[发明专利]一种基于区块匹配和增强Onecut的交互式视频分割方法和系统

权利要求书

1.一种视频分割方法，其特征在于，所述方法包括以下步骤：

(1)视频当前帧不是关键帧时，获取上一帧的分割轮廓，初始化局部分类器的位置、大小和混合高斯模型；若上一帧不为关键帧，则通过上一帧的分割轮廓更新全局概率模型；

(2)利用区块匹配跟踪上一帧分割轮廓获得当前帧轮廓，以当前帧轮廓更新局部分类器的位置和混合高斯模型，构建局部分类器；

(3)利用前一帧全局概率模型、当前帧局部分类器模型和相邻帧间的时空连续性新建增强Onecut数据项，构建增强Onecut能量模型；

所述步骤(3)包括以下子步骤：

(31)构建增强Onecut能量模型：

其中，S表示前景像素集合，表示背景像素集合，而θ^s和分别表示前景和背景的直方图统计，为θ^s和之间的L1距离；τ为前景和背景分布差异的权重；γ表示帧间平滑项的权重；η表示帧内平滑项的权重；表示帧内相邻像素的相似度，

其中，s_x和s_y表示相邻像素对x和y的标记，像素为前景取值1，像素为背景取值0；N表示帧内相邻像素对的集合；ω_xy表示像素x和y的相似度，

其中，||x-y||表示像素x和y的欧式距离，ΔI表示像素x和y的颜色距离，σ设置为整个图像的梯度均值；

(32)基于全局概率模型和局部分类器的增强Onecut数据项为像素x属于前景和背景的综合概率D(x)，

其中，α为计算综合前景概率时，全局概率模型所占比例；β为计算综合前景概率时，全局概率模型所占比例；p¹_global(x)和p⁰_global(x)表示像素x属于前景和背景的当前全局概率；p¹_local(x)和p⁰_local(x)表示像素x属于前景和背景的局部概率；

(33)基于帧间平滑项N-links折算的增强Onecut数据项为

其中，表示像素x在第t帧的邻域像素集合；|s_y|表示像素y的标记取值，像素为前景取值1，像素为背景取值0；w_xy表示像素x与上一帧邻域像素y的相似度；

(4)加权结合当前帧局部分类器模型和前一帧全局概率模型求取每个像素属于前景和背景的综合概率，结合综合概率和该像素点到轮廓线的最近距离来选取Onecut能量模型种子点，求解增强Onecut能量模型的最大流，得到当前帧的分割轮廓；若视频分割未结束，则将当前帧转换为上一帧，返回步骤(1)，否则结束。

2.根据权利要求1所述的一种视频分割方法，其特征在于，所述方法还包括步骤(5)：

(5)当前帧是关键帧时，对当前帧进行交互式图像分割，得到分割轮廓，由分割轮廓统计前景点集合和背景点集合，分别对两个集合进行聚类，选用高斯分布进行拟合，初始化得到前景和背景全局混合高斯模型和由此求得像素x属于前景和背景的当前全局概率p¹_global(x)和p⁰_global(x)；若视频分割未结束，则将当前帧转换为上一帧，返回步骤(1)，否则结束。

3.根据权利要求1所述的一种视频分割方法，其特征在于，所述步骤(1)包括以下子步骤：

(11)计算分类器大小，每个局部分类器是边长为r的正方形：

其中，y_min表示整帧图像短边长度；λ表示分割目标物占整帧图像的大小比重；

(12)沿轮廓线均匀取采样点，以采样点为局部分类器的中心，并以分割结果初始化第t帧图像第k个局部分类器的前景和背景局部混合高斯模型和

(13)第t帧不是关键帧时，根据分割轮廓统计前景点集合和背景点集合，分别根据两个集合更新前景和背景全局混合高斯模型和由此求得像素x属于前景和背景的当前全局概率p¹_global(x)和p⁰_global(x)。