【技术实现步骤摘要】
一种基于图像分割的种子点自适应目标跟踪系统
[0001]本专利技术属于视频数据处理领域，特别是一种基于图像分割的种子点自适应目标跟踪系统。
技术介绍
[0002]在目标跟踪领域，分水岭图像分割方法是一种经典高效的分割方法。分水岭图像分割方法将图像看作拓扑地貌，每个像素点强度对应于该点的海拔，通过模拟浸入过程，从区域极小值点开始形成集水盆，集水盆边界即为分水岭，也就是图像各个分割区域的边界。通过对视频各帧图像进行分水岭分割，以极小值点为观测对象，依区域双向匹配构建短时极小值点序列，相应的高鲁棒动区域检测算法被提出；为提升目标跟踪鲁棒性，分水岭区域帧间分裂、合并及特征池策略被提出，但该方法假定目标初始仅包含一个动区域，缺乏跟踪兴趣点自适应机制，使得算法适用场景受到很大限制。
技术实现思路
：
[0003]本专利技术要解决的技术问题是现有算法适用场景受限。
[0004]本专利技术提出一种基于图像分割的种子点自适应目标跟踪系统，包括以下步骤：
[0005]S1，读取视频帧，对图像进行处理后提取区域极小值...
【技术保护点】
【技术特征摘要】
1.一种基于图像分割的种子点自适应目标跟踪系统，其特征在于，所述系统包括以下步骤：S1，读取视频帧，对图像进行处理后提取区域极小值和极大值点集，建立极小值点栈和极大值点栈，将极小值点和极大值点分别压入对应栈，分别以极小值点和极大值点为出发点，对图像进行分水岭分割，得到图像子区域，进入步骤S2；S2，依双向匹配规则确定前帧极小值点和极大值点与当前帧极小值点和极大值点的双向匹配关系：将双向匹配成功的极小值点和极大值点加入对应的轨迹点池，存储每个极小值点和极大值点的连续帧轨迹点，构建极小值点和极大值点的短时轨迹，将双向匹配失败的极小值点和极大值点的短时轨迹清除，进入步骤S3；S3，查看所述系统是否处于跟踪状态：若是，进入步骤S4，若否，依运动点检测方法检测是否有处于运动状态的极小值点和极大值点：若有，将其压入目标种子点堆栈，将栈顶极值点作为初始种子点，对该点设为跟踪目标进行持续跟踪，将系统设为跟踪状态，若无，回到步骤S1；S4，查看种子点堆栈：若栈为空，将系统设为检测状态，跟踪结束，回到步骤S3，若不为空，查看跟踪目标是否处于运动状态：若是，以种子点堆栈栈顶种子点为基准种子点，构建基准种子点、兴趣极小值点和兴趣极大值点的短时轨迹映射图，进入步骤S5，若不是，则依双向匹配规则更新目标种子点坐标；S5，查看系统是否处于跟踪状态：若否，回到步骤S4，若是，查看是否允许系统更新种子点：若否，回到步骤S1，若是，根据轨迹映射图匹配量测模型计算各兴趣极小值点和兴趣极大值点轨迹和基准种子点轨迹的匹配度，将满足匹配度条件的兴趣极小值点和兴趣极大值点压入目标种子点堆栈，回到步骤S1。2.根据权利要求1所述的基于图像分割的种子点自适应目标跟踪系统，其特征在于，所述步骤S1中，区域极小值点的判定方法为：当像素点强度值均小于8邻域像素点强度值时，该像素点被认定为区域极小值；区域极大值点的判定方法为：首先根据如下公式对原图像取反，I'(x)＝255
‑
I(x)，其中I(x)为视频帧经灰度变换后的图像在坐标x处的灰度值，为取反图像在坐标x处的灰度值，对取反图像进行高斯模糊处理，依区域极小值点判定方法获取区域极大值点。3.根据权利要求1所述的基于图像分割的种子点自适应目标跟踪系统，其特征在于，所述步骤S1中，分水岭分割的方法是：对经模糊后的灰度图像和经模糊后的取反灰度图像，分别以区域极小值点和极大值点为出发点，采取浸没方式完成区域划分。4.根据权利要求1所述的基于图像分割的种子点自适应目标跟踪系统，其特征在于，所述步骤S2中，双向匹配关系判断方法为：A0为前一帧的一个极小值点和极大值点，对应图像坐标为X0，A1点为当前帧的一个极小值点和极大值点，对应图像坐标为X1，以S1获取的图像子区域为参考，当X0坐标所处的当前帧图像子区域同A1点所在的当前帧图像子区域为同一区域，X1坐标所处的前一帧图像子区域同A0点所在的前一帧图像子区域为同一区域，则A0
和A1为双向匹配关系。5.根据权利要求1所述的基于图像分割的种子点自适应目标跟踪系统，其特征在于，所述步骤S4中，当基准种子点在当前帧和此前N帧时的轨迹坐标点的L1范数大于阈值时，则跟踪目标被认为处于运动状态，其计算公式为||s
N
‑1‑
s0||1＞S，其中s0和sN
‑
1...
【专利技术属性】
技术研发人员：胡珂立，
申请(专利权)人：绍兴市北大信息技术科创中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。