[发明专利]一种运动相机下的视频运动前景分割方法

说明书

技术领域

本发明属于计算机视觉领域，涉及一种运动前景分割方法，具体是一种运动相机下的视频运动前景分割方法。

背景技术

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。

发明内容

本发明的目的在于针对现有技术的不足，提出一种运动相机下的视频运动前景分割方法。

一种运动相机下的视频运动前景分割方法，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。

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和匹配就是找到这样一组角点使得