[發明專利]一種基于低秩稀疏表達的視頻多目標分割方法

在審

• 申請號: 201710188168.3
• 申請日: 2017-03-27
• 公開（公告）號: CN106952287A
• 公開（公告）日: 2017-07-14
• 發明（設計）人: 顧菘;何先定;葛劍;王磊
• 申請（專利權）人: 成都航空職業技術學院
• 主分類號: G06T7/215
• 分類號: G06T7/215;G06T7/11;G06T7/194
• 代理公司: 成都正華專利代理事務所(普通合伙)51229
• 代理人: 李蕊

1.一種基于低秩稀疏表達的視頻多目標分割方法，其特征在于，包括以下步驟：

(1)使用SLIC算法將視頻中第一幀圖像分割成N個超級像素s；

(2)提取每個超級像素s的L2ECM特征，并建立圖像特征矩陣X；

(3)在已知第一幀圖像中目標輪廓的情況下，將第一幀圖像中所有超級像素s的L2ECM特征進行重新排列，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個目標特征，D^b表示背景特征；

(4)從視頻中第t幀圖像開始，根據特征矩陣X求解第t幀圖像通過模板D的低秩稀疏表達系數矩陣Z,其中，t＝2,3，…；

(5)根據前一幀圖像的目標信息，分別計算當前幀圖像中每個目標的高級語義特征；

(6)結合高級語義特征和低秩稀疏表達系數矩陣Z，計算每個目標的顯著性概率分布f_s(I_i)；

(7)根據前一幀分割的結果，在YUV空間中分別建立目標與背景的顏色直方圖，得到第j個目標的表觀特征概率分布函數f_c(u_i)；求解視頻中當前圖像的各像素之間的相關性ψ(u_i，u_j，I_i，I_j)：

(8)根據目標的顯著性概率分布f_s(I_i)、表觀特征概率分布函數f_c(u_i)和像素之間的相關性ψ(u_i，u_j，I_i，I_j)構造能量函數模型E(u)，利用能量最小化方程分別對每個目標進行分割，得到目標區域和背景區域的最優分割結果；

(9)利用得到的目標區域和背景區域來更新模板D，并更新t＝t+1，返回步驟(4)，處理視頻中下一幀圖像，直到視頻結束。

2.根據權利要求1所述的基于低秩稀疏表達的視頻多目標分割方法，其特征在于，所述步驟(2)中提取每個超級像素s的L2ECM特征過程為：

根據每個超級像素s，建立原始特征R^d為d維的實數空間，表示為：

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

其中，|·|為絕對值運算符，I(x)表示圖像中任意一點x＝(x，y)的像素值，I_x(x)和I_y(x)分別表示對x和y方向的一階偏導數，I_xx(x)和I_yy(x)分別表示對x和y方向的二階偏導數；

對于一個超級像素s，定義為此超級像素的原始特征，

其中，N_s為超級像素s所包含的像素個數，計算G_s的協方差矩陣∑_s，則∑_s是一個d×d的矩陣；將log(∑_s)的上三角矩陣進行向量化，得到超級像素s的L2ECM特征，其特征長度為d為原始特征的維度。

3.根據權利要求2所述的基于低秩稀疏表達的視頻多目標分割方法，其特征在于，所述步驟(4)中根據特征矩陣求解第t幀圖像通過模板的低秩稀疏表達系數矩陣Z的具體公式為:

argmin_Z，E(||Z||_*+β||Z||₁+α||E||₁)

s.t.X＝DZ+E

其中，X為h×N的矩陣，h為每個超級像素s的特征維度；argmin_Z，E表示取使目標函數最小時Z與E，s.t.表示約束條件，||·||_*表示核范數，||·||₁表示l₁范數，E表示噪聲，α和β為權重因子，

矩陣Z的任意一列表示矩陣X中第i個超級像素s與模板D中每個目標的相似性，中的數值越大表示此超級像素與模板中的某個元素越相似。