[發明專利]基于混合動態紋理空時顯著性檢測的運動分割方法

無效

• 申請號: 201110344804.X
• 申請日: 2011-11-04
• 公開（公告）號: CN102509308A
• 公開（公告）日: 2012-06-20
• 發明（設計）人: 周文明;姚莉秀;楊杰
• 申請（專利權）人: 上海交通大學
• 主分類號: G06T7/20
• 分類號: G06T7/20
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 郭國中

技術領域

本發明涉及一種信息處理技術領域的運動目標分割方法，具體是一種基于混合動態紋理(Mixtures?of?Dynamic?Textures，MDT)空時顯著性檢測的運動分割方法。

背景技術

運動分割的任務，是從視頻序列中盡可能完整地提取出運動目標。該任務有兩個難點：(1)高動態背景，運動分割經常會碰到背景也運動的情況，比如晃動的樹枝，雨雪，行人，水浪等；(2)相機運動，在很多實際應用中，相機不是固定的。傳統方法通常作如下假設來簡化該問題：(1)相機是靜止不動的；或者(2)相機運動參數可以獲取或計算得出；或者(3)背景滿足給定模型，如混合高斯背景模型。這些假定降低了問題的復雜性，但在實際場景中，這些假定并不一定會被滿足。將傳統方法應用在動態背景中，分割結果噪聲很多，干擾較大。

顯著性檢測為解決這些難題帶來新的思路，顯著性檢測的任務是指出場景中哪些區域更容易成為人類視覺關注的焦點。與運動分割不同，顯著性檢測并不區分前景和背景，不給出精確結果，而給出類似灰度圖的顯著性圖。傳統顯著性檢測大致可以分為3類。第一類是最流行的方法，它將顯著性問題看作是某種視覺屬性特征，該方法的缺點是不能很好的推廣，特定的特征檢測器在不同場景中效果相差很大。第二類方法是將顯著性定義為圖像的復雜度。它的一個很大優勢就是其靈活性，可以選取任何的底層屬性來計算復雜度；但將顯著性定義為圖像復雜性并沒有得到生物學上的驗證，所以在很多場合下檢測得到的結果與人為識別的結果存在相當大的差異。最后一類方法是基于生物視覺的模型，這類方法的一個普遍問題是缺少衡量檢測結果的準則，這為改進等帶來不便。

針對傳統顯著性檢測的不足，一些新的方法被提出來了。D.Gao等提出了判別顯著性方法，該方法建立一個判別函數，將分類問題引進了視覺顯著性領域，使顯著性檢測在復雜環境下能得到很好的結果，但如何定義一個好的判別函數是該方法的一個難點[D.Gao?and?N.Vasconcelos.Discriminant?saliency?for?visual?recognition?from?cluttered?scenes.In?Proc.NIPS，pages?481-488，2004.]。在處理視頻序列中，為了利用幀之間的信息，提出了空時顯著性檢測的方法。V.Mahadevan和Nuno?Vasconcelos提出了一種空時顯著性檢測方法，該方法先用動態紋理對背景進行建模，然后在中心/鄰域結構框架下利用空時信息計算顯著性[V.Mahadevan?and?Nuno?Vasconcelos.Spatiotemporal?Saliency?in?Dynamic?Scenes.IEEE?transactions?on?Pattern?Analysis?and?Machine?Intelligence，Vol.32，No.1，p171-177，2009.]。實驗結果表明V.Mahadevan等人的方法較傳統方法有很大的改善。但該方法是基于單模態動態紋理模型的，而在真實場景中，動態背景常常不是單模態的，而是多模態的，單模態動態紋理無法準確描述真實場景。

發明內容

本發明針對上述的現有技術存在的不足，提出一種基于混合動態紋理空時顯著性檢測的運動分割方法，該方法在高動態背景和相機運動的復雜環境之中仍能較準確的分割出運動目標，較傳統方法在復雜場景處理和噪聲抑制方面有很大改善，且具有較強的魯棒性，能適應于各種復雜運動場景。

本發明是通過以下技術方案實現的，它包括三個步驟：

第一步：采用混合動態紋理對背景進行建模；

第二步：利用KL距離定義空時顯著性判別函數并計算顯著性圖；

第三步：對顯著性圖閾值處理得到運動分割結果。

以下對本發明方法各部分進行詳細的說明：

1、采用混合動態紋理對背景進行建模

為了能解決高動態背景和相機運動這兩個難點，本發明采用混合動態紋理模型對背景進行建模。動態紋理是指，視頻序列的各幀在時間和空間上所表現出來的某些穩定屬性。常見的動態紋理場景有：水浪，煙霧，樹枝，沙灘，人群，雨雪等。動態紋理模型能夠實現對這些復雜場景的建模。

給定視頻序列Y，它代表觀察到的序列幀(y₁，…，y_τ)，給定K個動態紋理{Θ₁，…，Θ_K}，生成視頻Y的概率分別為{α₁，…，α_K}，且Y生成過程可以建模為：