[发明专利]一种基于低秩稀疏表达的视频多目标分割方法

摘要

本发明属于计算机视觉领域，具体公开了一种基于低秩稀疏表达的视频多目标分割方法。本发明首先利用L2ECM技术将图像转换到特征空间中，建立图像的特征矩阵；接着利用已知信息将多个目标特征建立在同一个模板中，利用低秩稀疏的性质求解当前图像对模板的最优表达方式，并利用求解得到的表达系数，结合高级语义信息建立每个目标的显著性特征；最后利用能量最小化原则依次对每个目标的轮廓进行精确分割。本发明具有计算复杂度低，分割精度高等特点，特别适用于视频图像中多目标在线分割。

主权项

一种基于低秩稀疏表达的视频多目标分割方法，其特征在于，包括以下步骤：(1)使用SLIC算法将视频中第一帧图像分割成N个超级像素s；(2)提取每个超级像素s的L2ECM特征，并建立图像特征矩阵X；(3)在已知第一帧图像中目标轮廓的情况下，将第一帧图像中所有超级像素s的L2ECM特征进行重新排列，建立模板D，其中D＝[DO1 DO2 DO3 ... DOi Db]，其中Doi表示模板中第i个目标特征，Db表示背景特征；(4)从视频中第t帧图像开始，根据特征矩阵X求解第t帧图像通过模板D的低秩稀疏表达系数矩阵Z,其中，t＝2,3，…；(5)根据前一帧图像的目标信息，分别计算当前帧图像中每个目标的高级语义特征；(6)结合高级语义特征和低秩稀疏表达系数矩阵Z，计算每个目标的显著性概率分布fs(Ii)；(7)根据前一帧分割的结果，在YUV空间中分别建立目标与背景的颜色直方图，得到第j个目标的表观特征概率分布函数fc(ui)；求解视频中当前图像的各像素之间的相关性ψ(ui，uj，Ii，Ij)：(8)根据目标的显著性概率分布fs(Ii)、表观特征概率分布函数fc(ui)和像素之间的相关性ψ(ui，uj，Ii，Ij)构造能量函数模型E(u)，利用能量最小化方程分别对每个目标进行分割，得到目标区域和背景区域的最优分割结果；(9)利用得到的目标区域和背景区域来更新模板D，并更新t＝t+1，返回步骤(4)，处理视频中下一帧图像，直到视频结束。