本发明涉及一种精确鲁棒的目标提取方法，特别涉及在摄像机固定的场景下进行外部目标的检测和提取的方法，属于视频分析领域。
背景技术：
目标提取是在视频相关应用常常需要使用的手段，其目的是在视频帧中自动提取感兴趣的目标，目标提取常被用于视频监控、视频压缩以及目标识别等视频应用中。在这些应用中，摄像机固定不可移动或转动，背景几乎是静止不变的，当有外部物体进入视场将被当作“前景目标”被检测并提取出来。所谓背景“几乎静止不变”是基于如下考虑：1)视频中的背景静态不变的，不存在任何像素的移动；2)场景中可能存在一些相对规则的物体运动，比如背景中的树叶由于风吹而发生晃动，摄像机架由于风吹或其他震动导致的晃动等等；3)在室外场景下太阳光线迁移而产生的缓慢的场景亮度变化，等等。
一种常用的目标提取方法是基于混合高斯模型的背景减法，这种方法适用于环境变化比较慢的场景。背景减法的基本思想是：如果某个像素相对背景偏离较大则此像素被认为是前景。背景减法的缺点在于：1)被提取的前景物体非常粗糙，某些时候只能检测和提取出目标的一部分；2)当像素量级很大是算法效率非常低；3)对背景噪声非常敏感，即容易被背景噪声干扰。
技术实现要素：
本发明所要解决的技术问题是提供一种精确鲁棒的目标提取方法，此方法的基本思想是：首先，把每个视频帧表示成稀疏形式，即把每个帧转换为一个超像素图；2)使用背景减法把每个像素归结到前景类或背景类中；3)使用图割法对检测出的前景目标进行细化。
本发明为解决上述技术问题采用以下技术方案：
本发明提供一种精确鲁棒的目标提取方法，包括以下具体步骤：
步骤1，输入视频流，生成每个视频帧对应的超像素图；
步骤2，基于超像素对前景目标进行检测；
步骤3，对步骤2检测出的前景目标进行细化。
作为本发明的进一步技术方案，步骤1中利用聚类的方法将视频帧的像素聚类成超像素，从而把视频帧转换为超像素图的表示形式，具体为：
1)初始化：对于视频帧t，随机选择N个点作为种子，表示为k＝0,1,…,N-1；
2)聚类：用作为种子，把视频帧t的像素聚类为N个超像素；
3)种子生成：计算第k个超像素kt的几何中心，并把它作为新的种子
作为本发明的进一步技术方案，步骤2中采用混合高斯模型表示超像素，并利用背景减法对前景目标进行检测，具体为：
1)初始化：如果视频帧t不是初始帧，跳转至步骤2)；否则，对于第k个超像素kt，建立混合高斯模型其中，L是高斯函数的个数，x是第i个高斯函数的权重系数，gi(x；μi,σi)是第i个方差μi和均方差σi的高斯函数；
2)分类：对于第k个超像素kt，计算每个gi(x；μi,σi)的马氏距离，如果从kt至gi(x；μi,σi)的距离则kt属于前景，跳转至步骤4)；否则属于背景，跳转至步骤3)；
3)更新：用移动平均值更新混合高斯模型；
4)后处理：执行前景目标细化操作。
作为本发明的进一步技术方案，步骤3包括两步：1)前景目标恢复；2)边界细化。
作为本发明的进一步技术方案，前景目标恢复采用图割法，即：把超像素分割为前景和背景两类，具体为：
1)生成基于当前超像素图检测结果的包围盒；
2)为包围盒中的所有超像素构建图使得：每个超像素为一个节点，任何两个在空间相邻的两个节点之间用一条边相连；
3)在图上使用标准的图割法得到改善的分割结果。
作为本发明的进一步技术方案，边界细化的步骤如下：
1)对于每个在超像素图中被恢复的前景目标，沿着其边界画一条窄带；
2)在原视频帧上使用图割法提取像素级精细的边界；
3)输出边界。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明是一种在视频帧内提取前景目标的方法，实现在静态或接近静态的背景中外部目标提取。本发明的优势在于：能精确提取目标并识别边界，效率高鲁棒性好。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明提出了一种基于超像素和图割的方法，此方法的基本思想是：首先，把每个视频帧表示成稀疏形式，即把每个帧转换为一个超像素图；2)使用背景减法把每个像素归结到前景类或背景类中；3)使用图割法对检测出的前景目标进行细化。
本发明的技术方案如图1所示：
一种在摄像机固定场景下检测外部目标的方法，该方法适于在计算设备中执行，包括以下步骤：
步骤1，把视频帧转换为超像素图的表示形式。
在步骤1中，视频帧的像素基于某个尺度的相似度在空间上被聚类成许多群，这些群即所谓的“超像素”。把大量的像素聚类成超像素，量级大幅减小，因此针对超像素的处理远比针对像素的处理效率要高很多。此外，超像素相比像素有更强的图像描述能力。为此，我们可采用高效的超像素聚类算法，比如均值漂移(mean shift)法、分水岭(water shed)法等。
生成超像素图的算法如下：
1)初始化：对于视频帧t，随机选择N个点作为种子，表示为k＝0,1,…,N-1；
2)聚类：用作为种子，把视频帧t的像素聚类为N个超像素；
3)种子生成：计算第k个超像素kt的几何中心，并把它作为新的种子
对于视频帧t中的第k个超像素kt在视频帧t+1中存在对应的超像素k't+1。为了找到对应于kt的超像素k't+1，我们仅需要在视频帧t+1中跟踪由种子生成的超像素，并用此结果更新前景检测中的模型。
步骤2，基于超像素图对前景目标进行检测。
基于超像素的前景目标检测中，我们可以使用现有的基于像素的背景减方法，在此我们采用混合高斯模型表示超像素，其中，混合高斯模型是把几个高斯函数以某个权重比例加起来形成的模型。
在视频帧t背景中的第k个超像素kt用混合高斯模型(GMM)表示为基于混合高斯模型下，在视频帧t+1中对应于超像素kt的超像素k't+1，如果k't+1到的任何组件的距离大于某个阈值(如2倍于此组件的方差)，则k't+1可归为前景，否则归为背景并用于更新
步骤2描述如下：
1)初始化：如果视频帧t不是初始帧，跳转至步骤2)；否则，对于第k个超像素kt，建立混合高斯模型其中，L是高斯函数的个数，x是第i个高斯函数的权重系数，gi(x；μi,σi)是第i个方差μi和均方差σi的高斯函数。
2)分类：对于第k个超像素kt，计算每个gi(x；μi,σi)的马氏(Mahalanobis)距离，从kt至gi(x；μi,σi)的距离用表示。如果则kt属于前景，跳转至步骤4)；否则属于背景，跳转至步骤3)。
3)更新：用移动平均值更新混合高斯模型
4)后处理：执行前景目标细化操作。
步骤3，对检测出的前景目标进行细化。
相较于传统的基于像素的目标检测，基于超像素的方法在效率和鲁棒性方面有明显优势，然而它有两个缺点：1)检测出的目标边界不是很精确，而且往往是目标的一部分；2)检测出的目标边界非常粗糙。因此必须对边界进行细化处理以便得到更精确和精细的边界。
边界细化和处理包括两步：1)前景目标恢复；2)边界细化。前景目标恢复的目的是把某些误检测为背景的前景进行恢复，边界细化的目的是得到达到像素级精细的目标边界。
前景目标恢复采用图割法，即：把超像素分割为前景和背景两类。在步骤2中每个超像素都是用混合高斯模型表示，而在此处所有的前景超像素用一个混合高斯模型表示，同样第所有背景超像素用另一个混合高斯模型表示。这种表示法能很好地描述视频帧，从而把误归为背景中的超像素恢复到前景中。
前景目标恢复具体步骤如下所示：
1)生成基于当前超像素图检测结果的包围盒；
2)为包围盒中的所有超像素构建图使得：每个超像素为一个节点，任何两个在空间相邻的两个节点之间用一条边相连；
3)在图上使用标准的图割法得到改善的分割结果。
前景恢复的结果也同样是得到一个超像素图，其中前景超像素被标记为前景。前景恢复通常能恢复得到几乎整个前景目标，但由于超像素的原因，得到的边界不是非常精细，为此必须继续进行边界细化。边界细化的步骤如下：
1)对于每个在超像素图中被恢复的前景目标，沿着其边界画一条窄带；
2)在原视频帧上使用图割法提取像素级精细的边界；
3)输出边界。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。