[发明专利]一种基于低秩稀疏表达的视频多目标分割方法

权利要求书

1.一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＝[D^O1 D^O2 D^O3 ... D^Oi D^b]，其中D^oi表示模板中第i个目标特征，D^b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f_s(I_i)；

(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f_c(u_i)；求解视频中当前图像的各像素之间的相关性ψ(u_i，u_j，I_i，I_j)：

(8)根据目标的显著性概率分布f_s(I_i)、表观特征概率分布函数f_c(u_i)和像素之间的相关性ψ(u_i，u_j，I_i，I_j)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。

2.根据权利要求1所述的基于低秩稀疏表达的视频多目标分割方法，其特征在于，所述步骤(2)中提取每个超级像素s的L2ECM特征过程为：

根据每个超级像素s，建立原始特征R^d为d维的实数空间，表示为：

g(x)＝[I(x)，|I_x(x)|，|I_y(x)|，|I_xx(x)|，|I_yy(x)|]^T

其中，|·|为绝对值运算符，I(x)表示图像中任意一点x＝(x，y)的像素值，I_x(x)和I_y(x)分别表示对x和y方向的一阶偏导数，I_xx(x)和I_yy(x)分别表示对x和y方向的二阶偏导数；

对于一个超级像素s，定义为此超级像素的原始特征，

其中，N_s为超级像素s所包含的像素个数，计算G_s的协方差矩阵∑_s，则∑_s是一个d×d的矩阵；将log(∑_s)的上三角矩阵进行向量化，得到超级像素s的L2ECM特征，其特征长度为d为原始特征的维度。

3.根据权利要求2所述的基于低秩稀疏表达的视频多目标分割方法，其特征在于，所述步骤(4)中根据特征矩阵求解第t帧图像通过模板的低秩稀疏表达系数矩阵Z的具体公式为:

argmin_Z，E(||Z||_*+β||Z||₁+α||E||₁)

s.t.X＝DZ+E

其中，X为h×N的矩阵，h为每个超级像素s的特征维度；argmin_Z，E表示取使目标函数最小时Z与E，s.t.表示约束条件，||·||_*表示核范数，||·||₁表示l₁范数，E表示噪声，α和β为权重因子，

矩阵Z的任意一列表示矩阵X中第i个超级像素s与模板D中每个目标的相似性，中的数值越大表示此超级像素与模板中的某个元素越相似。