[发明专利]一种结合运动信息的目标主动轮廓跟踪方法

说明书

本发明公开了一种基结合运动信息的目标主动轮廓跟踪方法，以超像素为基本单元，分别对目标与背景区域的表观特征和运动特征进行建模，并采用决策树算法将两者融合起来，克服了传统的主动目标轮廓跟踪方法对于表观特征的依赖性，在目标与背景颜色，纹理等特征相似，但具有明显相对运动的场景中跟踪精度有明显提升，具有很好的应用前景。

技术领域

本发明属于计算机视觉技术领域，更为具体地讲，涉及一种结合运动信息的目标主动轮廓跟踪方法。

背景技术

在计算机视觉领域中，目标主动跟踪技术占有十分重要的地位，它通过对视频中序列图像的处理，获得感兴趣目标在连续序列图像中位置随时间变化的轨迹。目标主动跟踪技术的应用十分广泛，如军事制导，视频监控，智能交通，人机交互，公共安全等。目标主动跟踪的表达形式有矩形，椭圆形，轮廓等，采用轮廓的形式能很好的表达目标形状与尺寸的变化信息，为高层行为的识别与理解提供方便，因此，目标主动轮廓跟踪一直是目标跟踪领域的一个研究热点。目标主动轮廓跟踪算法主要分为参数主动轮廓模型和几何主动轮廓模型。

参数主动轮廓模型以上世纪八十年代Kass等人提出Snake模型为代表，该方法用参数显示的表达曲线，通过求解一个能量变分模型的最小值来实现轮廓分割。Snake模型具有良好的跟踪特定区域目标轮廓的能力，常被用来进行医学图像的分割，但存在以下缺点：对图像边界的捕捉范围很小，对初始轮廓的要求很高，对参数设置非常敏感，不能灵活处理拓扑变化，而且容易错误的收敛到局部极值点。

几何活动轮廓模型以Osher等人提出的水平集(Level Set)方法为代表，它以隐式方法的来描述轮廓，用一个n+1维的水平集函数的零值来表达一个n维的曲线，因此能够灵活处理目标拓扑变化。水平集方法广泛应用于图像处理和计算机视觉领域，例如图像分割，目标跟踪，形状检测与识别等。传统的水平集方法将水平集函数初始化为符号距离函数，并且每隔一段时间需要进行重新初始化，导致计算复杂，耗时很大。李纯明等人提出了DRLSE(Distance Regularized Level Set Evolution)模型，将水平集初始化为二值函数，然后通过构造一个带距离约束的能量惩罚项使得水平集函数近似的保持为符号距离函数，从而保证了稳定的数值解，并且避免了重新初始化，大大的减小了计算量。

将水平集运用到目标主动跟踪领域，通常需要将目标的先验知识，如颜色，梯度，纹理，形状等表观特征加入到水平集演化方程中，来约束曲线进化到目标边缘处。由于单个像素的特征提取容易受噪声干扰产生不稳定性，可以考虑采用超像素对图像进行分割。超像素将图像划分成颜色，纹理等表观特征相似的邻近像素的集合，具有计算效率高，保持图像边界等优点，使用超像素作为图像处理的基本单元，比直接考虑单个像素更为有效。

除此之外，目标的运动也是一种非常有效的可用于跟踪的特征，特别是在目标与背景具有明显相对运动的场景中，运动特征可作为颜色，纹理等表观特征的有效补充，得到更加精确的轮廓跟踪结果。光流法通常被用来刻画运动信息，由光流法得到的光流场能够代表每个像素点的运动速度大小和方向，在具有明显相对运动的场景中，运动目标区域和背景区域的光流场幅值大小具有明显的差异，利用光流场能够有效地区分出运动目标与背景。

发明内容

本发明的目的在于克服现有技术的不足，提出一种结合运动信息的目标主动轮廓跟踪方法，以克服表观特征目标轮廓跟踪对于颜色，梯度等特征的依赖性，在目标表观特征不够明显，但是具有明显相对运动的场景中能达到良好的跟踪效果。

为实现上述发明目的，本发明结合运动信息的目标主动轮廓跟踪方法，其特征在于，包括以下步骤：

(1)、初始化SVM(支持向量机)分类器

针对序列图像第一帧图像，首先手动标定初始轮廓，初始轮廓的最大外接矩形向外扩大p个像素点后的区域作为感兴趣区域(Region of Interest，简称ROI)；然后，对感兴趣区域进行超像素分割，得到一系列的超像素；