[发明专利]一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法

摘要

本发明涉及一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法，属于图像处理和计算机视觉技术领域。本发明首先提取小波域高尺度目标特征，并计算运动和空域边缘响应，将小波域、空域和时域边缘特征融合得到多尺度组合概率边缘响应，然后建立组合边缘内部映射权重总变分能量泛函模型，利用交替方向计算权重总变分泛函模型凸优化，并据此定义超像素尺度空时马尔科夫随机场的一元能量函数项和二元空域能量函数，最后通过图切分一步迭代推理得到图像序列的后验概率分割结果。本发明能够有效的将外观颜色不一致且形状随时间发生变化的复杂目标从动态场景中分割出来。

主权项

1.一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法，其特征在于：首先提取小波域高尺度目标特征，并计算运动和空域边缘响应，将小波域、空域和时域边缘特征融合得到多尺度组合概率边缘响应，然后建立组合边缘内部映射权重总变分能量泛函模型，利用交替方向计算权重总变分能量泛函模型凸优化，并定义超像素尺度空时马尔科夫随机场的一元能量函数项和二元空域能量函数，最后通过图切分一步迭代推理得到图像序列的后验概率分割结果；所述基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法的具体步骤如下：Step1、小波域高尺度目标轮廓特征提取；在图像序列每个时刻t的图像I^t中，首先探明前景小波域高尺度目标轮廓在各个像素位置(a,b)处的最大边缘响应，T为视频的总帧数；Step2、计算相邻时刻的两幅图像I^t和I^t+1的变分光流矢量场通过梯度算子计算变分光流矢量场幅值的梯度对光流梯度进行线性归一化处理得到运动边缘Step3、建立由N个树tree构成的结构化随机森林F，通过标准的信息增益最大化计算每个树上的分叉函数，N为随机森林中树的数目；将图像I^t输入结构化随机森林F进行非线性类别预测F(I^t)，根据每个树tree的预测情况p(I^t|tree)，统计结构化随机森林的非线性预测结果进行归一化处理得到图像各个像素的空域边缘响应F^t(a,b)；Step4、将高尺度小波系数最大边缘响应投影到像素尺度，并线性组合精细尺度的运动与空域边缘特征，融合得到多尺度组合概率边缘响应：其中为小波域高尺度目标轮廓各个像素处的最大边缘响应；Step5、将图像序列过分割构成超像素集合G，连接空间邻域(a,b)∈ε_s和时间邻域(a,b,t)∈ε_t,t+1，从而构建空时马尔科夫随机场；其中ε_s为空间域所有相邻像素之间连线的集合，ε_t,t+1为时间域t时刻和t+1时刻连续两帧图像所有相邻像素之间连线的集合；Step6、根据组合边缘内部映射的凸优化结果确定马尔科夫随机场的一元能量函数项Ut，由所有图像帧的外观模型来判断一个超像素i∈G的类标签li是前景或是背景的可能性；Step7、确定马尔科夫随机场二元空域能量函数V和二元时域能量函数W，分别计算在空间邻域(a,b)∈εs和时间邻域(a,b,t)∈εt,t+1连线上两端的两个超像素分别取类标签li∈L和lj∈L的可能性，L为所有类标签的集合；Step8、定义超像素马尔科夫随机场能量函数E(L)来求解前景‑背景类标签最优化分类结果L；Step9、由式L*＝argminLE(L)一步迭代推理所述能量函数E(L)的后验概率分类似然，输出L*得到最终的动态场景图像序列分割结果。