[发明专利]一种基于形状语义的非参数轮廓跟踪评价方法

说明书

技术领域

本发明涉及本发明涉及计算机视觉领域，特别涉及一种基于形状语义的非参数轮廓跟踪(nonparametric contour tracking)的评价技术。

背景技术

目标跟踪是计算机视觉领域中非常重要的研究问题，因为它是高层视觉问题如运动分析和行为识别等研究的基础。从跟踪结果表示方式来说，现在跟踪算法大致可分为两大类：区域跟踪和轮廓跟踪。

一般来说，区域跟踪算法是采用窗口形式来表示物体。大多情况下，窗口采用矩形或椭圆形，由于矩形或椭圆形可以用一系列参数来表示，因此，区域跟踪结果的精确度可以通过简单地计算这些参数与标准窗口参数间的距离来获得，标准窗口参数为事先标定，从而实现区域跟踪结果的评价。然而，无论采用矩形窗口或椭圆窗口都包含很多背景和噪声像素，无法对目标物体进行精确的表达和分割，无法适用于目标行为识别和动画生成等需要精确分割的视觉应用领域。

轮廓跟踪算法采用目标物体的轮廓来表示跟踪结果，因此该类算法可以为一些高层计算机视觉任务提供坚实的基础，比如运动、行为分析和识别等。轮廓跟踪的主要问题是如何对跟踪结果进行有效的评价，特别是基于非参数轮廓表示的情况下，如水平集表示方法。由于目标的轮廓存在非刚性形变的特点，使得对目标的轮廓跟踪结果的评价变得异常困难。目前国内外对于轮廓跟踪结果的评价研究非常少。对于参数轮廓跟踪方法，如基于B样条曲线的轮廓跟踪，Tissainayagam和Suter提出了四种度量距离：轮廓距离误差、中心点误差、可变形状参数误差以及相对信噪比，这些度量距离在轮廓跟踪评价中取得了良好的效果。但是该类评价方法只适用于基于B样条曲线的轮廓跟踪结果。在基于B样条曲线的轮廓跟踪中，轮廓是通过一系列带控制点的B样条曲线来表示的，对于两个轮廓之间，控制点的对应关系是确定的，所以只需计算对应点的距离关系即可实现对两个轮廓相似度的评价。然而，对于非参数的轮廓跟踪方法，如基于水平集的轮廓跟踪，其轮廓的长度和形状都是时刻发生变化的，并且没有显示的表达方式，因此对两个轮廓之间的相似性进行评价是非常困难的。

发明内容

本发明的目的在于：为了克服现有技术的不足，本发明提供了一种基于形状语义的非参数轮廓跟踪评价方法。

为了实现上述目的，本发明采用了以下的技术方案：一种基于形状语义的非参数轮廓跟踪评价方法，包括以下步骤:（1）对于当前帧图像的非参数轮廓跟踪结果和标准轮廓，采用最小空间距离法获得轮廓跟踪结果所获得的轮廓和标准轮廓之间的像素对应关系；其中，非参数轮廓跟踪结果即采用非参数方法对轮廓进行表示的轮廓跟踪结果；标准轮廓即通过手工标注获得的标准目标轮廓。

（2）对非参数轮廓跟踪结果与标准轮廓进行二值化处理，提取非参数轮廓跟踪结果所获得的轮廓上每个像素点的形状上下文特征；其中，形状上下文特征是一种表示特定点局部领域内形状分布信息的描述子）（3）采用金字塔匹配核来计算非参数轮廓跟踪结果所获得的轮廓上每个像素点和标准轮廓像素点的形状上下文特征的相似度；其中，金字塔匹配核是一种多尺度直方图匹配的核函数。

（4）根据步骤（3）计算得到的形状上下文特征的相似度，在最小空间距离法获得的像素对应关系的局部区域中进行搜索，从而获得基于形状语义的非参数轮廓跟踪结果所获得的轮廓的像素点对应关系；（5）融合空间相似度和形状语义相似度来对两个轮廓整体相似性进行评价。

作为优选，所述的步骤（1）具体包括以下子步骤：

首先，对于非参数轮廓跟踪所获得轮廓上的任一像素点，采用最小欧氏距离寻找标准轮廓上的对应像素点；其次，依次获得非参数轮廓跟踪结果所获得轮廓的所有像素点与标准轮廓像素点的对应关系。

采用上述优选的方案后，基于最小欧氏距离的轮廓点对应关系可以为后续工作一个较好的初始估计，从而减少语义轮廓匹配的运算复杂度。

作为优选，所述的步骤（2）具体包括以下子步骤：首先，对非参数轮廓跟踪结果与标准轮廓进行二值化处理；其次，对于非参数轮廓跟踪结果所获得轮廓上的每一个像素点，提取其在3个尺度下的形状上下文特征，其中角度固定为12等分，尺度分别为48、96、192等分。

采用上述优选方案后，融合多尺度信息可以消除轮廓形状大小的影响。

作为优选，所述的步骤（3）具体包括以下子步骤：首先，对于非参数跟踪结果所获得轮廓与标准轮廓上两点的形状上下文直方图特征，采用直方图的交来获取不同尺度下匹配点的对数；其次，根据像素状态的维数和尺度的大小，确定每层尺度的权重；最后，将上述两个结果作为金字塔匹配核的参数来计算跟踪轮廓点和标准轮廓点的形状上下文特征的相似度。