[发明专利]一种前景分割方法及系统

说明书

本发明公开一种前景分割方法及系统。该方法包括：获取待分割的视频场景图像；根据待分割的视频场景图像，采用CPB模型，得到待分割的视频场景图像的所有像素与支持块；每一个像素对应多个支持块；根据待分割的视频场景图像，采用分割器，得到初始前景分割掩模；根据初始前景分割掩模，采用动态选择DS策略对支持块进行筛选，得到筛选后的支持块集合；根据筛选后的支持块集合中每个支持块的相关系数，对支持块进行更新，得到更新后的支持块集合；根据更新后的支持块集合，采用前景匹配方法FMM，得到前景分割结果。本发明可以提高分割结果的准确度。

技术领域

本发明涉及计算机视觉技术领域，特别是涉及一种前景分割方法及系统。

背景技术

对于人类来说，视觉可以说是获取日常生活信息最为重要的方式。而视频中的前景分割作为计算机视觉领域的一个基本课题，是基于视觉的跟踪、行为分析、语义分析和视频浓缩任务的基础，在智能视频监控、基于内容的视频检索、视频三维重建和图像编码中均有广泛的应用。

前景分割最直接的方法就是背景差分法，即构建背景模型，将当前图像与背景模型进行差分以得到前景。而仅仅使用简单差分法进行前景分割时，由于光照等因素导致背景存在动态的变化，导致分割结果可能因为光照等因素的变化而不准确。无论是在户外还是室内，光照变化与背景中的往复运动都是前景检测任务的两大难点。

传统的前景检测方法依赖于于对背景进行统计建模从而使其具有一定的鲁棒性。背景模型的好坏将直接影响前景检测的效果。基于卷积神经网络的深层神经网络模型，利用经过训练的CNN和空间中值滤波器来实现对各种视频场景的前景检测。该方法速度快，但由于基于独立帧检测前景，忽略了相邻帧的时间相关性。基于深度学习的检测方法具有一定的跨场景检测能力，但其分割结果通常是粗糙的。因此，现有的前景检测方式生成的分割结果准确度低。

发明内容

本发明的目的是提供一种前景分割方法及系统，以提高分割结果的准确度。

为实现上述目的，本发明提供了如下方案：

一种前景分割方法，包括：

获取待分割的视频场景图像；

根据所述待分割的视频场景图像，采用CPB模型，得到所述待分割的视频场景图像的所有像素与支持块；每一个所述像素对应多个所述支持块；

根据所述待分割的视频场景图像，采用分割器，得到初始前景分割掩模；

根据所述初始前景分割掩模，采用动态选择DS策略对所述支持块进行筛选，得到筛选后的支持块集合；

根据所述筛选后的支持块集合中每个所述支持块的相关系数，对所述支持块进行更新，得到更新后的支持块集合；

根据所述更新后的支持块集合，采用前景匹配方法FMM，得到前景分割结果。

可选的，所述根据所述待分割的视频场景图像，采用CPB模型，得到所述待分割的视频场景图像的所有像素与支持块，具体包括：

将所述待分割的视频场景图像中前n％帧中的多张图像作为训练数据集，对所述CPB模型进行训练；

采用训练好的所述CPB模型得到所述待分割的视频场景图像的所有像素与支持块。

可选的，所述根据所述初始前景分割掩模，采用动态选择DS策略对所述支持块进行筛选，得到筛选后的支持块集合，具体包括：

根据所述初始前景分割掩模，采用所述动态选择DS策略，将属于前景区域的支持块剔除，得到筛选后的支持块集合。

可选的，所述根据所述筛选后的支持块集合中每个所述支持块的相关系数，对所述支持块进行更新，得到更新后的支持块集合，具体包括：