一种运动相机下的视频运动前景分割方法技术

本发明专利技术涉及一种运动相机下的视频运动前景分割方法，属于计算机视觉领域。所述方法包括：对视频序列提取特征点并进行匹配，得到特征点的运动轨迹；通过模型估计算法有效的获得分别属于前景和背景的特征点；通过采用非参数核函数估计，求取背景和前景的似然概率模型；利用MRF构建分割模型，通过Gibbs采样方法获取前景分割结果。本发明专利技术避开了精准的全局运动补偿，利用了图像的邻域相关信息，提高了摄像机自由运动情况下背景景物存在深度差异时运动前景分割的准确性。本发明专利技术可广泛应用于车载平台、监控平台等运动场景下的运动目标检测、行为分析。

【技术实现步骤摘要】

本专利技术属于计算机视觉领域，涉及一种运动前景分割方法，具体是。
技术介绍
运动前景分割就是从包含运动信息的视频或者图像序列中，检测并提取其中与背景存在相对运动的前景，然后根据灰度、边缘等图像特征将运动前景进一步分为若干独立目标。对前景分割的研究已经经历了几十年的时间。在静止图像序列中运动前景分割常用的方法主要有相邻帧差法、光流法、背景减法、基于统计模型的方法、基于小波变换的方法、基于神经网络的方法以及将多种算法融合的方法等。目前，静止场景中的运动前景分割技术已经研究得比较成熟，在很多商用系统中广泛应用，科研的主攻方向已转向目标的三维建模、目标行为的语义理解等方面。随着计算机技术的发展，图像分析从早期只局限于静态图像的处理和分析到如今的动态图像分析，这一领域正引起了人们越来越浓厚的兴趣。 事实上，动态景物在客观世界中更加普遍，图像序列能为我们提供更丰富的信息。因而，在实际的运动前景分割中，常常面临的是摄像头也存在运动的动态场景，由此形成了动态视频序列。基于动态场景的运动前景分割方法通常包括全局运动补偿和运动前景分割两步。 许多研究人员对此展开了深入的研究，提出了部分解决方法。大多数的基本思想都是通过全局运动参数的估计对全局运动进行补偿；然后再利用基于静态场景的方法完成运动前景分割。现有运动估计方法都是基于图像灰度的时间变化的，可归纳为有基于空间像素点灰度的方法、基于图像块的方法、基于可变模型的方法、基于空间特征的方法以及基于变换域的方法等几种。但是现有的基于运动补偿的方法大多基于这样一个假设背景景物的深度差异对图像序列帧间全局运动的影响可以忽略。也就是说，所有的背景景物在图像序列中都假设共享同一组全局运动参数。当背景较简单时，多数图像序列可以满足这个假没；但是当背景较复杂时，位于不同3维深度的背景物体，事实上会在由运动摄影机获得的图像序列中产生多组不同的，但是组内部一致的运动场，此时上述假设显然不再满足。为此，有科研人员提出了一些基于层次化运动模型的方法，按照不同的全局运动参数将图像划分成不同的运动层(每个运动层具有相同的运动参数)；有学者进一步针对场景中有运动物体的动态场景图像序列展开研究，提出了一种逐次估计每组显著的运动参数后分别补偿的方法，并给出了判断运动物体层和静态背景层的定性规则。然而，这些方法对于如何判断运动分割后的图像中哪些运动层对应静止背景，哪些运动层对应运动物体还仅限于定性分析，而没有给出定量方法，从而造成运动目标检测实现时的困难。在现有技术中，算法都是在一定的假设条件下建立的，大多是针对摄像机支架固定的情况，即摄像机PTZ运动的情况，在摄像机自由运动情况下不能有效的应用，无法适应客观世界的复杂多样性。且现有方法大多数是直接使用二维目标图像或者图像序列，只使用目标的二维图像信息无法对目标进行完整的描述，忽略了背景景物的深度差异的影响， 使得复杂背景下的运动目标检测效果不佳。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提出。，具体步骤为步骤1 输入连续的F帧图像序列，选取图像中的特征点，对视频序列的每一帧进行特征点提取并匹配；步骤2 利用匹配点的轨迹满足的约束条件，为后续的前景/背景建模提供样本点，进而将与场景有相对运动的前景物体与场景进行区分；步骤3 通过RANSAC算法将轨迹向量分类，得到各帧中分别属于前景和背景的特 iiE ；^^ ’步骤4:选取其中一帧，采用非参数核函数估计，求取背景和前景的似然概率模型；步骤5 得到分别属于前景和背景的特征点之后，利用MRF构建分割模型，通过 GIBBS采样方法获取前景分割结果。所述的步骤1中采用Harris算法进行特征点提取的方法为=Harris算子寻找两个正交方向上的梯度变化较大的点；假设相邻两帧图像中的角点集分别为权利要求1.，其特征在于，具体步骤为步骤1 输入连续的F帧图像序列，选取图像中的特征点，对视频序列的每一帧进行特征点提取并匹配；步骤2 利用匹配点的轨迹满足的约束条件，为后续的前景/背景建模提供样本点，进而将与场景有相对运动的前景物体与场景进行区分；步骤3:通过RANSAC算法将轨迹向量分类，得到各帧中分别属于前景和背景的特征占.步骤4 选取其中一帧，采用非参数核函数估计，求取背景和前景的似然概率模型； 步骤5 得到分别属于前景和背景的特征点之后，利用MRF构建分割模型，通过GIBBS 采样方法获取前景分割结果。2.如权利要求1所述的，其特征在于所述的步骤1中采用Harris算法进行特征点提取的方法为Harris算子寻找两个正交方向上的梯度变化较大的点；假设相邻两帧图像中的角点集分别为Pp == 1 义…，njppf〕= (xf2342)),j = 1, …，Ii2，匹配就是找到这样一组角点使得式中，SiiCpj::,pp)表示点pp和点pp1的相似度，当两个点之间的距离过大，则该相似度被设为-①；否则各取一个邻域窗口(x-w，y-w)到(x+w，y+w)的一个矩形区域，窗口所涵盖的像素点的亮度1( ·，·)被展开为一个向量，两个点的邻域窗口构成的向量之间的相关系数即为相似度，即‘. .·j. -yJ- .. -J-Γr · iΜ. - ι ▽r '.1; Λ '.2; , fI即找两帧图像中的一组点，也就是说在点集pf:l中与‘f最相似的点是pg，并且在点集Pp中与p￡最相似的点郜3。3.如权利要求1或2所述的，其特征在于 所述步骤3中RANSAC算法的具体步骤如下1)从轨迹集合lwa}，a= 1，...，？中随机选取3个轨迹向量&，^，巧作为子空间的基，这三个向量组成的矩阵W3 = [WhvjrWfl用来构成一个投影矩阵P，用来评价给定的轨迹向量属于背景的可能性P = W3(WjW3)-1WJ2)依次计算剩下的轨迹向量的投影误差，对于给定的轨迹向量wt，投影误差定义为f(WtIff3) = I Pwt-Wt |2如果这个误差小于阈值t，则认为这个向量对应的点是内点，否则为外点； 3)重复以上步骤直到使得内点数最大。全文摘要本专利技术涉及，属于计算机视觉领域。所述方法包括对视频序列提取特征点并进行匹配，得到特征点的运动轨迹；通过模型估计算法有效的获得分别属于前景和背景的特征点；通过采用非参数核函数估计，求取背景和前景的似然概率模型；利用MRF构建分割模型，通过Gibbs采样方法获取前景分割结果。本专利技术避开了精准的全局运动补偿，利用了图像的邻域相关信息，提高了摄像机自由运动情况下背景景物存在深度差异时运动前景分割的准确性。本专利技术可广泛应用于车载平台、监控平台等运动场景下的运动目标检测、行为分析。文档编号G06T7/20GK102156995SQ20111009993公开日2011年8月17日 申请日期2011年4月21日 优先权日2011年4月21日专利技术者张娟, 杨文佳, 陈杰 申请人:北京理工大学 本文档来自技高网...

【技术保护点】
１．一种运动相机下的视频运动前景分割方法，其特征在于，具体步骤为：步骤１：输入连续的Ｆ帧图像序列，选取图像中的特征点，对视频序列的每一帧进行特征点提取并匹配；步骤２：利用匹配点的轨迹满足的约束条件，为后续的前景／背景建模提供样本点，进而将与场景有相对运动的前景物体与场景进行区分；步骤３：通过ＲＡＮＳＡＣ算法将轨迹向量分类，得到各帧中分别属于前景和背景的特征点；步骤４：选取其中一帧，采用非参数核函数估计，求取背景和前景的似然概率模型；步骤５：得到分别属于前景和背景的特征点之后，利用ＭＲＦ构建分割模型，通过ＧＩＢＢＳ采样方法获取前景分割结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：陈杰，杨文佳，张娟，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：11