[发明专利]二视图像场景的运动分割方法

说明书

技术领域

本发明涉及的是一种图像处理技术领域的方法，具体是一种二视图像场景的运动分割方法。

背景技术

在计算机视觉中，运动分割是动态场景诠释的一个重要步骤。其涉及到的问题是：二视或多视场景中，在不知道哪些局部特征(一种图像特征分析方法)是按照同样的模式一起运动的情况下，确定场景中的多个运动模型，并将图像的局部特征根据运动类型进行分类，同时要将错误的局部特征匹配进行剔除。最具有挑战性的部分是如何同时确定独立运动模型的数量以及识别出相应特征点匹配和运动模型之间的一致性关系，还包括剔除异常或错误的模型和匹配。为了将二视图像场景中的多个物体依照运动属性进行分割，一方面需要为每个物体确定比较好的运动模型，而相反的，为了估算单个独立物体的运动模型，将物体首先分割成单个不相关的个体又是必需的，这两点形成了一个互相依赖，互相制约的循环问题。经过多年的大量研究和论证，二视图像图运动分割问题可以被转化为一个非参数的聚类问题。

经对现有文献检索发现，N.Vasconcelos和A.Lippman在1997年CVPR(计算机视觉与模式识别)中发表的论文“Empirical Bayesian EM-Based Motion Segmentation(基于经验贝叶斯期望最大化方法的运动分割)”和A.Gruber和Y.Weiss在2006年的ECCV(欧洲计算机视觉会议)上发表的“Incorporating non-motion cues into 3d motion segmentation(纳入非运动线索的三维运动分割)”论文中将EM(期望最大化)方法成功应用于运动分割问题，但是该方法只能保证收敛到局部最小值从而导致错误的分割。

而J.P.Costeira和T.Kanade在1998年International Journal of Computer Vision(国际计算机视觉期刊)，29(3)：159-179上发表的论文“A multibody factorizationmethod for independently moving objects(一种采用多体分解的独立运动物体分析方法)”和J.Y.Yan和M.Pollefeys在2006年European Conference on Computer Vision(欧洲计算机视觉会议)上发表的论文“A general framework for motion segmentation：Independent，articulated，rigid，non-rigid，degenerate and non-degenerate(一种针对独立，链接，刚性，非刚性，形变，非形变的运动分割框架)”中提到的基于因式分解的方法必须对运动模型数量进行很强的初始假设约束才可保证结果的准确性，亦即，该方法必须预先得知场景中运动的个数才能得到良好的结果。然而，在实际应用中这个条件是不能满足的。