[发明专利]一种基于显著度的柔性对象自然轮廓跟踪方法

摘要

一种基于显著度的柔性对象自然轮廓跟踪方法，包括两个阶段，第一阶段中，首先对第一帧视频帧进行超像素分割，再结合交互与面向对象的自然轮廓提取算法，可获得跟踪目标的初始自然轮廓，分别初始化基于显著度的对象模型和时空上下文模型。第二阶段为柔性对象的轮廓跟踪阶段，首先利用时空上下文模型快速定位跟踪目标，然后对跟踪目标块进行超像素分割，最后，提出一种基于显著度的轮廓跟踪器用于实现柔性对象自然轮廓的精确跟踪，与此同时，不断更新上下文模型和对象模型。本发明有效地避免矩形框带来的背景误差，并且针对周围环境以及柔性对象自身的一系列复杂情况，实现了柔性对象自然轮廓的精确跟踪。

主权项

一种基于显著度的柔性对象自然轮廓跟踪方法，其特征在于：所述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Lfore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Um，面向对象的模型表示如下：Um＝{(x,y)|L(x,y)＝Lfore,(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Uc由下列等式得到：Uc＝Um‑{(x,y)|L(x‑1,y)＝L(x+1,y)＝L(x,y‑1)＝L(x,y+1)＝Lfore,(x,y)∈Um}，   (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，Box2被作为基于显著度的轮廓跟踪器的输出结果，在进行SLIC超像素分割以及基于图的流形排序之后，Box2上的每一个像素点都拥有了一个标识其所属分割块的标签，每个分割块都有一个显著值；分割块的聚类中心被称为种子点，通过第一帧的初始自然轮廓得到目标对象块，对于后续视频帧，目标对象块由快速目标定位过程计算得到，在对每个帧序列的块进行超像素分割后，得到种子点数目NSt，t为视频帧序列的索引值，t＝1,2,3…，对每个分割块的显著值进行降序排序，得到排序结果Sal1是最高显著值，是最低显著值，基于显著度的对象模型Usm中设置了一个阈值THDUSal＝{Sal1,Sal2,Sal3,…,SalTHD}     (3.1)Usm＝{(x,y)|S(x,y)∈USal,(x,y)∈Ut(t＝2,3,4…)}   (3.2)其中，USal为高于THD显著值的显著值集合，Ut为视频帧t中目标对象块的像素点集合，(x,y)为像素点的坐标；最后，基于全局向量流的主动轮廓模型被用于轮廓拟合，在此基础上最终得到柔性对象的准确自然轮廓。