分割的最优解。选择算子先采用最优保存策略，即将迄今为止最好的个体替换掉当前群体中最差的个体，并将最好个体直接选出，作为下一代群体的一个个体，其余个体利用轮盘选择法选出。在进行遗传操作处理时，不再是单单地按照标准遗传算法的遗传操作顺序进行选择、交叉、变异操作。而是根据个体的稳定情况将遗传个体进行分类，运用轮盘法将整个种群分为稳定的个体和不稳定的个体。对于稳定的个体遗传操作的过程中只进行选择操作；对于不稳定的个体则要进行选择、交叉、变异等操作,并且根据其所在轮盘的位置决定其参与交叉和变异的概率。对于视频编辑的主要研究成果是，建立一个视频中对象剪切出来并粘贴至目标图像的应用平台。在该所述的基本框架中，本专利技术所要处理的基本问题在于三方面：第一，进行视频捕捉并对视频进行处理；第二，将视频中的存在的对象与视频背景分离开来；第三，将从视频中提取出来的对象展现给用户。用户可以做到在导入一个本地视频之后，在用户的控制下，自动将该视频分成若干帧，并检测该视频中的前景物体，然后对每一帧中的前景物体较为完美地提取出来，再将提取出来的物体自动粘贴至用户所指定的目标背景中去，并将合成的结果在本地输出。附图说明图1为本专利技术的视频捕捉流程图；图2为轮盘法中的概率参数与本文档来自技高网...

【技术保护点】
一种基于遗传算法的视频对象分割方法，其特征在于包括如下步骤：1)通过VFW对视频进行捕捉并处理，获取视频中的图像帧；2)采用中值滤波对图像帧内在的噪声进行处理；3)通过遗传算法寻找参量空间的全局最优分割阈值，将视频对象与视频背景进行分离。

【技术特征摘要】
1.一种基于遗传算法的视频对象分割方法，其特征在于包括如下步骤：
1)通过VFW对视频进行捕捉并处理，获取视频中的图像帧；
2)采用中值滤波对图像帧内在的噪声进行处理；
3)通过遗传算法寻找参量空间的全局最优分割阈值，将视频对象与视频背景
进行分离。
2.如权利要求1所述的基于遗传算法的视频对象分割方法，其特征在于所述步骤
1)具体为：首先调用VFW的函数创建视频捕捉窗，然后注册该视频捕捉窗的回
调函数并且获取其缺省设置，将捕捉窗口与视频捕捉设备相连，创建视频驱动程
序的选择窗口,并在选择窗口中列举出已安装的驱动的名称和版本号,根据操作
平台选择对应驱动，设置视频捕捉窗的显示模式为预览模式，进行视频捕捉，并
为被捕捉的视频分配内存缓冲区，创建捕捉线程,并在线程里完成捕捉视频的动
作，捕捉完成后，获取视频中的图像帧。
3.如权利要求1所述的基于遗传算法的视频对象分割方法，其特征在于所述步骤
2)具体为：首先将图像帧包含的像素按灰度值按从小到大排列，其次取序列中
间点的值作为中值，并以此作为滤波器的输出值,以此对图像帧内在的噪声进行
处理。
4.如权利要求1所述的基于遗传算法的视频对象分割方法，其特征在于所述步骤
3)具体为：
(1)对步骤2)处理后的图像帧进行编码，并且定义适应度函数；
(2)随机产生一个由确定长度的特征串组成的初始种群，并计算出其规模的
大小；
(3)对群体迭代地执行下面的步骤<1>和<2>，直到迭代次数满足设定次数：
<1>计算群体中每个个体的适应度；
<2>根据适应度fitness及选择的概率Psi、交叉的概率Pci、变异的概率Pmi进行选择、交叉和变异操作；
(4)把迭代中出现的最后的个体串指定为遗传算法的执行结果，就为图像的
全局最优分割阈值。
5.如权利要求3所述的基于遗传算法的视频...

【专利技术属性】
技术研发人员：洪振杰，陈宁华，叶修梓，张三元，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江;33