专利名称：基于混合动态纹理空时显著性检测的运动分割方法
技术领域：
本发明涉及一种信息处理技术领域的运动目标分割方法，具体是一种基于混合动态纹理(Mixtures of Dynamic Textures, MDT)空时显著性检测的运动分割方法。
背景技术：
运动分割的任务，是从视频序列中尽可能完整地提取出运动目标。该任务有两个难点(1)高动态背景，运动分割经常会碰到背景也运动的情况，比如晃动的树枝，雨雪，行人，水浪等；( 相机运动，在很多实际应用中，相机不是固定的。传统方法通常作如下假设来简化该问题(1)相机是静止不动的；或者( 相机运动参数可以获取或计算得出；或者背景满足给定模型，如混合高斯背景模型。这些假定降低了问题的复杂性，但在实际场景中，这些假定并不一定会被满足。将传统方法应用在动态背景中，分割结果噪声很多，干扰较大。显著性检测为解决这些难题带来新的思路，显著性检测的任务是指出场景中哪些区域更容易成为人类视觉关注的焦点。与运动分割不同，显著性检测并不区分前景和背景， 不给出精确结果，而给出类似灰度图的显著性图。传统显著性检测大致可以分为3类。第一类是最流行的方法，它将显著性问题看作是某种视觉属性特征，该方法的缺点是不能很好的推广，特定的特征检测器在不同场景中效果相差很大。第二类方法是将显著性定义为图像的复杂度。它的一个很大优势就是其灵活性，可以选取任何的底层属性来计算复杂度； 但将显著性定义为图像复杂性并没有得到生物学上的验证，所以在很多场合下检测得到的结果与人为识别的结果存在相当大的差异。最后一类方法是基于生物视觉的模型，这类方法的一个普遍问题是缺少衡量检测结果的准则，这为改进等带来不便。针对传统显著性检测的不足，一些新的方法被提出来了。D. Gao等提出了判别显著性方法，该方法建立一个判别函数，将分类问题引进了视觉显著性领域，使显著性检测在复杂环境下能得到很好的结果，但如何定义一个好的判别函数是该方法的一个难点[D. Gao and N. Vasconcelos. Discriminant saliency for visual recognition from cluttered scenes. In Proc. NIPS, pages 481-488，2004.]。在处理视频序列中，为了利用帧之间的信息，提出了空时显著性检测的方法。V. Mahadevan和Nuno Vasconcelos提出了一种空时显著性检测方法，该方法先用动态纹理对背景进行建模，然后在中心\邻域结构框架下利用空时信息计算显著性[V. Mahadevan and Nuno Vasconcelos. Spatiotemporal Saliency in Dynamic Scenes. IEEE transactions on Pattern Analysis and Machine Intelligence, Vol. 32，No. 1，pl71-177，2009.]。实验结果表明V. Mahadevan等人的方法较传统方法有很大的改善。但该方法是基于单模态动态纹理模型的，而在真实场景中，动态背景常常不是单模态的，而是多模态的，单模态动态纹理无法准确描述真实场景。
发明内容
本发明针对上述的现有技术存在的不足，提出一种基于混合动态纹理空时显著性检测的运动分割方法，该方法在高动态背景和相机运动的复杂环境之中仍能较准确的分割出运动目标，较传统方法在复杂场景处理和噪声抑制方面有很大改善，且具有较强的鲁棒性，能适应于各种复杂运动场景。本发明是通过以下技术方案实现的，它包括三个步骤第一步采用混合动态纹理对背景进行建模；第二步利用KL距离定义空时显著性判别函数并计算显著性图；第三步对显著性图阈值处理得到运动分割结果。以下对本发明方法各部分进行详细的说明1、采用混合动态纹理对背景进行建模为了能解决高动态背景和相机运动这两个难点，本发明采用混合动态纹理模型对背景进行建模。动态纹理是指，视频序列的各帧在时间和空间上所表现出来的某些稳定属性。常见的动态纹理场景有水浪，烟雾，树枝，沙滩，人群，雨雪等。动态纹理模型能够实现对这些复杂场景的建模。给定视频序列Y，它代表观察到的序列帧(yi，…，yT)，给定K个动态纹理{ i，…， θκ}，生成视频Y的概率分别为{αρ…，ακ}，且 >,=1。Υ生成过程可以建模为
权利要求
1.一种基于混合动态纹理空时显著性检测的运动分割方法，其特征在于包括三个步骤第一步采用混合动态纹理对背景进行建模；第二步利用KL距离定义空时显著性判别函数并计算显著性图；第三步对显著性图阈值处理得到运动分割结果；所述采用混合动态纹理对背景进行建模，具体为给定视频序列Y，它代表观察到的序列帧(y1;…，yT)，给定K个动态纹理{θρ…， θκ}，生成视频Y的概率分别为I^1,…，α κ}，且 A=LY生成过程建模为7=11)首先从概率分布{αρ…，Qj中抽样动态纹理分量θρ其概率为aj;2)在动态纹理分量 」上抽样生成视频序列Y，其概率表示为条件概率P(Y I j)；由全概率公式计算得
2.根据权利要求1所述的基于混合动态纹理空时显著性检测的运动分割方法，其特征在于所述混合动态纹理参数Θ，采用最大似然参数估计方法，利用视频序列Y对参数进行学习，具体实施时选取最大化期望算法，它以迭代的方式逐步得到参数的最优解。
3.根据权利要求1所述的基于混合动态纹理空时显著性检测的运动分割方法，其特征在于所述动态纹理是指，视频序列的各帧在时间和空间上所表现出来的某些稳定属性，动态纹理场景包含水浪，烟雾，树枝，沙滩，人群以及雨雪，动态纹理模型能够实现对这些复杂场景的建模。
4.根据权利要求1所述的基于混合动态纹理空时显著性检测的运动分割方法，其特征在于所述利用KL距离定义空时显著性判别函数并计算显著性图，具体为为了利用时间信息，将视频序列V设为三维矩阵，每个元素表示为1 (m，n，t) e L = R3, 其中(m，η)为视频帧中的坐标位置，t为时间坐标，以帧为单位；设χ为对每个1 e L提取的特征向量，1处的类别信息为C(I) e {0，1}，其中1表示该处为运动目标，0表示属于背景；采用中心-邻域框架，设定元素的两个窗口来分别表示中心和邻域，用W表示中心区域的窗口，<表示邻域区域的窗口，总窗口定义为冲心区域的特征W佣条件概率PY|。a)(yU)表示，邻域的特征佣条件概率Ργ|。ω (y|0)表示；定义显著性 S(I)如下
5.根据权利要求1所述的基于混合动态纹理空时显著性检测的运动分割方法，其特征在于所述对显著性图阈值处理得到运动分割结果，具体为显著性图S是灰度信息的图像， 为了得到运动分割的结果，对其作阈值处理，即低于阈值的像素点作为背景；而高于阈值的保留其值，值的大小反映其属于运动目标概率的大小。
6.根据权利要求1或5所述的基于混合动态纹理空时显著性检测的运动分割方法，其特征在于所述阈值选取在30 60之间。
全文摘要
本发明公开一种基于混合动态纹理空时显著性检测的运动分割方法，包括三个步骤第一步采用混合动态纹理对背景进行建模；第二步利用KL距离定义空时显著性判别函数并计算显著性图；第三步对显著性图阈值处理得到运动分割结果。该方法在高动态背景和相机运动的复杂环境之中仍能较准确的分割出运动目标，较传统方法在复杂场景处理和噪声抑制方面有很大改善，且具有较强的鲁棒性，能适应于各种复杂运动场景。
文档编号G06T7/20GK102509308SQ20111034480
公开日2012年6月20日 申请日期2011年11月4日 优先权日2011年8月18日
发明者周文明, 姚莉秀, 杨杰 申请人:上海交通大学