[发明专利]一种基于显著度的柔性对象自然轮廓跟踪方法

说明书

技术领域

本发明涉及计算机视觉、图像处理等技术领域，尤其是基于显著度的柔性对象自然轮廓跟踪方法。

背景技术

视频对象跟踪技术的应用越来越广泛，如在监控系统、行为识别系统、军事目标检测等领域中的应用。为满足实际应用的需要，许多具有鲁棒性的跟踪算法被提出，这些算法主要是从速度、跟踪准确度两个方向进行改进。然而，由于在视频序列中柔性对象会发生形变、尺度变化以及背景变化，所以柔性对象的精确跟踪目前还存在着很多困难。这些复杂干扰的来源可分为光照变化、剧烈运动、具有复杂背景的场景。因此，柔性对象外轮廓的精确跟踪是一项十分具有挑战性的任务。虽然近期一些学者的相关工作已经能够得到不错的柔性对象实时跟踪结果，但是这些算法的应用仍是十分有限的：

1)跟踪结果的准确性不是很高，特别是当跟踪对象发生形变和尺度变化的时候。

2)有些算法通过增加离线学习的方法来实现柔性对象外轮廓的精确跟踪，但是大量手工模板的需要使得这种改进所带来的效果十分有限。

3)跟踪不稳定，容易在跟踪过程中出现漂移。

4)受背景信息干扰大，像素级别的处理导致算法时间复杂度偏高。

发明内容

为了克服现有的柔性对象自然轮廓跟踪方式的准确性不高、稳定性较差、时间复杂度较高的不足，本发明提出了一种基于显著图的柔性对象自然轮廓跟踪方法。

本发明解决其技术问题所采用的技术方案是：

一种基于显著度的柔性对象自然轮廓跟踪方法，包括以下步骤：

(1)自然轮廓提取

在利用简单线性迭代聚类(Simple linear iterative clustering，SLIC)算法对第一帧视频帧进行超像素分割之后，每个像素点都拥有了标识其所属分割块的标签；

采用自然轮廓提取算法提取柔性对象的自然轮廓，不同分割块拥有不同标签，属于相同分割块的像素点拥有相同标签，利用标签的突变得到边界像素点；SLIC算法中，规定如果某像素点的四邻域有一个以上的像素点的标签与其不同，则将该像素点视为边界像素点；

使用标签L_fore对构成柔性对象的分割块进行标识，得到对象模型，将对象模型视作由位于对象所在区域的像素点(x,y)组成的集合U_m，面向对象的模型表示如下：

U_m＝{(x,y)|L(x,y)＝L_fore,(x,y)∈U}，(1.1)

其中，L(x,y)是像素点(x,y)的标签，U是视频帧像素点的集合，跟踪对象的闭合自然轮廓U_c由下列等式得到：

U_c＝U_m-{(x,y)|L(x-1,y)＝L(x+1,y)＝L(x,y-1)＝L(x,y+1)＝L_fore,(x,y)∈U_m}，

(1.2)

其中，L(x-1,y)，L(x+1,y)，L(x,y-1)，L(x,y+1)分别为像素点(x,y)四邻域像素点(x-1,y)，(x+1,y)，(x,y-1)，(x,y+1)的标签；

(2)快速目标定位，过程如下：

2.1).利用初始自然轮廓最小化的矩形框，以及目标对象与其所处的周围背景之间的空间相关性，学习空间上下文模型；

2.2).利用已学习到的空间上下文模型去更新下一帧的时空上下文模型；

2.3).利用时空上下文信息计算置信图；

2.4).通过置信图的最大化分析目标对象所处的最佳位置；

2.5).利用跟踪所得轮廓的最小矩形框去重学习空间上下文模型，接着返回步骤2.2)

(3)基于显著度的轮廓跟踪器

通过步骤(2)得到包含目标对象和部分背景信息的矩形块，首先，对矩形块进行SLIC超像素分割，接着利用基于图的流形排序算法计算矩形块的显著图，显著图中必须要有不同于前景的背景信息，