專利名稱：一種基于形狀語義的非參數(shù)輪廓跟蹤評價方法
技術(shù)領(lǐng)域：
本發(fā)明涉及本發(fā)明涉及計算機視覺領(lǐng)域，特別涉及一種基于形狀語義的非參數(shù)輪廊足艮蹤(nonparametric contour tracking)的i平價技術(shù)。
背景技術(shù)：
目標跟蹤是計算機視覺領(lǐng)域中非常重要的研究問題，因為它是高層視覺問題如運動分析和行為識別等研究的基礎(chǔ)。從跟蹤結(jié)果表示方式來說，現(xiàn)在跟蹤算法大致可分為兩大類區(qū)域跟蹤和輪廓跟蹤。一般來說，區(qū)域跟蹤算法是采用窗口形式來表示物體。大多情況下，窗口采用矩形或橢圓形，由于矩形或橢圓形可以用一系列參數(shù)來表示，因此，區(qū)域跟蹤結(jié)果的精確度可以通過簡單地計算這些參數(shù)與標準窗口參數(shù)間的距離來獲得，標準窗口參數(shù)為事先標定，從而實現(xiàn)區(qū)域跟蹤結(jié)果的評價。然而，無論采用矩形窗口或橢圓窗口都包含很多背景和噪聲像素，無法對目標物體進行精確的表達和分割，無法適用于目標行為識別和動畫生成等需要精確分割的視覺應(yīng)用領(lǐng)域。輪廓跟蹤算法采用目標物體的輪廓來表示跟蹤結(jié)果，因此該類算法可以為一些高層計算機視覺任務(wù)提供堅實的基礎(chǔ)，比如運動、行為分析和識別等。輪廓跟蹤的主要問題是如何對跟蹤結(jié)果進行有效的評價，特別是基于非參數(shù)輪廓表示的情況下，如水平集表示方法。由于目標的輪廓存在非剛性形變的特點，使得對目標的輪廓跟蹤結(jié)果的評價變得異常困難。目前國內(nèi)外對于輪廓跟蹤結(jié)果的評價研究非常少。對于參數(shù)輪廓跟蹤方法，如基于B 樣條曲線的輪廓跟蹤，Tissainayagam和Suter提出了四種度量距離輪廓距離誤差、中心點誤差、可變形狀參數(shù)誤差以及相對信噪比，這些度量距離在輪廓跟蹤評價中取得了良好的效果。但是該類評價方法只適用于基于B樣條曲線的輪廓跟蹤結(jié)果。在基于B樣條曲線的輪廓跟蹤中，輪廓是通過一系列帶控制點的B樣條曲線來表示的，對于兩個輪廓之間，控制點的對應(yīng)關(guān)系是確定的，所以只需計算對應(yīng)點的距離關(guān)系即可實現(xiàn)對兩個輪廓相似度的評價。然而，對于非參數(shù)的輪廓跟蹤方法，如基于水平集的輪廓跟蹤，其輪廓的長度和形狀都是時刻發(fā)生變化的，并且沒有顯示的表達方式，因此對兩個輪廓之間的相似性進行評價是非常困難的。

發(fā)明內(nèi)容
本發(fā)明的目的在于為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于形狀語義的非參數(shù)輪廓跟蹤評價方法。為了實現(xiàn)上述目的，本發(fā)明采用了以下的技術(shù)方案一種基于形狀語義的非參數(shù)輪廓跟蹤評價方法，包括以下步驟(1)對于當前幀圖像的非參數(shù)輪廓跟蹤結(jié)果和標準輪廓，采用最小空間距離法獲得輪廓跟蹤結(jié)果所獲得的輪廓和標準輪廓之間的像素對應(yīng)關(guān)系；其中，非參數(shù)輪廓跟蹤結(jié)果即采用非參數(shù)方法對輪廓進行表示的輪廓跟蹤結(jié)果；標準輪廓即通過手工標注獲得的標準目標輪廓。
(2)對非參數(shù)輪廓跟蹤結(jié)果與標準輪廓進行二值化處理，提取非參數(shù)輪廓跟蹤結(jié)果所獲得的輪廓上每個像素點的形狀上下文特征；其中，形狀上下文特征是一種表示特定點局部領(lǐng)域內(nèi)形狀分布信息的描述子)(3)采用金字塔匹配核來計算非參數(shù)輪廓跟蹤結(jié)果所獲得的輪廓上每個像素點和標準輪廓像素點的形狀上下文特征的相似度；其中，金字塔匹配核是一種多尺度直方圖匹配的核函數(shù)。(4)根據(jù)步驟(3)計算得到的形狀上下文特征的相似度，在最小空間距離法獲得的像素對應(yīng)關(guān)系的局部區(qū)域中進行搜索，從而獲得基于形狀語義的非參數(shù)輪廓跟蹤結(jié)果所獲得的輪廓的像素點對應(yīng)關(guān)系；(5)融合空間相似度和形狀語義相似度來對兩個輪廓整體相似性進行評價。作為優(yōu)選，所述的步驟(1)具體包括以下子步驟
首先，對于非參數(shù)輪廓跟蹤所獲得輪廓上的任一像素點，采用最小歐氏距離尋找標準輪廓上的對應(yīng)像素點；其次，依次獲得非參數(shù)輪廓跟蹤結(jié)果所獲得輪廓的所有像素點與標準輪廓像素點的對應(yīng)關(guān)系。采用上述優(yōu)選的方案后，基于最小歐氏距離的輪廓點對應(yīng)關(guān)系可以為后續(xù)工作一個較好的初始估計，從而減少語義輪廓匹配的運算復雜度。作為優(yōu)選，所述的步驟(2)具體包括以下子步驟首先，對非參數(shù)輪廓跟蹤結(jié)果與標準輪廓進行二值化處理；其次，對于非參數(shù)輪廓跟蹤結(jié)果所獲得輪廓上的每一個像素點， 提取其在3個尺度下的形狀上下文特征，其中角度固定為12等分，尺度分別為48、96、192 等分。采用上述優(yōu)選方案后，融合多尺度信息可以消除輪廓形狀大小的影響。作為優(yōu)選，所述的步驟(3)具體包括以下子步驟首先，對于非參數(shù)跟蹤結(jié)果所獲得輪廓與標準輪廓上兩點的形狀上下文直方圖特征，采用直方圖的交來獲取不同尺度下匹配點的對數(shù)；其次，根據(jù)像素狀態(tài)的維數(shù)和尺度的大小，確定每層尺度的權(quán)重；最后，將上述兩個結(jié)果作為金字塔匹配核的參數(shù)來計算跟蹤輪廓點和標準輪廓點的形狀上下文特征的相似度。采用上述的優(yōu)選方案后，采用金字塔匹配核的參數(shù)進行計算，金字塔匹配核是一種多尺度直方圖匹配的核函數(shù)，該核函數(shù)獲得非常好的輪廓點對應(yīng)關(guān)系。作為優(yōu)選，所述的步驟(4)具體包括以下子步驟首先，在最小空間距離法獲得的像素對應(yīng)關(guān)系的局部區(qū)域中確定一個鄰域；其次，對于輪廓跟蹤結(jié)果上的任一一點，即輪廓跟蹤結(jié)果所述獲得輪廓上的任一像素點，搜索該領(lǐng)域中最小形狀上下文特征距離的點，從而獲得基于形狀語義的輪廓點對應(yīng)關(guān)系。采用上述的優(yōu)選方案后，在最小空間距離法獲得的像素對應(yīng)關(guān)系的領(lǐng)域中進行搜索，可以大大減少形狀匹配的運算復雜度。作為優(yōu)選，所述的步驟(5)具體包括以下子步驟首先，根據(jù)輪廓點的形狀語義對應(yīng)關(guān)系，計算對應(yīng)輪廓點的空間相似度和形狀語義相似度；
其次，對空間相似度和形狀語義相似度進行歸一化并進行融合，計算所有對應(yīng)點距離的均值來對兩個輪廓整體相似性進行評價。采用上述的優(yōu)選方案后，對空間相似度和形狀語義相似度進行歸一化并進行融合，這兩種特征進行互補，從而獲得更具判別性的結(jié)果。
本發(fā)明的有益效果
(1)本發(fā)明所采用的評價算法是一種通用的方法，對于任意輪廓跟蹤結(jié)果均適用，對于輪廓表示沒有任何限制，無需采用控制點表示輪廓，也無需保證輪廓是閉合的；
(2)本發(fā)明提取輪廓點在不用尺度下的形狀上下文特征，該特征可以有效的表示輪廓點領(lǐng)域內(nèi)的形狀語義信息，從而可以獲得更符合形狀語義和人類視覺的輪廓匹配點；
(3)本發(fā)明金字塔匹配核來搜索基于形狀上下文特征相似度的對應(yīng)輪廓點的關(guān)系，可以有效地提高搜索效率；
(4)本發(fā)明融合了空間距離相似度和形狀語義相似度，大大地提高了非參數(shù)輪廓評價的精確性。下面結(jié)合說明書附圖和具體實施方式
對本發(fā)明做進一步介紹。


圖1為本發(fā)明實施例的系統(tǒng)方框圖2為本發(fā)明實施例非參數(shù)輪廓跟蹤結(jié)果的輪廓圖像； 圖3為本發(fā)明實施例非參數(shù)輪廓跟蹤結(jié)果的輪廓的離散點； 圖4為本發(fā)明實施例形狀上下文特征提取模板的參數(shù)模板； 圖5為本發(fā)明實施例形狀上下文特征直方圖； 圖6為本發(fā)明實施例基于最短距離點的局部搜索示意圖； 圖7為本發(fā)明實施例基于形狀語義對應(yīng)點的示意圖。
具體實施例方式
下面通過實施例對本發(fā)明進行具體的描述，只用于對本發(fā)明進行進一步說明，不能理解為對本發(fā)明保護范圍的限定，該領(lǐng)域的技術(shù)工程師可根據(jù)上述發(fā)明的內(nèi)容對本發(fā)明作出一些非本質(zhì)的改進和調(diào)整。如圖1 圖7所示，圖1為本發(fā)明實施例的算法。本發(fā)明為一種基于形狀語義的非參數(shù)輪廓跟蹤評價方法，本發(fā)明的方法具體運行的硬件和編程語言并不限制，用任何語言編寫都可以完成，為此其他工作模式不再贅述。本發(fā)明的實施例采用一臺具有3.2G赫茲中央處理器和IG字節(jié)內(nèi)存的奔騰4 計算機并用Matlab語言編制了序列粒子群優(yōu)化跟蹤框架的工作程序，實現(xiàn)了本發(fā)明的方法，本發(fā)明的基于形狀語義的非參數(shù)輪廓跟蹤評價方法包括以下步驟計算基于最短距離的對應(yīng)點關(guān)系、提取輪廓各點的形狀上下文特征即shape context、基于金字塔匹配核即pyramid match kernel的形狀搜索、融合空間距離和形狀語義距離的評價準則等模塊，具體步驟如下所述(1)對于當前幀圖像的非參數(shù)輪廓跟蹤結(jié)果和標準輪廓， 采用最小空間距離法獲得輪廓跟蹤結(jié)果和標準輪廓之間的像素對應(yīng)關(guān)系；如圖3所示， 給定t時刻圖像的非參數(shù)輪廓跟蹤結(jié)果和標準輪廓，首先提取獲得輪廓的離散點，其中
P ^lp1,P2,--,ps； , 2=;^, ,--., } , Pi沖ei 2·,
權(quán)利要求
1.一種基于形狀語義的非參數(shù)輪廓跟蹤評價方法，其特征在于包括以下步驟(1)對于當前幀圖像的非參數(shù)輪廓跟蹤結(jié)果和標準輪廓，采用最小空間距離法獲得輪廓跟蹤結(jié)果所獲得的輪廓和標準輪廓之間的像素對應(yīng)關(guān)系；(2)對非參數(shù)輪廓跟蹤結(jié)果與標準輪廓進行二值化處理，提取非參數(shù)輪廓跟蹤結(jié)果所獲得的輪廓上每個像素點的形狀上下文特征；(3)采用金字塔匹配核來計算非參數(shù)輪廓跟蹤結(jié)果所獲得的輪廓上每個像素點和標準輪廓像素點的形狀上下文特征的相似度；(4)根據(jù)步驟(3)計算得到的形狀上下文特征的相似度，在最小空間距離法獲得的像素對應(yīng)關(guān)系的局部區(qū)域中進行搜索，從而獲得基于形狀語義的非參數(shù)輪廓跟蹤結(jié)果所獲得的輪廓的像素點對應(yīng)關(guān)系；(5)融合空間相似度和形狀語義相似度來對兩個輪廓整體相似性進行評價。
2.根據(jù)權(quán)利要求1所述的基于形狀語義的非參數(shù)輪廓跟蹤評價方法，其特征在于所述的步驟(1)具體包括以下子步驟首先，對于非參數(shù)輪廓跟蹤所獲得輪廓上的任一像素點，采用最小歐氏距離尋找標準輪廓上的對應(yīng)像素點；其次，依次獲得非參數(shù)輪廓跟蹤結(jié)果所獲得輪廓的所有像素點與標準輪廓像素點的對應(yīng)關(guān)系。
3.根據(jù)權(quán)利要求1所述的基于形狀語義的非參數(shù)輪廓跟蹤評價方法，其特征在于所述的步驟(2)具體包括以下子步驟首先，對非參數(shù)輪廓跟蹤結(jié)果與標準輪廓進行二值化處理；其次，對于非參數(shù)輪廓跟蹤結(jié)果所獲得輪廓上的每一個像素點，提取其在3個尺度下的形狀上下文特征，其中角度固定為12等分，尺度分別為48、96、192等分。
4.根據(jù)權(quán)利要求1所述的基于形狀語義的非參數(shù)輪廓跟蹤評價方法，其特征在于所述的步驟(3)具體包括以下子步驟首先，對于非參數(shù)跟蹤結(jié)果所獲得輪廓與標準輪廓上兩點的形狀上下文直方圖特征，采用直方圖的交來獲取不同尺度下匹配點的對數(shù)；其次，根據(jù)像素狀態(tài)的維數(shù)和尺度的大小，確定每層尺度的權(quán)重；最后，將上述兩個結(jié)果作為金字塔匹配核的參數(shù)來計算跟蹤輪廓點和標準輪廓點的形狀上下文特征的相似度。
5.根據(jù)權(quán)利要求1所述的基于形狀語義的非參數(shù)輪廓跟蹤評價方法，其特征在于所述的步驟(4)具體包括以下子步驟首先，在最小空間距離法獲得的像素對應(yīng)關(guān)系的局部區(qū)域中確定一個鄰域；其次，對于輪廓跟蹤結(jié)果上的任一一點，搜索該領(lǐng)域中最小形狀上下文特征距離的點，從而獲得基于形狀語義的輪廓點對應(yīng)關(guān)系。
6.根據(jù)權(quán)利要求1所述的基于形狀語義的非參數(shù)輪廓跟蹤評價方法，其特征在于所述的步驟(5)具體包括以下子步驟首先，根據(jù)輪廓點的形狀語義對應(yīng)關(guān)系，計算對應(yīng)輪廓點的空間相似度和形狀語義相似度；其次，對空間相似度和形狀語義相似度進行歸一化并進行融合，計算所有對應(yīng)點距離的均值來對兩個輪廓整體相似性進行評價。
全文摘要
本發(fā)明涉及一種基于形狀語義的非參數(shù)輪廓跟蹤評價方法，主要包含步驟首先采用最小空間距離法獲得當前幀圖像的非參數(shù)輪廓跟蹤結(jié)果與標準輪廓位置間的對應(yīng)關(guān)系；然后對非參數(shù)輪廓跟蹤結(jié)果與標準輪廓進行二值化處理，提取每個輪廓點的形狀上下文特征；最后在最小空間距離法獲得的對象關(guān)系的局部區(qū)域中，采用金字塔匹配核進行搜索，從而獲得基于輪廓語義的匹配關(guān)系和距離度量。本發(fā)明實現(xiàn)了有效的非參數(shù)輪廓跟蹤結(jié)果的評價，是一種通用的方法，對于任意輪廓跟蹤結(jié)果均適用，對于輪廓表示沒有任何限制，無需采用控制點表示輪廓，也無需保證輪廓是閉合的；同時有效提高了搜索效率，提高了非參數(shù)輪廓評價的精確性，具有很好的應(yīng)用前景。
文檔編號G06K9/00GK102201060SQ20111014401
公開日2011年9月28日 申請日期2011年5月31日 優(yōu)先權(quán)日2011年5月31日
發(fā)明者張笑欽, 趙麗, 高利新 申請人:溫州大學