[發(fā)明專利]基于增量式高次布爾能量最小化的視頻前后景分割方法

有效

• 申請?zhí)枺?/td>: 201310433206.9
• 申請日: 2013-09-18
• 公開（公告）號: CN103500447A
• 公開（公告）日: 2014-01-08
• 發(fā)明（設(shè)計）人: 任鵬;邸萌萌;宋華軍
• 申請（專利權(quán)）人: 中國石油大學（華東）
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 哈爾濱市偉晨專利代理事務(wù)所(普通合伙) 23209
• 代理人: 張偉

技術(shù)領(lǐng)域

基于增量式高次布爾能量最小化的視頻前后景分割方法屬于視頻處理領(lǐng)域，具體涉及一種視頻前后景的分割方法。

背景技術(shù)

視頻前后景分割一直是機器視覺領(lǐng)域的研究熱點，是進一步進行目標識別和目標跟蹤的必要步驟。近年來，此方面的研究成果不斷豐富，涌現(xiàn)出了各式各樣的前后景分割方法，基于布爾能量最小化的前后景分割是其中的一種有效方法。

Y.Boykov等人（IEEE?Transactions?on?Pattern?Analysis?and?Machine?Intelligence,23(11):1222-1239,2001）和C.Couprie等人（IEEE?Transactions?on?Pattern?Analysis?and?Machine?Intelligence,33(7):1384-1399,2011）的研究成果表明，基于二次布爾能量（即交叉項最高次為二次的多元0-1多項式）最小化的前后景分割方法一般應(yīng)用于單幅或少量圖像處理的任務(wù)中。實驗證明，圖割算法是求解二次布爾能量最小化的最有效的方法之一。圖割算法通常將圖像中的每個像素看作一個布爾變量，按照一定的規(guī)則構(gòu)建二次布爾能量函數(shù)，然后根據(jù)能量函數(shù)構(gòu)建相應(yīng)的s/t圖，二次布爾能量函數(shù)中每一布爾變量對應(yīng)s/t圖的一個節(jié)點，再利用最小割/最大流算法（IEEE?Transactions?on?Pattern?Analysis?and?Machine?Intelligence,26(9):1124-1137,2004）切割s/t圖得到s/t圖的最小割。V.Kolmogorov等人（IEEE?Transactions?on?Pattern?Analysis?and?Machine?Intelligence,26(2):147-159,2004）的研究成果表明s/t圖最小割時s/t圖各節(jié)點對應(yīng)變量的取值使得二次布爾能量最小化。在單幅圖像的前后景分割任務(wù)（International?Journal?of?Computer?Vision,70(2):109-131,2006）中，將二次布爾能量最小化時取值為1的布爾變量相對應(yīng)的像素標為前景，取值為0的布爾能量對應(yīng)的像素標為背景，便得到了最優(yōu)的前后景分割方式。視頻是圖像的有序序列，將以上方法直接應(yīng)用在視頻的前后景分割中時面臨以下問題：(1)需每一幀都獨立的求解布爾能量最小化，時間復(fù)雜度太高；(2)傳統(tǒng)的二次布爾能量函數(shù)最多只能描述二維關(guān)系，即兩個變量之間的差異，能量函數(shù)包含的信息不夠豐富，對于更為復(fù)雜的視覺信息無法描述。

為解決連續(xù)幀獨立求解最小二次布爾能量時復(fù)雜度高的問題，Kohli考慮了視頻幀序列中前后兩幀之間的關(guān)聯(lián)性，利用前一幀的二次布爾能量最小化結(jié)果構(gòu)建當前幀的s/t圖，避免了每一幀都獨立求解二次布爾能量最小化中的重復(fù)運算（IEEE?Transactions?on?Pattern?Analysis?and?Machine?Intelligence,29(12):2079-2088,2007）。但是這種方法中的二次布爾能量無法刻畫復(fù)雜的視覺信息。

近年來，布爾能量的廣義模型——高次布爾能量（即交叉項最高次大于二次的多元0-1多項式）越來越多的應(yīng)用于復(fù)雜視覺信息的建模。Kohli等人提出了基于Potts模型的高次能量最小化方法（IEEE?Transactions?on?Pattern?Analysis?and?Machine?Intelligence,31(9):1645-1656,2009）。Ishikawa提出了一種將高次項變換為二次項的方法（IEEE?Transactions?on?Pattern?Analysis?and?Machine?Intelligence,33(6):1234-1249,2011），從而使得高次能量最小化問題可以轉(zhuǎn)化為二次能量最小化問題。研究資料表明，目前的高次布爾能量主要應(yīng)用于單幅或少量圖像中的復(fù)雜視覺信息刻畫，若將其應(yīng)用于視頻幀序列的前后景分割中，則仍需每一幀都獨立的求解高次布爾能量最小化。這種獨立幀處理方式?jīng)]有考慮視頻前后幀之間的關(guān)聯(lián)信息，重復(fù)運算量大，處理效率低。

發(fā)明內(nèi)容

為了解決上述問題，本發(fā)明公開了一種基于增量式高次布爾能量最小化的視頻前后景分割方法，該方法既能利用高次布爾能量函數(shù)表示復(fù)雜的視覺信息，又能減少高次布爾能量最小化過程中的重復(fù)運算，從而達到比二次布爾能量函數(shù)更精確和比獨立幀高次布爾能量最小化更高效的效果。

本發(fā)明的目的是這樣實現(xiàn)的：

基于增量式高次布爾能量最小化的視頻前后景分割方法，其特征在于包括以下步驟：

步驟a、輸入視頻；