本發(fā)明專利涉及一種基于相位信息的運(yùn)動(dòng)目標(biāo)分割方法。在國(guó)防和民用領(lǐng)域都具有重要的應(yīng)用價(jià)值。

背景技術(shù)：

圖像分割是圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，自20世紀(jì)70年代起一直受到人們的高度重視，至今已提出上千種分割算法，但因尚無通用的分割理論，現(xiàn)提出的分割算法大都是針對(duì)具體問題的，并沒有一種適合所有圖像的通用分割算法。另外，還沒有制定出選擇適用分割算法的標(biāo)準(zhǔn)，這給圖像分割技術(shù)的應(yīng)用帶來許多實(shí)際問題。最近幾年又出現(xiàn)了許多新思路、新方法或改進(jìn)算法，對(duì)一些經(jīng)典方法和新出現(xiàn)的方法作了概述。并將圖像分割方法分為閾值分割方法、邊緣檢測(cè)方法、區(qū)域提取方法和結(jié)合特定理論工具的分割方法。早期的圖像研究中，圖像的分割方法主要可以分為兩大類。一類是邊界方法，這種方法的假設(shè)是圖像分割結(jié)果的某個(gè)子區(qū)域在原來的圖像中一定會(huì)有邊緣存在；一類是區(qū)域方法，這種方法的假設(shè)是圖像分割結(jié)果的子區(qū)域一定會(huì)有相同的性質(zhì)，而不同區(qū)域的像素沒有共同的性質(zhì)。這兩種方法都有缺點(diǎn)和優(yōu)點(diǎn)，有的學(xué)者也試圖把兩者結(jié)合起來進(jìn)行圖像分割，隨著計(jì)算機(jī)處理能力的提高，很多方法不斷涌現(xiàn)，如基于彩色分量分割、紋理圖像分割。所使用的教學(xué)工具和實(shí)驗(yàn)手段也是不斷的擴(kuò)展，從時(shí)域信號(hào)到頻域信號(hào)處理，近來小波變換也應(yīng)用在圖像分割當(dāng)中。

運(yùn)動(dòng)目標(biāo)分割技術(shù)是在圖像分割的基礎(chǔ)上發(fā)展起來的，它基于靜態(tài)圖像分割技術(shù)，結(jié)合視頻的特點(diǎn)，對(duì)視頻中的運(yùn)動(dòng)目標(biāo)進(jìn)行分割。運(yùn)動(dòng)目標(biāo)分割算法的研究一直是圖像界研究的熱點(diǎn)，同時(shí)它也是實(shí)際視頻處理系統(tǒng)中的重要任務(wù)，是可靠完成目標(biāo)跟蹤和識(shí)別的關(guān)鍵前提，它影響了包括計(jì)算機(jī)視覺圖像處理等領(lǐng)域任務(wù)的完成。運(yùn)動(dòng)目標(biāo)分割算法促進(jìn)了圖像處理、模式識(shí)別、人工智能、計(jì)算機(jī)視覺等領(lǐng)域的相關(guān)應(yīng)用的發(fā)展,在視頻監(jiān)控、視頻壓縮、機(jī)器人視 覺、軍事制導(dǎo)、醫(yī)療診斷等領(lǐng)域有廣泛重要的應(yīng)用。

目標(biāo)分割技術(shù)是許多其他視頻圖像處理技術(shù)的基礎(chǔ)。在傳統(tǒng)分割算法中，通常利用物體的空間一致性和時(shí)間一致性來分割出目標(biāo)，這些算法假設(shè)物體有空間一致性和時(shí)間一致性。然而在自然界中，許多物體是由不同的顏色和紋理組成的，而且運(yùn)動(dòng)物體在相鄰幀之間會(huì)出現(xiàn)運(yùn)動(dòng)的不一致，所以很難用傳統(tǒng)的方法準(zhǔn)確的將運(yùn)動(dòng)物體從視頻中分離出來。主動(dòng)輪廓模型被廣泛的應(yīng)用在計(jì)算機(jī)視頻和圖像處理中，但是它的最大的一個(gè)問題是它的初始輪廓的設(shè)定問題，這限制了它的應(yīng)用。雖然通過一些改進(jìn)算法能解決這個(gè)問題，但是會(huì)導(dǎo)致計(jì)算量的加大。

本專利引入一種基于相位信息的方法來檢測(cè)包含運(yùn)動(dòng)邊界的區(qū)域，然后利用這個(gè)近似的邊界區(qū)域找到主動(dòng)輪廓模型的初始輪廓，再進(jìn)行輪廓曲線的迭代和收斂。目前有一些基于相位信息的目標(biāo)分割算法，如；基于相位一致性檢測(cè)的目標(biāo)分割和跟蹤方法，《紅外與激光工程》，2007年第36卷第6期984-987頁；基于相位信息的目標(biāo)分割算法，《電光與控制》，2014年第21卷第3期15-17頁；架構(gòu)于雙樹輪廓波方向及相位特征的紋理圖像分割，《光子學(xué)報(bào)》，2010年第39卷第8期1400-1404頁)，這些方法提到的相位信息與本專利提到的相位信息有差別，且這些方法都只能用于靜態(tài)圖像目標(biāo)的分割。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明專利的目的是提供一種基于相位信息的運(yùn)動(dòng)目標(biāo)分割方法，包括如下步驟：

步驟1，將運(yùn)動(dòng)目標(biāo)圖像幀分成大小為8×8的圖像塊；

步驟2，利用相位信息的方法對(duì)每一所述圖像塊進(jìn)行檢測(cè)，用以檢測(cè)出所述圖像塊內(nèi)是否包含運(yùn)動(dòng)邊界，找出所有包含運(yùn)動(dòng)邊界的圖像塊；

步驟3，將包含運(yùn)動(dòng)邊界的所述圖像塊中心連接起來，作為主動(dòng)輪廓模型的初始輪廓曲線；

步驟4，利用所述初始輪廓曲線，通過對(duì)所述初始輪廓曲線進(jìn)行迭代和收斂，找到所述運(yùn)動(dòng)目標(biāo)圖像的精確邊界。

上述的一種基于相位信息的運(yùn)動(dòng)目標(biāo)分割方法，步驟2還包括將所述圖像塊包含運(yùn)動(dòng)物體邊界的圖像塊與遵從平移運(yùn)動(dòng)的圖像塊中辨別和區(qū)分出來。

上述的一種基于相位信息的運(yùn)動(dòng)目標(biāo)分割方法，步驟2中所述利用相位信息的檢測(cè)方法是通過在頻域中改變運(yùn)動(dòng)目標(biāo)圖像的相位而對(duì)圖像進(jìn)行匹配。

上述的一種基于相位信息的運(yùn)動(dòng)目標(biāo)分割方法，還包括如下步驟：

步驟21，計(jì)算匹配后的當(dāng)前幀中的圖像塊和參考幀中的圖像塊之間的相位匹配差；

步驟22，利用相位匹配差的大小，識(shí)別圖像塊中是否包含運(yùn)動(dòng)對(duì)象，進(jìn)而區(qū)分單一運(yùn)動(dòng)圖像塊和包含運(yùn)動(dòng)物體邊界的圖像塊。

上述的一種基于相位信息的運(yùn)動(dòng)目標(biāo)分割方法，所述相位匹配差的實(shí)現(xiàn)步驟，還包括：

步驟211，創(chuàng)建一個(gè)中間圖像塊；

步驟212，計(jì)算所述中間圖像塊的相位，進(jìn)而求得當(dāng)前幀中的圖像塊的相位與所述中間圖像塊的相位匹配差。

上述的一種基于相位信息的運(yùn)動(dòng)目標(biāo)分割方法，所述步驟22，還包括：

步驟221，利用所述相位匹配差，計(jì)算所述相位匹配差的能量分布，計(jì)算相位匹配差中低頻部分占整個(gè)相位匹配差能量的多少。

上述的一種基于相位信息的運(yùn)動(dòng)目標(biāo)分割方法，所述中間圖像塊的滿足的條件是相位與當(dāng)前幀的相應(yīng)圖像塊相同、幅度和參考幀的相應(yīng)圖像塊相同。

上述的一種基于相位信息的運(yùn)動(dòng)目標(biāo)分割方法，所述相位匹配差E_pm表示為：

E_pm＝i_k-i_kX

其中，i_k為當(dāng)前圖像塊，i_kX為中間圖像塊。

上述的一種基于相位信息的運(yùn)動(dòng)目標(biāo)分割方法，所述相位匹配差中低頻部分占整個(gè)相位匹配差能量的多少表示為R_L(E_pm)，其公式表示：

其中，是相位匹配差經(jīng)低通處理后的部分，相位匹配差是一個(gè)N×N的矩陣，上式的分母可以按下式計(jì)算：

對(duì)于分子，可以通過離散余弦變換DCT。用C_pm表示相位匹配差經(jīng)DCT變換后的矩陣：

其中(u,v)是圖像進(jìn)DCT后的系數(shù)，小的系數(shù)的部分對(duì)應(yīng)低頻能量的部分，所以：

其中N₀≤N用來決定哪些系數(shù)被作為低頻能量的系數(shù)；

當(dāng)取N₀＝3N/4時(shí)，包含運(yùn)動(dòng)邊界圖像塊的R_L(E_pm)和遵從單一運(yùn)動(dòng)區(qū)域的R_L(E_pm)之間的差別最大。

本發(fā)明相對(duì)現(xiàn)有技術(shù)具有以下優(yōu)勢(shì)：

本發(fā)明專利提出了一種運(yùn)動(dòng)目標(biāo)分割方法，該方法引入一種基于相位信息的方法來檢測(cè)包含運(yùn)動(dòng)邊界的區(qū)域，然后利用這個(gè)近似的邊界區(qū)域找到主動(dòng)輪廓模型的初始輪廓，再進(jìn)行輪廓曲線的迭代和收斂。

附圖說明

圖1基于相位信息的運(yùn)動(dòng)目標(biāo)分割方法的步驟流程圖。

圖2為低能量相位比配差的響應(yīng)曲線圖。

具體實(shí)施方式

本發(fā)明專利基于相位信息進(jìn)行運(yùn)動(dòng)目標(biāo)的分割。本發(fā)明專利首先將運(yùn)動(dòng)目標(biāo)圖像幀分成大小為8×8的圖像塊，利用相位信息的方法對(duì)每一所述圖像塊進(jìn)行檢測(cè)，對(duì)每塊圖像進(jìn)行檢測(cè)，看其中是否包含運(yùn)動(dòng)目標(biāo)邊界,采用基于相位信息的方法來檢測(cè)包含運(yùn)動(dòng)邊界的區(qū)域。將這一步作為精確查找運(yùn)動(dòng)目標(biāo)的第一步，通過這一步可以將那些包含運(yùn)動(dòng)目標(biāo)邊界的圖像塊和那些只包含單一平移運(yùn)動(dòng)的圖像塊區(qū)別開來。找到包含運(yùn)動(dòng)物體邊界的圖像塊后，接下來找到運(yùn)動(dòng)物體的精確邊緣。將包含運(yùn)動(dòng)邊界的圖像塊中心連接起來，作為主動(dòng)輪廓模型的初始輪廓曲線，最后利用主動(dòng)輪廓模型找到目標(biāo)的精確邊界,利用所述初始輪廓曲線，通過對(duì)所述初始輪廓曲線進(jìn)行迭代和收斂，找到所述運(yùn)動(dòng)目標(biāo) 圖像的精確邊界,由于初始輪廓模型已經(jīng)很接近目標(biāo)邊界，只需要很少的迭代次數(shù)就可以得到最終的邊界。

首先采用基于相位信息的方法來檢測(cè)包含運(yùn)動(dòng)邊界的區(qū)域。一種將視頻幀中包含運(yùn)動(dòng)物體邊界的圖像塊與遵從一致平移運(yùn)動(dòng)的圖像塊辨別和區(qū)分出來的方法。

假設(shè)在一個(gè)視頻中，視頻幀k和視頻幀k+1之間存在一個(gè)平移運(yùn)動(dòng)，運(yùn)動(dòng)可以表示為如下的形式：

i_k(x,y)＝i_k+1(x+Δ_x,y+Δ_y) (1)

其中，i_k和i_k+1分別代表兩幀中相應(yīng)兩個(gè)圖像塊，(x,y)是圖像塊相應(yīng)的像素坐標(biāo)，(Δ_x,Δ_y)是平移運(yùn)動(dòng)的運(yùn)動(dòng)向量。

在空間域中的線性位移會(huì)在頻域中產(chǎn)生一個(gè)相位的變化：

對(duì)式(1)的兩邊傅立葉變換得到：

通過計(jì)算I_k和I_k+1的歸一化交叉功率普可以得到它們之間的相關(guān)性度量：

將(3)代入(4)得到：

對(duì)歸一化交叉功率普進(jìn)行反傅立葉變換，得到：c_k,k+1＝δ(x-Δ_x,y-Δ_y) (6)

δ是單位脈沖函數(shù)，式(6)的相位相關(guān)曲面對(duì)應(yīng)一個(gè)在(Δ_x,Δ_y)點(diǎn)為單位脈沖，而曲面的其它點(diǎn)都為零的曲面。通過確定這個(gè)脈沖的位置，就可以求得相應(yīng)兩幀圖像塊的平移向量。

脈沖的幅度受到很多因素的影響，例如噪聲和圖像的非周期性影響等。如果在曲面上有一個(gè)唯一的絕對(duì)最大脈沖，可以認(rèn)為圖像塊只發(fā)生了單一平移。如果圖像塊包含多個(gè)運(yùn)動(dòng)，這個(gè)脈沖的幅度會(huì)受到影響而降低。在實(shí)際情況中，即使圖像塊只發(fā)生了單一的平移，但是由于噪聲的印象，也會(huì)對(duì)結(jié)果產(chǎn)生影響。而且，如果圖像塊中的兩個(gè)運(yùn)動(dòng)的區(qū)別很小，也會(huì)發(fā)生誤判。

可以通過判定經(jīng)過匹配后的當(dāng)前幀和參考幀之間的差別來判定圖像移動(dòng)的唯一性，也就是說通過判別運(yùn)動(dòng)估計(jì)的準(zhǔn)確程度，來識(shí)別圖像塊中是否包含 運(yùn)動(dòng)對(duì)象，即包含運(yùn)動(dòng)物體的邊界。因?yàn)槿绻麍D像塊中只有單一的平移運(yùn)動(dòng)，匹配后的幀差一定會(huì)很小。

在傅立葉變換下，平移運(yùn)動(dòng)會(huì)產(chǎn)生相位的變化，而幅度不會(huì)發(fā)生改變，所以可以通過在頻域中改變圖像的相位而對(duì)圖像進(jìn)行配準(zhǔn)，先通過相位的變化對(duì)圖像塊進(jìn)行匹配，然后計(jì)算匹配后的圖像塊和參考幀中的圖像塊之間的差，所謂相互匹配的圖像塊就是在不同幀中對(duì)應(yīng)的相同圖像區(qū)域。對(duì)兩個(gè)相互匹配的圖像塊相位匹配差的計(jì)算首先在頻域中，它的幅度為相應(yīng)圖像塊經(jīng)變換后的幅度的差，而它們的相位被認(rèn)為是完全匹配的。對(duì)幀中的每個(gè)圖像塊，利用相位相關(guān)來計(jì)算它們的運(yùn)動(dòng)向量。

假設(shè)只有平移運(yùn)動(dòng)，相關(guān)曲面脈沖的位置就是它們的近似運(yùn)動(dòng)向量(Δ_x,Δ_y)，利用這個(gè)運(yùn)動(dòng)向量對(duì)當(dāng)前幀中的圖像塊i_k和參考幀中的圖像塊i_k-1進(jìn)行匹配。

創(chuàng)建一個(gè)中間圖像塊i_kX，創(chuàng)建的該中間圖像塊i_kX滿足的條件是相位與當(dāng)前幀的相應(yīng)圖像塊相同、幅度和參考幀的相應(yīng)圖像塊相同，中間圖像塊i_kX表示為：

其中，θ_k＝∠F(i_k)是參考幀的相角。

相位匹配差就可以表示為：E_pm＝i_k-i_kX (8)

其中，i_k為當(dāng)前幀的圖像塊，i_kX為中間圖像塊,i_k-1參考幀的圖像塊

它和當(dāng)前幀圖像塊的相角一樣：∠(E_pm)＝∠F(i_k) (9)

它的幅度為當(dāng)前幀圖像塊和參考幀圖像塊幅度的差：

|F(E_pm)|＝|F(i_k)|-|F(i_k-1)| (10)

如果幀圖像塊只包含平移運(yùn)動(dòng)，則式(10)的結(jié)果應(yīng)該為0，但是由于噪聲和幀圖像塊中不匹配部分的影響，結(jié)果一般不會(huì)為0。

下面的問題就是如何區(qū)分單一運(yùn)動(dòng)區(qū)域和包含運(yùn)動(dòng)物體邊界的區(qū)域。利用相位匹配差的能量分布作為判斷標(biāo)準(zhǔn)，該方法計(jì)算相位匹配差中低頻部分占整個(gè)相位匹配差能量的多少，即R_L(E_pm)：

其中，是相位匹配差經(jīng)低通處理后的部分。

假設(shè)相位匹配差是一個(gè)N×N的矩陣，那么等式(11)的分母可以按下式計(jì)算：

對(duì)于分子，可以通過離散余弦變換DCT。用C_pm表示相位匹配差經(jīng)DCT變換后的矩陣[10]：

其中(u,v)是圖像進(jìn)DCT后的系數(shù)，小的系數(shù)的部分對(duì)應(yīng)低頻能量的部分，所以：

N₀≤N用來決定哪些系數(shù)被作為低頻能量的系數(shù)。可以證明當(dāng)取N₀＝3N/4時(shí)，包含運(yùn)動(dòng)物體邊界區(qū)域的R_L(E_pm)和遵從單一運(yùn)動(dòng)區(qū)域的R_L(E_pm)之間的差別最大從圖像中區(qū)分出來，能最好的將兩種區(qū)域分別出來。

基于相匹配差的方法的優(yōu)點(diǎn)在于，在檢測(cè)過程中不需要插值運(yùn)算。如果一個(gè)區(qū)域被認(rèn)為只包含單一運(yùn)動(dòng)，則可以進(jìn)一步用其它的方法準(zhǔn)確的估計(jì)運(yùn)動(dòng)的多少。

評(píng)判檢測(cè)方法的好壞，可以看它是否有很高的靈敏性。如果在一個(gè)圖像塊中包含一個(gè)運(yùn)動(dòng)物體的邊界，在圖像中與占支配地位區(qū)域的運(yùn)動(dòng)不一致的區(qū)域被認(rèn)為是分離部分，分離部分越大，運(yùn)動(dòng)物體的邊界就越容易被發(fā)現(xiàn)。我們要求即使分離部分很小，運(yùn)動(dòng)物體的邊界也能被發(fā)現(xiàn)。

為了證明算法的靈敏性，可以通過一個(gè)觀測(cè)窗的移動(dòng)，檢測(cè)隨著觀測(cè)窗的運(yùn)動(dòng)，R_L(E_pm)有什么變化。對(duì)兩個(gè)運(yùn)動(dòng)不一致性物體的響應(yīng)，從一個(gè)行走的人的視頻中取連續(xù)兩幀，運(yùn)動(dòng)的人和背景做著不同的運(yùn)動(dòng)，假設(shè)在窗口內(nèi)，它們做的都是平移運(yùn)動(dòng)。

從圖2中，可以看到，R_L(E_pm)的值在做單一平移運(yùn)動(dòng)的區(qū)域很低，只要觀測(cè)窗包含了運(yùn)動(dòng)邊界，它的值就會(huì)迅速升高，即使分離部分在觀測(cè)窗中所占的比例很小。說明了這種算法有很好的靈敏性。

找到包含運(yùn)動(dòng)物體邊界的圖像塊后，接下來找到運(yùn)動(dòng)物體的精確邊緣。

主動(dòng)輪廓模型又稱為Snake模型，它融合了分割過程的三個(gè)階段，使得檢測(cè)得到的目標(biāo)邊界就是一光滑連接的曲線。其主要思想是定義一個(gè)能量函數(shù)，在Snake由初始位置向真實(shí)輪廓逐漸靠近時(shí)，尋找此能量函數(shù)的局部極小值，即通過對(duì)能量函數(shù)的動(dòng)態(tài)優(yōu)化來逼近目標(biāo)的真實(shí)輪廓。此能量函數(shù)主要由內(nèi)部能量函數(shù)及外部能量函數(shù)組成。內(nèi)部能量函數(shù)考慮包絡(luò)本身的連續(xù)性和各點(diǎn)曲率的大；外部能量函數(shù)則主要涉及到圖像的一些具體情況，如圖像灰度變化的梯度等因素。

Snake模型中，用參量表示輪廓線υ(s)＝(x(s),y(s))(s為輪廓弧長(zhǎng))，其能量函數(shù)定義為：

式中E_int表示主動(dòng)輪廓線的內(nèi)部能量，也叫內(nèi)部力；E_image表示圖像作用力產(chǎn)生的能量，也叫圖像力；E_con表示外部限制作用力產(chǎn)生的能量，叫約束力。后兩項(xiàng)和稱為外部能量。內(nèi)部力起到平滑輪廓、保持輪廓連續(xù)性的作用；圖像力表示輪廓點(diǎn)與圖像局部特征吻合的情況，約束力是各種人為定義的約束條件。Snake模型中，內(nèi)部能量可表示為輪廓對(duì)弧長(zhǎng)的一階導(dǎo)數(shù)項(xiàng)υ_s(s)和二階導(dǎo)數(shù)項(xiàng)υ_ss(s)的組合：

E_int＝(α(s)|υ_s(s)|²+β(s)|υ_ss(s)|²)/2 (16)

式中，一階項(xiàng)系數(shù)α控制輪廓的連續(xù)性約束，若較小，則內(nèi)部力對(duì)輪廓的連續(xù)程度不敏感，在輪廓線存在缺口時(shí)，將有較大的值；二階項(xiàng)系數(shù)β控制平滑程度約束，若較小，則內(nèi)部力對(duì)輪廓的平滑程度不敏感，其在輪廓線曲率變大時(shí)將有較大值。

圖像力為直線、邊緣和界限能量的線性組合為：

E_image＝ω_lineE_line+ω_edgeE_edge+ω_termE_term (17)

式中各項(xiàng)均可以從圖像I(x,y)算出。E_line、E_edge和E_term為特征系數(shù)，E_line是線能量，等于圖像亮度E_line＝I(x,y)；通過線性特征系數(shù)ω_line的正負(fù)，可以使Snake靠近亮線或暗線。E_edge是邊緣能量，也可由一個(gè)非常簡(jiǎn)單的函數(shù)表達(dá)，即

E_edge＝-|▽I(x,y)|；邊緣特征系數(shù)ω_edge控制對(duì)輪廓所在區(qū)域的強(qiáng)度梯度的約束。E_term是用高斯函數(shù)平滑過的圖像中各級(jí)輪廓線的曲率，由曲率特征系數(shù)ω_term決 定其影響。

這種算法存在要求外力可微、不穩(wěn)定、控制參量無法確定、計(jì)算量大和時(shí)間開銷大等缺點(diǎn)。一些研究人員改進(jìn)了這種算法，引入硬強(qiáng)制力，且大大提高了運(yùn)行速度。不過，它們?nèi)源嬖谝恍﹩栴}，如迭代效果依賴于初始輪廓點(diǎn)的選??；控制點(diǎn)在迭代中向高曲率邊緣堆積；控制點(diǎn)數(shù)目固定不變；不能隨目標(biāo)大小變化調(diào)節(jié)等。有許多研究者針對(duì)原始Snake的缺點(diǎn)進(jìn)行了模型改進(jìn)或算法改進(jìn)，如對(duì)角點(diǎn)判定的閾值選取方法加以改進(jìn)、按照一定的規(guī)則調(diào)節(jié)控制點(diǎn)間距、采用不同的圖像特征能量模型等，不過對(duì)于初始輪廓點(diǎn)依然敏感或運(yùn)算比較復(fù)雜。

本發(fā)明專利首先將圖像幀分成大小為8×8的圖像塊，然后運(yùn)用邊界檢測(cè)的方法，對(duì)每塊圖像進(jìn)行檢測(cè)，看其中是否包含運(yùn)動(dòng)目標(biāo)邊界。將這一步作為精確查找運(yùn)動(dòng)目標(biāo)的第一步，通過這一步可以將那些包含運(yùn)動(dòng)目標(biāo)邊界的圖像塊和那些只包含單一平移運(yùn)動(dòng)的圖像塊區(qū)別開來。例如視頻幀中行人快步行走中，行人的身體由于不是嚴(yán)格的進(jìn)行平移運(yùn)動(dòng)，而且每幀圖像的灰度有一定的變化，因此影響了檢測(cè)的結(jié)果。人的大部分手臂和腿都被認(rèn)為包含運(yùn)動(dòng)邊界。得到這些包含運(yùn)動(dòng)邊界的塊以后，為了保證最后結(jié)果的正確，我們將最外層圖像塊的中心連接起來，作為主動(dòng)輪廓模型的初始輪廓曲線，最后利用主動(dòng)輪廓模型找到目標(biāo)的精確邊界。由于初始輪廓模型已經(jīng)很接近目標(biāo)邊界，只需要很少的迭代次數(shù)就可以得到最終的邊界。