一种结合运动信息的目标主动轮廓跟踪方法技术

本发明专利技术公开了一种基结合运动信息的目标主动轮廓跟踪方法，以超像素为基本单元，分别对目标与背景区域的表观特征和运动特征进行建模，并采用决策树算法将两者融合起来，克服了传统的主动目标轮廓跟踪方法对于表观特征的依赖性，在目标与背景颜色，纹理等特征相似，但具有明显相对运动的场景中跟踪精度有明显提升，具有很好的应用前景。

An active contour tracking method based on motion information

The invention discloses a method for tracking a target with motion information of active contour, with super pixels as the basic unit of target and background region apparent feature and motion feature modeling, and combine the two using decision tree algorithm, overcomes the main moving object contour tracking method for the apparent characteristics of dependence the traditional, in the target and background color, texture and other similar features, but has obvious relative motion in the scene tracking accuracy has improved significantly, has good application prospects.

【技术实现步骤摘要】
一种结合运动信息的目标主动轮廓跟踪方法
本专利技术属于计算机视觉
，更为具体地讲，涉及一种结合运动信息的目标主动轮廓跟踪方法。
技术介绍
在计算机视觉领域中，目标主动跟踪技术占有十分重要的地位，它通过对视频中序列图像的处理，获得感兴趣目标在连续序列图像中位置随时间变化的轨迹。目标主动跟踪技术的应用十分广泛，如军事制导，视频监控，智能交通，人机交互，公共安全等。目标主动跟踪的表达形式有矩形，椭圆形，轮廓等，采用轮廓的形式能很好的表达目标形状与尺寸的变化信息，为高层行为的识别与理解提供方便，因此，目标主动轮廓跟踪一直是目标跟踪领域的一个研究热点。目标主动轮廓跟踪算法主要分为参数主动轮廓模型和几何主动轮廓模型。参数主动轮廓模型以上世纪八十年代Kass等人提出Snake模型为代表，该方法用参数显示的表达曲线，通过求解一个能量变分模型的最小值来实现轮廓分割。Snake模型具有良好的跟踪特定区域目标轮廓的能力，常被用来进行医学图像的分割，但存在以下缺点：对图像边界的捕捉范围很小，对初始轮廓的要求很高，对参数设置非常敏感，不能灵活处理拓扑变化，而且容易错误的收敛到局部极值点。几何活动轮廓模型以Osher等人提出的水平集(LevelSet)方法为代表，它以隐式方法的来描述轮廓，用一个n+1维的水平集函数的零值来表达一个n维的曲线，因此能够灵活处理目标拓扑变化。水平集方法广泛应用于图像处理和计算机视觉领域，例如图像分割，目标跟踪，形状检测与识别等。传统的水平集方法将水平集函数初始化为符号距离函数，并且每隔一段时间需要进行重新初始化，导致计算复杂，耗时很大。李纯明等人提出了DRLSE(DistanceRegularizedLevelSetEvolution)模型，将水平集初始化为二值函数，然后通过构造一个带距离约束的能量惩罚项使得水平集函数近似的保持为符号距离函数，从而保证了稳定的数值解，并且避免了重新初始化，大大的减小了计算量。将水平集运用到目标主动跟踪领域，通常需要将目标的先验知识，如颜色，梯度，纹理，形状等表观特征加入到水平集演化方程中，来约束曲线进化到目标边缘处。由于单个像素的特征提取容易受噪声干扰产生不稳定性，可以考虑采用超像素对图像进行分割。超像素将图像划分成颜色，纹理等表观特征相似的邻近像素的集合，具有计算效率高，保持图像边界等优点，使用超像素作为图像处理的基本单元，比直接考虑单个像素更为有效。除此之外，目标的运动也是一种非常有效的可用于跟踪的特征，特别是在目标与背景具有明显相对运动的场景中，运动特征可作为颜色，纹理等表观特征的有效补充，得到更加精确的轮廓跟踪结果。光流法通常被用来刻画运动信息，由光流法得到的光流场能够代表每个像素点的运动速度大小和方向，在具有明显相对运动的场景中，运动目标区域和背景区域的光流场幅值大小具有明显的差异，利用光流场能够有效地区分出运动目标与背景。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提出一种结合运动信息的目标主动轮廓跟踪方法，以克服表观特征目标轮廓跟踪对于颜色，梯度等特征的依赖性，在目标表观特征不够明显，但是具有明显相对运动的场景中能达到良好的跟踪效果。为实现上述专利技术目的，本专利技术结合运动信息的目标主动轮廓跟踪方法，其特征在于，包括以下步骤：(1)、初始化SVM(支持向量机)分类器针对序列图像第一帧图像，首先手动标定初始轮廓，初始轮廓的最大外接矩形向外扩大p个像素点后的区域作为感兴趣区域(RegionofInterest，简称ROI)；然后，对感兴趣区域进行超像素分割，得到一系列的超像素；对于每一个超像素，提取感兴趣的颜色特征和纹理特征向量，并将两者进行合并，得到该超像素的d维表观特征向量；记感兴趣区域的初始轮廓内像素点为正，初始轮廓外像素点为负，统计每个超像素内的所有像素点，若超过半数像素点为正，记为1，则将该超像素标记为正样本，否则标记为负样本，记为-1；将每个超像素的n维表观特征向量作为输入，其标记作为输出对SVM分类器进行训练，得到初始化的SVM分类器；同时，将每个超像素的n维表观特征向量作为输入，其标记作为输出作为一组训练样本存入样本池中；将初始轮廓作为第一帧图像目标主动轮廓跟踪结果、序列图像第二帧图像作为当前帧图像；(2)、基于SVM分类器和局部信息的判别式表观模型构建将当前帧图像的上一帧图像的目标主动轮廓跟踪结果作为初始轮廓，初始轮廓的最大外接矩形向外扩大p个像素点后的区域作为感兴趣区域(RegionofInterest，简称ROI)；然后，对感兴趣区域进行超像素分割，得到一系列的超像素；对于每个超像素，提取感兴趣的颜色特征和纹理特征向量，并将两者进行合并，得到每个超像素的d维表观特征向量；2.1)、基于SVM分类器的置信图计算将第i个超像素spi′的n维表观特征向量输入到SVM分类器中，得到该超像素的样本标记值，即基于SVM分类器的置信图值ConfMapsvm_i；2.2)、基于局部信息的置信图计算首先，计算每个超像素属于目标和属于背景的概率，具体计算步骤如下：2.2.1)、对上一帧图像的轮廓跟踪结果即目标轮廓进行标记，如果上一帧图像感兴趣区域第j个超像素spj内超过半数的像素点在目标轮廓内，则记为Lj为1，否则为-1；2.2.2)、记当前帧图像感兴趣区域第i个超像素为spi′，其中心坐标为(xi′,yi′)；上一帧图像感兴趣区域第j个超像素spj的中心坐标为(xj,yj)，设置阈值为TR；2.2.3)、记当前帧图像感兴趣区域第i个超像素spi′属于目标轮廓内的似然概率为p(spi′|obj)，属于背景的似然概率为p(spi′|bck)，令：p(spi′|obj)＝p(spi′|bck)＝0；2.2.4)、对于当前帧图像感兴趣区域第i个超像素spi′，遍历上一帧图像感兴趣区域的超像素spj，并进行以下运算：2.2.4.1)、令m＝n＝0，j＝12.2.4.2)、如果则：当Lj为1时：num1＝p(spi′|obj)+pijm＝m+1当Lj为-1：num2＝p(spi′|bck)+pijn＝n+1如果不成立，则转到步骤2.2.4.3)、计算属于目标轮廓内的似然概率p(spi′|obj)、属于背景的似然概率p(spi′|bck)：其中，pij定义为超像素spi′与spj的相似度，记spi′和spj的表观特征向量分别为fi′，fj，则pij的计算公式为：pij＝exp(-||fi′-fj||2)，其中，||fi′-fj||2表示特征向量fi′，fj的欧式距离；2.2.4.4)、如果没有遍历完上一帧图像感兴趣区域的超像素spj，则j＝j+1，返回步骤2.2.4.2)，否则，结束，得到第i个超像素spi′属于目标轮廓内的似然概率p(spi′|obj)，属于背景的似然概率p(spi′|bck)；定义第i个超像素spi′基于局部信息的置信图值为：置信图值的取值范围为[-1,1]，并且具有以下的对称判别属性：2.3)、融合得到表观特征的置信图对于第i个超像素spi′，基于局部信息的置信图值ConfMaplocal_i的权值为w1_i，基于SVM分类器的置信图值ConfMapsvm_i的权值为w2_i，令：w1_i＝ε*|ConfMaplocal_i|w2本文档来自技高网...

【技术保护点】
一种结合运动信息的目标主动轮廓跟踪方法，其特征在于，包括以下步骤：(1)、初始化SVM(支持向量机)分类器针对序列图像第一帧图像，首先手动标定初始轮廓，初始轮廓的最大外接矩形向外扩大p个像素点后的区域作为感兴趣区域(Region of Interest，简称ROI)；然后，对感兴趣区域进行超像素分割，得到一系列的超像素；对于每一个超像素，提取感兴趣的颜色特征和纹理特征向量，并将两者进行合并，得到该超像素的d维表观特征向量；记感兴趣区域的初始轮廓内像素点为正，初始轮廓外像素点为负，统计每个超像素内的所有像素点，若超过半数像素点为正，记为1，则将该超像素标记为正样本，否则标记为负样本，记为‑1；将每个超像素的n维表观特征向量作为输入，其标记作为输出对SVM分类器进行训练，得到初始化的SVM分类器；同时，将每个超像素的n维表观特征向量作为输入，其标记作为输出作为一组训练样本存入样本池中；将初始轮廓作为第一帧图像目标主动轮廓跟踪结果、序列图像第二帧图像作为当前帧图像；(2)、基于SVM分类器和局部信息的判别式表观模型构建将当前帧图像的上一帧图像的目标主动轮廓跟踪结果作为初始轮廓，初始轮廓的最大外接矩形向外扩大p个像素点后的区域作为感兴趣区域(Region of Interest，简称ROI)；然后，对感兴趣区域进行超像素分割，得到一系列的超像素；对于每个超像素，提取感兴趣的颜色特征和纹理特征向量，并将两者进行合并，得到每个超像素的d维表观特征向量；2.1)、基于SVM分类器的置信图计算将第i个超像素sp′i的n维表观特征向量输入到SVM分类器中，得到该超像素的样本标记值，即基于SVM分类器的置信图值ConfMapsvm_i；2.2)、基于局部信息的置信图计算首先，计算每个超像素属于目标和属于背景的概率，具体计算步骤如下：2.2.1)、对上一帧图像的轮廓跟踪结果即目标轮廓进行标记，如果上一帧图像感兴趣区域第j个超像素spj内超过半数的像素点在目标轮廓内，则记为Lj为1，否则为‑1；2.2.2)、记当前帧图像感兴趣区域第i个超像素为sp′i，其中心坐标为(x′i,y′i)；上一帧图像感兴趣区域第j个超像素spj的中心坐标为(xj,yj)，设置阈值为TR；2.2.3)、记当前帧图像感兴趣区域第i个超像素sp′i属于目标轮廓内的似然概率为p(sp′i|obj)，属于背景的似然概率为p(sp′i|bck)，令：p(sp′i|obj)＝p(sp′i|bck)＝0；2.2.4)、对于当前帧图像感兴趣区域第i个超像素sp′i，遍历上一帧图像感兴趣区域的超像素spj，并进行以下运算：2.2.4.1)、令m＝n＝0，j＝12.2.4.2)、如果...

【技术特征摘要】
1.一种结合运动信息的目标主动轮廓跟踪方法，其特征在于，包括以下步骤：(1)、初始化SVM(支持向量机)分类器针对序列图像第一帧图像，首先手动标定初始轮廓，初始轮廓的最大外接矩形向外扩大p个像素点后的区域作为感兴趣区域(RegionofInterest，简称ROI)；然后，对感兴趣区域进行超像素分割，得到一系列的超像素；对于每一个超像素，提取感兴趣的颜色特征和纹理特征向量，并将两者进行合并，得到该超像素的d维表观特征向量；记感兴趣区域的初始轮廓内像素点为正，初始轮廓外像素点为负，统计每个超像素内的所有像素点，若超过半数像素点为正，记为1，则将该超像素标记为正样本，否则标记为负样本，记为-1；将每个超像素的n维表观特征向量作为输入，其标记作为输出对SVM分类器进行训练，得到初始化的SVM分类器；同时，将每个超像素的n维表观特征向量作为输入，其标记作为输出作为一组训练样本存入样本池中；将初始轮廓作为第一帧图像目标主动轮廓跟踪结果、序列图像第二帧图像作为当前帧图像；(2)、基于SVM分类器和局部信息的判别式表观模型构建将当前帧图像的上一帧图像的目标主动轮廓跟踪结果作为初始轮廓，初始轮廓的最大外接矩形向外扩大p个像素点后的区域作为感兴趣区域(RegionofInterest，简称ROI)；然后，对感兴趣区域进行超像素分割，得到一系列的超像素；对于每个超像素，提取感兴趣的颜色特征和纹理特征向量，并将两者进行合并，得到每个超像素的d维表观特征向量；2.1)、基于SVM分类器的置信图计算将第i个超像素sp′i的n维表观特征向量输入到SVM分类器中，得到该超像素的样本标记值，即基于SVM分类器的置信图值ConfMapsvm_i；2.2)、基于局部信息的置信图计算首先，计算每个超像素属于目标和属于背景的概率，具体计算步骤如下：2.2.1)、对上一帧图像的轮廓跟踪结果即目标轮廓进行标记，如果上一帧图像感兴趣区域第j个超像素spj内超过半数的像素点在目标轮廓内，则记为Lj为1，否则为-1；2.2.2)、记当前帧图像感兴趣区域第i个超像素为sp′i，其中心坐标为(x′i,y′i)；上一帧图像感兴趣区域第j个超像素spj的中心坐标为(xj,yj)，设置阈值为TR；2.2.3)、记当前帧图像感兴趣区域第i个超像素sp′i属于目标轮廓内的似然概率为p(sp′i|obj)，属于背景的似然概率为p(sp′i|bck)，令：p(sp′i|obj)＝p(sp′i|bck)＝0；2.2.4)、对于当前帧图像感兴趣区域第i个超像素sp′i，遍历上一帧图像感兴趣区域的超像素spj，并进行以下运算：2.2.4.1)、令m＝n＝0，j＝12.2.4.2)、如果则：当Lj为1时：num1＝p(sp′i|obj)+pijm＝m+1当Lj为-1：num2＝p(sp′i|bck)+pijn＝n+1如果不成立，则转到步骤2.2.4.3)、计算属于目标轮廓内的似然概率p(sp′i|obj)、属于背景的似然概率p(sp′i|bck)：其中，pij定义为超像素sp′i与spj的相似度，记sp′i和spj的表观特征向量分别为f′i，fj，则pij的计算公式为：pij＝exp(-||f′i-fj||2)，其中，||f′i-fj||2表示特征向量f′i，fj的欧式距离；2.2.4.4)、如果没有遍历完上一帧图像感兴趣区域的超像素spj，则j＝j+1，返回步骤2.2.4.2)，否则，结束，得到第i个超像素sp′i属于目标轮廓内的似然概率p(sp′i|obj)，属于背景的似然概率p(sp′i|bck)；定义第i个超像素sp′i基于局部信息的置信图值为：置信图值的取值范围为[-1,1]，并且具有以下的对称判别属性：

【专利技术属性】
技术研发人员：周雪，冯媛媛，邹见效，徐红兵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51