一种基于超像素的主动轮廓跟踪方法.pdf

(19)中华人民共和国国家知识产权局*CN103366382A*(12)发明专利申请(10)申请公布号(10)申请公布号CNCN103366382103366382A(43)申请公布日2013.10.23(21)申请号201310277474.6(22)申请日2013.07.04(71)申请人电子科技大学地址611731四川省成都市高新区（西区）西源大道2006号(72)发明人周雪邹见效徐红兵(74)专利代理机构成都行之专利代理事务所(普通合伙)51220代理人温利平(51)Int.Cl.G06T7/20(2006.01)权权利要求书2页利要求书2页说明书8页说明书8页附图4页附图4页(54)发明名称一种基于超像素的主动轮廓跟踪方法(57)摘要本发明公开了一种基于超像素的主动轮廓跟踪方法，对训练图像进行超像素分割得到目标和背景的训练样本池，根据训练样本采用测度学习方法得到距离测度的投影矩阵，构建判别式表观模型，将序列图像的每帧测试图像进行超像素分割，根据构建好的判别式表观模型得到测试图像对应的置信图，从而得到测试图像的速度场，将速度场代入水平集方法的进化方程，得到测试图像的轮廓跟踪结果。相比现有技术，本发明提高了每帧测试图像的轮廓进化效率，同时提高了序列图像的跟踪准确率和跟踪效率。CN103366382ACN103682ACN103366382A权利要求书1/2页1.一种基于超像素的主动轮廓跟踪方法，其特征在于，包括以下步骤：S1：将训练图像分为目标和背景两部分，进行超像素分割，提取每个超像素的特征向量，构建目标训练样本池Tobj和背景训练样本池Tbac；S2：根据训练样本采用测度学习方法得到距离测度的投影矩阵L，投影矩阵L每隔m,m≥1帧测试图像更新一次；S3：根据训练样本池和距离测度的投影矩阵L，构建基于超像素的判别式表观模型，其中每个超像素的置信分数的计算公式为：其中P(sp|obj)和P(sp|bac)分别表示超像素sp属于目标类obj和背景类bac的似然概率，采用非参数的核密度估计方法得到；S4：在当前帧测试图像中选定包括目标在内的一个局部区域，对该局部区域进行超像素分割，超像素数量记为N，提取得到每个超像素spk,1≤k≤N的特征向量fk；根据步骤S3中的置信分数计算公式计算每个超像素的置信分数得到测试图像的置信图；S5：根据步骤S4中得到的置信图构建测试图像的速度场其中，(i,j)表示测试图像中像素的坐标；S6：将步骤S5中得到的测试图像的速度场代入水平集方法的进化方程，将上一帧测试图像的轮廓跟踪结果作为初始值进行轮廓进化，得到目标的轮廓跟踪结果；S7：根据步骤S6中的得到的轮廓跟踪结果，将目标和背景的超像素分别放入对应的训练样本池中对训练样本池进行更新，返回步骤S1重新构建目标训练样本池Tobj和背景训练样本池Tbac。2.根据权利要求1所述的主动轮廓跟踪方法，其特征在于，所述步骤S2中测度学习方法为大边缘最近邻LMNN测度学习方法。3.根据权利要求1所述的主动轮廓跟踪方法，其特征在于，所述步骤S4中局部区域的选定方法为：在第一帧测试图像选定局部区域时，手动指定目标的初始轮廓，根据初始轮廓确定局部区域；后续每一帧测试图像根据上一帧测试图像的轮廓跟踪结果确定局部区域。4.根据权利要求1所述的主动轮廓跟踪方法，其特征在于，所述步骤S6中进化方程为：其中Φt是第t次迭代的水平集函数，Φt-1是第t-1次迭代的水平集函数，水平集函数的初始函数Φ0是上一帧测试图像的轮廓跟踪结果的水平集函数，Δt是预设的迭代步长，Fcurv＝εκ是只跟轮廓曲率κ相关的内部进化速度，ε是预设的常数。2CN103366382A权利要求书2/2页5.根据权利要求1至4任一所述的主动轮廓跟踪方法，其特征在于，所述步骤S7中训练样本池在更新时采用队列方式进行更新，新增样本排在队列末端，当样本数量超过预设的队列长度，删除队列前端的旧样本。3CN103366382A说明书1/8页一种基于超像素的主动轮廓跟踪方法技术领域[0001]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的主动轮廓跟踪方法。背景技术[0002]视觉监控场景下的目标跟踪是通过对摄像机所拍摄的视频图像序列进行处理，检测、定位和跟踪其中运动的目标。由于轮廓特征能够很好地描述目标的形状信息，而这些形状信息对于后续高层的行为理解和识别提供了便利，并且相对于静止摄像机，主动轮廓跟踪方法能更好适用于移动摄像机下检测、定位和跟踪运动目标。因此近年来主动轮廓跟踪方法已逐渐成为当前学术研究的前沿和热点。在计算机视觉和模式识别领域中的国际顶级刊物TPAMI、IJCV和会议ICCV、CVPR上，主动轮廓跟踪都占据了一定的篇幅和比重。作为一个融合了计算机视觉、图像处理、模式识别、机器学习、统