專利名稱：一種基于場(chǎng)量分析的視頻圖像顯著性檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于視頻圖像處理技術(shù)領(lǐng)域，具體涉及一種視頻圖像顯著性檢測(cè)方法。
背景技術(shù)：
從復(fù)雜的場(chǎng)景中識(shí)別出重要的目標(biāo)是人類視覺神經(jīng)系統(tǒng)的一項(xiàng)基礎(chǔ)功能。例如，在駕車時(shí)交通信號(hào)燈能引起人眼注意，藍(lán)天上飛過的飛機(jī)能引起人眼的注意，夜間海平面上的燈塔能引起人眼的注意。依賴這項(xiàng)功能我們可以將注意力集中于關(guān)鍵部位以達(dá)到更好的分析效果。顯著性檢測(cè)是使計(jì)算機(jī)系統(tǒng)能模仿人眼的注意力機(jī)制，通過相應(yīng)的計(jì)算過程，將視頻圖像中的重要部分凸顯出來，是一個(gè)“發(fā)現(xiàn)”的過程。利用顯著性檢測(cè)的結(jié)果，可以優(yōu)先分配各種緊缺資源，例如在較小的手機(jī)顯示屏幕上顯示較大的圖片，可以優(yōu)先顯示其重要的部分；在計(jì)算資源不足時(shí)，可優(yōu)先對(duì)顯著部分進(jìn)行識(shí)別、跟蹤等計(jì)算。顯著性檢測(cè)的最終結(jié)果是生成顯著性映射圖像(Saliency map)，也稱顯著性圖。顯著性圖是一種概率分布的描述圖，圖中越亮的部分概率值越大，也即該像素的顯著性越大。顯著性圖可以應(yīng)用于計(jì)算機(jī)視覺的各個(gè)領(lǐng)域，如自適應(yīng)壓縮，圖像分割，圖像檢索，目標(biāo)識(shí)別等，也可以用于交通管理，安防監(jiān)控，機(jī)器人環(huán)境感知等實(shí)時(shí)場(chǎng)景。Itti等西方學(xué)者于1998年提出了基于視覺注意機(jī)制的快速場(chǎng)景分析模型，首次將顯著性的概念納入了機(jī)器視覺領(lǐng)域。此后，針對(duì)靜止圖像的靜態(tài)顯著性檢測(cè)方法蓬勃發(fā)展起來。靜態(tài)顯著性由顏色、邊緣、梯度、形狀等圖像屬性綜合作用而成，具有獨(dú)特性、不可預(yù)測(cè)性及奇異性，其感知機(jī)理與視覺神經(jīng)緊密聯(lián)系。Achanta等人于2009年提出頻域調(diào)整顯著性區(qū)域分析方法，該方法從頻域分析角度出發(fā)，使用顏色和光照信息來獲得中心周圍對(duì)比度，進(jìn)而得到顯著性映射結(jié)果。Cheng等于2011年提出了基于全局對(duì)比度的顯著性區(qū)域檢測(cè)方法，該方法利用輸入圖像的顏色統(tǒng)計(jì)特征進(jìn)行直方圖對(duì)比從而得到顯著性目標(biāo)，此方法還可進(jìn)一步按空間距離進(jìn)行加權(quán)得到區(qū)域?qū)Ρ榷葯z測(cè)方法。靜態(tài)顯著性檢測(cè)方法目前已經(jīng)比較成熟，對(duì)于視頻圖像的靜態(tài)顯著性檢測(cè)，其靜態(tài)顯著性圖可以通過各種成熟的檢測(cè)方法獲得。中國專利文獻(xiàn)201010623832. O公開了一種基于顯著性特征的目標(biāo)識(shí)別方法，該方法通過分析目標(biāo)的幾何特征來得到顯著性值；中國專利文獻(xiàn)201110335538. 4公開了一種顯著性物體快速檢測(cè)方法，該方法通過小波變換和中心-周邊直方圖算法來獲得顯著性信息。上述靜態(tài)顯著性檢測(cè)方法僅依賴圖像的顏色或?qū)Ρ榷忍卣鞯刃畔⑦M(jìn)行分析，能較好地處理前、背景顏色對(duì)比分明的靜態(tài)單幅圖像，但對(duì)于擁有復(fù)雜的運(yùn)動(dòng)場(chǎng)景的連續(xù)視頻圖像，特別是前景運(yùn)動(dòng)目標(biāo)與背景顏色較為相似的視頻圖像，常常無法得到正確的結(jié)果。此夕卜，人眼對(duì)于運(yùn)動(dòng)的物體具有更高的關(guān)注度，而只考慮顏色等靜態(tài)特征的分析方法在處理視頻時(shí)往往不能得到客觀公正的結(jié)果。因此，通過對(duì)視頻中目標(biāo)進(jìn)行運(yùn)動(dòng)特征的分析，可以大大提高視頻顯著性分析的正確性。出于這樣的考慮，出現(xiàn)了針對(duì)視頻的動(dòng)態(tài)顯著性檢測(cè)方法。
Wixson等人于2000年提出方向恒定流檢測(cè)方法，但其假定目標(biāo)沿直線運(yùn)動(dòng)的約束，難以適應(yīng)于大多數(shù)應(yīng)用場(chǎng)景。Mahadevan等人于2010年提出中心環(huán)繞時(shí)空顯著性檢測(cè)方法，它的結(jié)果強(qiáng)烈依賴于檢測(cè)窗口的大小，并且對(duì)較大的前景物體容易產(chǎn)生檢測(cè)失效。Gopalakrishnan于2012年提出線性動(dòng)態(tài)輪廓的運(yùn)動(dòng)顯著性檢測(cè)方法,該方法僅能感知目標(biāo)的大體位置，不能生成完整的輪廓，精確度較差。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于光流向量區(qū)塊對(duì)比的視頻圖像顯著性檢測(cè)方法，其能克服相機(jī)抖動(dòng)帶來的干擾使得視頻場(chǎng)景中的重要運(yùn)動(dòng)物體被有效地凸顯出來，從而得到顯著性映射圖，為進(jìn)一步的跟蹤監(jiān)控或是視頻壓縮提供基礎(chǔ)。為解決上述技術(shù)問題，本發(fā)明提供了一種基于場(chǎng)量分析的視頻圖像顯著性檢測(cè)方法，其包括以下步驟S1:根據(jù)靜態(tài)顯著性檢測(cè)方法獲得靜態(tài)顯著性圖；S2:根據(jù)連續(xù)的視頻幀提取場(chǎng)景的光流向量場(chǎng)；S3:通過聚類方法對(duì)光流向量場(chǎng)進(jìn)行初步分類并找出最大分類區(qū)塊；S4:通過每個(gè)分類區(qū)塊與最大分類區(qū)塊之間的對(duì)比生成差異性能量；S5:規(guī)范化差異性能量得到運(yùn)動(dòng)顯著性值并生成運(yùn)動(dòng)顯著性圖；S6:將該運(yùn)動(dòng)顯著性圖與靜態(tài)顯著性圖線性加權(quán)相加得到最終顯著性圖。其中，所述步驟S4中，所述向量場(chǎng)初步分類區(qū)塊之間的差異性能量計(jì)算，可選用以下兩種方法實(shí)現(xiàn)(I)幾何對(duì)比法；(2)場(chǎng)向量學(xué)習(xí)對(duì)比法。(I)幾何對(duì)比法幾何對(duì)比法利用向量的長度和夾角來計(jì)算向量場(chǎng)差異。對(duì)比中以步驟S3中找出的最大分類區(qū)塊Cmax為參照，其他分類區(qū)塊依次與其進(jìn)行對(duì)比。令C1為待對(duì)比的向量場(chǎng)初步分類區(qū)塊，則C1相對(duì)于Cmax的差異性能量計(jì)算公式為
權(quán)利要求
1.一種基于場(chǎng)量分析的視頻圖像顯著性檢測(cè)方法，包括以下步驟 Si獲取視頻圖像的靜態(tài)顯著性圖； S2:利用視頻圖像中連續(xù)的視頻幀提取場(chǎng)景的光流向量場(chǎng)； S3:通過聚類方法對(duì)光流向量場(chǎng)進(jìn)行分類并找出最大分類區(qū)塊； S4:通過每個(gè)分類區(qū)塊與最大分類區(qū)塊之間的對(duì)比生成差異性能量； S5:規(guī)范化所述差異性能量，獲得運(yùn)動(dòng)顯著性值并生成運(yùn)動(dòng)顯著性圖； S6:將所述運(yùn)動(dòng)顯著性圖與所述靜態(tài)顯著性圖線性加權(quán)相加得到最終顯著性圖，即可實(shí)現(xiàn)對(duì)視頻圖像的顯著性檢測(cè)。
2.根據(jù)權(quán)利要求1所述的一種基于場(chǎng)量分析的視頻圖像顯著性檢測(cè)方法，其特征在于，所述步驟S4中差異性能量通過如下公式計(jì)算得到
3.根據(jù)權(quán)利要求1所述的一種基于場(chǎng)量分析的視頻圖像顯著性檢測(cè)方法，其特征在 于，所述步驟S4中差異性能量通過如下公式計(jì)算得到
4.根據(jù)權(quán)利要求3所述的一種基于場(chǎng)量分析的視頻圖像顯著性檢測(cè)方法，其特征在于，所述映射下的值y" i通過核函數(shù)K和系數(shù)矩陣c計(jì)算得到，
5.根據(jù)權(quán)利要求4所述的一種基于場(chǎng)量分析的視頻圖像顯著性檢測(cè)方法，其特征在于，所述系數(shù)矩陣c通過如下矩陣方程計(jì)算得到 (Κ+ λ nl) c = y 其中λ為調(diào)整參數(shù)，K為核函數(shù)值矩陣，I為單位對(duì)角矩陣；η為最大分類區(qū)塊Cmax中向量的總個(gè)數(shù)；y為Cmax中所有向量的因變量組成的列矩陣。
6.根據(jù)權(quán)利要求1-5之一所述的一種基于場(chǎng)量分析的視頻圖像顯著性檢測(cè)方法，其特征在于，上述步驟S5中規(guī)范化差異性能量的規(guī)范化公式如下
7.根據(jù)權(quán)利要求1-6之一所述的一種基于場(chǎng)量分析的視頻圖像顯著性檢測(cè)方法，其特征在于，所述步驟S5得到運(yùn)動(dòng)顯著性值后還可對(duì)其進(jìn)行閾值化，濾去運(yùn)動(dòng)顯著性小的部分，其中閾值化的公式如下
8.根據(jù)權(quán)利要求1-7之一所述的一種基于場(chǎng)量分析的視頻圖像顯著性檢測(cè)方法，其特征在于，所述步驟S6中所述運(yùn)動(dòng)顯著性圖與靜態(tài)顯著性圖線性加權(quán)的相加公式如下Se = a . Sm+(1-Q)Ss 其中Sk為最終顯著性圖，Sm為運(yùn)動(dòng)顯著性圖，Ss為靜態(tài)顯著性圖，α為加權(quán)系數(shù)。
全文摘要
本發(fā)明公開了一種基于場(chǎng)量分析的視頻圖像顯著性檢測(cè)方法，包括以下步驟S1獲得視頻圖像的靜態(tài)顯著性圖；S2根據(jù)連續(xù)的視頻幀提取場(chǎng)景的光流向量場(chǎng)；S3通過聚類方法對(duì)光流向量場(chǎng)進(jìn)行初步分類并找出最大分類區(qū)塊；S4通過每個(gè)分類區(qū)塊與最大分類區(qū)塊之間的對(duì)比生成差異性能量；S5規(guī)范化差異性能量，獲得運(yùn)動(dòng)顯著性值并生成運(yùn)動(dòng)顯著性圖；S6將該運(yùn)動(dòng)顯著性圖與所述靜態(tài)顯著性圖線性加權(quán)相加得到最終顯著性圖，即可實(shí)現(xiàn)對(duì)視頻圖像的顯著性檢測(cè)。本發(fā)明的方法綜合利用視頻場(chǎng)景的靜態(tài)特征和動(dòng)態(tài)特征來得到顯著性映射結(jié)果，特別是使用光流場(chǎng)量分析來進(jìn)行目標(biāo)運(yùn)動(dòng)特征的分析，可以較好識(shí)別出場(chǎng)景中運(yùn)動(dòng)特征明確的重要目標(biāo)。
文檔編號(hào)G06T7/20GK103020985SQ20121045043
公開日2013年4月3日 申請(qǐng)日期2012年11月12日 優(yōu)先權(quán)日2012年11月12日
發(fā)明者宋寶, 鄒騰躍, 唐小琦, 王金, 葉伯生, 凌文鋒, 熊爍, 王小釗, 李明磊 申請(qǐng)人:華中科技大學(xué)