[发明专利]一种基于超像素的主动轮廓跟踪方法

说明书

技术领域

本发明属于计算机视觉技术领域，更为具体地讲，涉及一种基于超像素的主动轮廓跟踪方法。 

背景技术

视觉监控场景下的目标跟踪是通过对摄像机所拍摄的视频图像序列进行处理，检测、定位和跟踪其中运动的目标。由于轮廓特征能够很好地描述目标的形状信息，而这些形状信息对于后续高层的行为理解和识别提供了便利，并且相对于静止摄像机，主动轮廓跟踪方法能更好适用于移动摄像机下检测、定位和跟踪运动目标。因此近年来主动轮廓跟踪方法已逐渐成为当前学术研究的前沿和热点。在计算机视觉和模式识别领域中的国际顶级刊物TPAMI、IJCV和会议ICCV、CVPR上，主动轮廓跟踪都占据了一定的篇幅和比重。作为一个融合了计算机视觉、图像处理、模式识别、机器学习、统计分析和随机过程等多学科交叉的前沿性研究方向，其研究成果在智能视觉监控、运动分析、人机交互、智能导航、视频检索等领域具有广泛的应用潜力。 

主动轮廓跟踪方法的核心思想是根据实际问题建立一个关于轮廓的能量函数，采用变分方法最小化该能量函数，最终得到轮廓的进化方程，即将初始轮廓按照能量的负梯度方向进化，直到收敛到目标的边缘处。根据轮廓的描述方式以及所考虑的图像信息的不同，主动轮廓跟踪方法大致可以分为基于边缘和基于区域的两大类。 

基于边缘的主动轮廓跟踪方法以Snakes模型为代表。Snakes模型采用的是参数化的轮廓描述方法，即将轮廓C直接显示地描述成参数s和时间t的一个函数。该模型考虑了轮廓边缘处图像的梯度信息，当轮廓位置越接近物体边缘处，则所建立的能量函数最小。该模型简单易用，但存在一系列的缺点：对轮廓的初始化较敏感，对于自相交和重叠等情况需要重新参数化轮廓，并且该模型不能处理拓扑变化并且具有不稳定的数值解。 

目前一种基于区域的主动轮廓跟踪方法——采用隐式轮廓描述的Level Sets (水平集)方法逐渐受到广泛关注。Level Sets方法是用一个n+1维的Level Sets函数的零值来表达一个n维的轮廓。常用的Level Sets函数为带符号的距离函数。基于区域的主动轮廓跟踪方法的优势是可以考虑图像的区域信息，而不仅仅局限在轮廓周围。常用的测度是一些统计特征，比如：均值、方差、纹理或所考虑区域的直方图等。Yilmaz等人对区域的颜色和纹理特征分别用核密度估计和Gabor小波建模，每个像素的Level Sets进化速度函数取决于它邻域内所有像素属于目标和背景的相似程度。具体算法可参考文献：A.Yilmaz,X.Li and M.Shah.Contour-based Object Tracking with Occlusion Handling in Video Acquired Using Mobile Cameras[J],IEEE Trans.on Pattern Analysis and Machine Intelligence,2004,26(11):1531-1536。Sun等人提出了一个有监督的Level Sets跟踪方法，该方法基于在线boosting建立单个像素的判别式模型来构建Level Sets的能量函数。具体算法可参考文献：X.Sun,H.X.Yao and S.P.Zhang.A Novel Supervised Level Set Method for Non-Rigid Object Tracking[C],IEEE Conference on Computer Vision and Pattern Recognition,2011,3393-3400。以上基于区域的主动轮廓跟踪方法在构建能量函数时，无论采用产生式模型或判别式模型，都是采用底层像素特征，并将其作为轮廓进化的基本单元，因此容易导致轮廓进化受噪音干扰、效率低等问题。