[发明专利]一种基于有限时空分辨率类无关属性动态场景的分割方法

摘要

本发明公开基于有限时空分辨率类无关属性动态场景的分割方法，读取包含视频序列I并为所有像素（r，c）分配一个标签l(r,c)∈L，并定义前景目标像素标签为1及背景像素标签为0；将I中的一帧视频转化为图像G=(V,E)，定义xi∈x为每个观察节点i∈V，并将图中每个节点与离散随机变量yi∈y关联表示G潜在标签配置；为图像G潜在标签配置采用全连接网络策略促进对象建议的评估，并建立概率评估条件随机场模型p(y|x,θ)；利用空时稀疏大位移训练集图像数据对模型训练，得到模型参数；将模型参数代入条件随机场模型对视频进行分割评估并输出分割图像。本发明能在有限时空分辨率下分割动态场景中的前景对象。

主权项

1.一种基于有限时空分辨率类无关属性动态场景的分割方法，其特征在于包括建立类无关属性分割框架、单帧视频转化、建立条件随机场模型、模型训练、分割图像步骤，具体包括：A、建立类无关属性分割框架：读取一个包含T帧视频图像的视频序列I，为I中的所有像素（r，c）分配一个标签 l(r, c) ∈ L，视频序列I为：I = {It(r, c) : Ω⊂R2→ R3|r ∈ {1, . . . , R}, c ∈{1, . . . ,C}}tT=1，其中：R和C分别为每个帧的行数和列数，定义分割前景目标像素Rf = {(r, c)|l(r,c) = 1}，来自于周围的背景像素Rb= {(r, c)|l(r, c) = 0}；B、单帧视频转化：将视频序列I中的一帧视频转化为图像G，定义xi∈x表示每个观察节点i∈V，并将图中的每个节点与离散随机变量yi∈y相关联，以表示G的潜在标签配置，图像G为：G=(V, E)，其中：V为图像超像素的一组相关性节点，E = Es∪ Et为一组空间Es和时间Et边缘连接在一起的节点；对视频序列I利用SLIC算法生成固定数量的超像素节点V；C、建立条件随机场模型：为图像G的潜在标签配置采用全连接网络策略促进对象建议的评估，并建立概率评估用条件随机场模型p(y|x,θ)为：p(y|x,θ)=，其中：x为观测值，Z(θ)为分割函数参数，ψu为一元势函数，Ψ = {Ψs, Ψt}为成对势函数，Ψs和Ψt分别为成对空间、时间势函数，矢量θ ={θu, θps, θpt}为模型参数，θu，θps和θpt分别为一元参数及成对的空间、时间势函数；D、模型训练：利用空时稀疏大位移训练集图像数据对上述条件随机场模型进行训练，得到模型参数；E、分割图像：将上述模型参数代入条件随机场模型，利用条件随机场模型对输入的视频序列进行分割评估并输出分割出前景目标的图像。