[发明专利]一种视频运动目标分割与跟踪方法

摘要

一种视频运动目标分割和跟踪方法，采用减背景方法分割运动目标，再进行目标特征的提取和特征识别，实现对目标的稳定跟踪；其中，背景的模型是一个实时更新的模型，采用基于自组织特征映射SOFM网络和小区域标记合并的场景分割算法和视频运动信息相结合的方式，自适应生成首帧背景；特征表达时，采用两种表达形式：参数化特征和像素级空域特征；目标跟踪时，采用由粗到细逐步精细的匹配策略，通过粗匹配和细匹配，实现对目标的识别和跟踪；本发明的实验结果表明，该方法在场景复杂、多运动目标情况下也能实现对视频序列中的刚体或非刚体运动目标进行正确的分割和跟踪。

主权项

1、一种视频运动目标分割和跟踪方法，其特征是采用减背景方法分割运动目标，再进行目标特征的提取和特征识别，实现对目标的稳定跟踪；其中，背景的模型是一个实时更新的模型，采用基于自组织特征映射SOFM网络和小区域标记合并的场景分割算法和视频运动信息相结合的方式，自适应生成首帧背景；特征表达时，采用两种表达形式：参数化特征和像素级空域特征；目标跟踪时，采用由粗到细逐步精细的匹配策略，通过粗匹配和细匹配，实现对目标的识别和跟踪；所述自组织特征映射(SOFM)神经网络和小区域标记合并的场景分割算法和视频运动信息相结合的方式是：先对网络设置一较大的输出类别数，对其进行训练，将其对输入的图像进行过分割，然后对分割出来的各区域采用一种小区域标记的多度量模糊判据进行迭代合并，获得最终分割结果；SOFM网络由两层组成，分别为输入层和竞争层，输入层神经元数为n，竞争层神经元为m，每个输入节点与输出节点之间有可变的权值连接，将任意维的输入模式在竞争层输出映射成一维或二维离散图形，并保持其拓扑结构不变；用场景图像数据对SOFM网络进行训练，使SOFM的某一特定神经元对某种灰度特征敏感，当待分割图像被输入网络时，根据数据的灰度特征就可以对数据进行自组织聚类，完成对图像进行区域分割；经SOFM神经网络聚类后输出的图像被硬分割成一个固定个数的区域，每个像素根据其灰度特征归属于某一特定聚类；先对图像进行过分割，然后按类提取并进行分块和标记，获得有标记的小区域，再对已标记小区域采用多度量模糊准则进行合并；采用动态模板更新方法，当跟踪的目标与该目标的模板的匹配度量小于设定阈值时，重新采样并更新模板参数；模板更新的条件由以下因素决定：Tadptive、Ttrack、Ck：其中，Tadptive代表模板要求更新的匹配度量阈值，0＜Ttrack＜Tadptive＜1；Ttrack代表模板与目标匹配的最低允许值，如果某一目标与模板的匹配度量小于该阈值，认为该目标与次模板不匹配；Ck是用Kalman滤波器[7]进行预测得到的该目标的质心点位置；经背景减处理后，得到了运动目标的区域，通过Kalman滤波器预测定位某一目标在下一帧中的质心点位置，搜索该点附近的运动区域，如果目标的空域象素和其空域模板的相关匹配度量ta符合条件：Ttrack＜ta＜Tadptive，则重新对该目标进行模板提取及其模板特征表达，实现模板的自动更新；通过将当前帧图像和背景帧图像进行减运算，提取出运动的目标，计算目标的特征向量，将特征向量与现有的模板特征向量进行比较，如果其与任一现有的模板都不匹配，则认为视场中进入了一个新的运动目标，将其赋予新的编号并提取其模板后实施跟踪；如果某一运动目标在设定的时间后还没有再出现，认为该目标已经消失，删除其模板特征向量及空域模板图像，以释放存储空间；采用运动目标的参数化特征和象素级空域特征进行多特征逐步精细模糊匹配，由粗匹配和细匹配两个过程组成：粗匹配是采用目标的象素级空域特征和现存的空域模板进行相关运算，用多个阈值界定匹配的相关度范围，根据相关度的值决定是否要进行进一步的细匹配；细匹配过程采用目标和模板的参数化特征向量进行相似度判别，从而实现对目标的跟踪：跟踪的同时，计算出目标的质心点位置，在质心点位置对目标进行标号，并用Kalman滤波器对此目标在下一帧中的质心点位置进行预测，用于对目标间的“相会”处理。