[发明专利]一种基于超像素光流场的水平集轮廓跟踪方法

说明书

本发明公开了一种基于超像素光流场的水平集轮廓跟踪方法，以超像素作为图像处理的基本单元，计算每个超像素内的局部光流方向直方图得到每个超像素的主运动方向和幅值，再根据运动目标的光流场在方向上的一致性和较大幅值的特点，统计所有超像素的全局光流方向直方图，通过选取大部分能量集中的超像素形成Mask模板，利用该模板区分光流灰度图中的目标和背景区域，再通过灰度分割阈值动态调整光流灰度值，最后基于改变的光流灰度图引导水平集轮廓进化。这样将光流特征引入水平集轮廓跟踪框架中，提高跟踪的准确性和鲁棒性，同时提高了抗噪性和抗干扰性，且简单有效，具有很好的应用前景。

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光流场的水平集轮廓跟踪方法。

背景技术

水平集(Level Sets)是以隐式方法描述轮廓的一种主动轮廓方法，由于其能灵活处理目标拓扑结构，动态捕捉目标形状信息，在目标跟踪领域被广泛应用。水平集方法是用一个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，轮廓内部和外部的符号相反。在基于Level Sets的跟踪方法中，轮廓根据底层特征进化到目标边缘处，这些底层特征可以是：灰度、颜色、纹理或运动信息等。这些特征往往是建立在底层视觉特征—像素的基础上。但由于单个像素容易被噪音干扰导致跟踪的不鲁棒性。近年来，由于富含语义信息以及灵活的处理方式，中层视觉特征(Mid-levelVisual Cue)已经作为一种非常有效的图像描述的工具，被广泛应用于图像分割和目标识别领域。特别是超像素(Superpixel)，它是将图像划分为颜色、亮度或纹理相似的邻近像素的集合。超像素具有计算效率高、富含语义、保持边界等优点，因此将超像素作为图像描述的基本单元，进行后续的建模和挖掘，比直接考虑底层视觉特征—像素更为有效。目前超像素有多种不同的表现形式，比如片段(Fragments)、三角形(Triangles)、过分割超像素(Over-segmented Superpixels)、图像块(Image Patches)等。

现有的水平集轮廓跟踪方法已有基于超像素来进行表观模型的建模。X.Zhou等人提出了一种基于超像素建模判别式表观模型的方法，将图像的颜色和梯度特征引入到水平集轮廓进化框架中。算法原理参见：X.Zhou,X.Li and W.M.Hu,Learning A Superpixel-Driven Speed Function for Level Set Tracking,IEEE Trans.on Cybernetics,vol.46,no.7,pp.1498-1510,2016。除了颜色、纹理、梯度等特征之外，目标的运动也是一种非常有效的可用于跟踪的特征，特别是在目标相对于背景有明显运动趋势的场景下，运动信息可以作为颜色、梯度等表观特征的有效的补充。光流法作为刻画运动信息的一种手段被广泛应用到图像亮度模式中。由光流引申出的光流场，是指图像中所有像素点构成的一种二维瞬时速度场。该速度场刻画了每个像素点运动速度的大小和方向。而目前现有文献中鲜有论文特别介绍利用运动信息的水平集进化方法。因此在具有明显相对运动的场景下，如何只利用运动信息有效区分目标和背景，引入到水平集轮廓进化框架中，减少噪音的干扰，即将成为本发明要解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于超像素光流场的水平集轮廓跟踪方法，将光流特征引入水平集轮廓跟踪框架中，提高跟踪的准确性和鲁棒性。

为实现上述发明目的，本发明一种基于超像素光流场的水平集轮廓跟踪方法，其特征在于，包括以下步骤：

(1)、基于超像素的局部和全局光流方向直方图统计

(1.1)、选取图像中感兴趣区域，利用稠密光流计算法计算感兴趣区域的光流场，再利用孟塞尔颜色系统将光流场进行可视化，得到光流场彩色图像；

(1.2)、将光流场彩色图像转换成光流场灰度图；