本發(fā)明涉及目標種子搜索方法領(lǐng)域，尤其涉及一種動態(tài)滑動窗口目標種子搜索方法。

背景技術(shù)：

利用種子生長法進行目標分割是圖像分割中的一種重要方法。設(shè)計高效的種子搜索方法可以大幅提高目標分割的速度和精度，這對于目標分割的實際應(yīng)用而言有著重要的意義。這一問題總體上有兩種解決辦法：一是交互式分割中廣泛使用的人工標記法，即手動交互的方式劃定分割范圍或指定種子的位置；另一種是通過特征檢測的方式自動搜索分割目標所需要的種子。為了提高目標分割的自動化程度，本發(fā)明提出了一種基于動態(tài)滑動窗口的目標種子分搜索。

在許多實際應(yīng)用中，由于目標的周圍存在噪聲、遮擋和背景粘連等因素影響，采用整體圖像進行目標種子搜索的方法準確率較低，易出現(xiàn)誤檢和漏檢。對于這種情況，通過提取圖像的特征信息，并利用一個局部搜索窗對整幅圖像進行滑動窗口搜索是一個有效的方法。對于窗口的滑動而言，最簡單的搜索方法是窮舉法，即每次滑動一個像素進行一次匹配算法，由于這種滑動方法效率很低，人們通常使用動態(tài)滑動法降低計算量?，F(xiàn)有的許多方法是利用累加相似度進行匹配相似度計算，其中和分別表示從訓(xùn)練集提取的目標特征直方圖和搜索窗口中的特征直方圖。這種方法會使得冗余相似度大幅增加，進而導(dǎo)致滑動窗口排除無種子標窗口的能力有限，本發(fā)明提出了使用聯(lián)合相似度代替累加相似度作為新的相似度定義，并基于此給出了一種高效的種子搜索方法。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種涉及基于動態(tài)滑動窗口的目標種子搜索方法，以解決滑動窗口冗余值增長速度過快，排除無種子窗口的能力有限的問題。

本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的：

一種動態(tài)滑動窗口目標種子搜索方法，包括以下步驟：

S1：基于訓(xùn)練集提取目標特征直方圖；

S2：提取水平大搜索窗圖像特征；

S3：提取豎直小搜索窗圖像特征；

S4：計算豎直小搜索窗特征聯(lián)合匹配相似度；

S5：利用滑動模型計算小搜索窗滑動步長p，并將當前豎直窗口位置v滑動更新至v+p處；返回步驟S3，重復(fù)步驟S3-S5，直至豎直小搜索窗抵達圖像下邊緣；

S6：計算水平大搜索窗聯(lián)合特征匹配相似度；

S7：利用滑動模型計算大搜索窗滑動步長q，并將當前水平大搜索窗位置h滑動更新至h+q處；并返回步驟S2，重復(fù)步驟S2-S7，直至大搜索窗抵達圖像右邊緣；

S8：當水平和豎直搜索窗同時到達右邊緣和下邊緣時結(jié)束搜索并輸出結(jié)果。

進一步的，步驟S4和S6中，計算特征聯(lián)合匹配相似度的計算表達式為：

其中，

為從訓(xùn)練集提取的目標特征直方圖；j＝1,2,…m為連續(xù)的m個搜索窗內(nèi)的特征直方圖，連續(xù)的搜索窗是指只相差一個像素距離的搜索窗。

進一步的，步驟S5和S7中，所述的滑動模型的計算表達式為：

其中，ω表示滑動步長，在步驟S5中，ω＝p；步驟S7中，ω＝q；θ為相似度閾值；D為搜索窗沿搜索方向的長度；m為需要聯(lián)合的搜索窗個數(shù)。

與現(xiàn)有技術(shù)和產(chǎn)品相比，本發(fā)明有如下優(yōu)點：

本發(fā)明提供了一種涉及動態(tài)滑動窗口的目標種子搜索方法，包括在預(yù)處理階段提取訓(xùn)練集目標特征直方圖作為種子匹配依據(jù)；種子搜索時，首先分別計算當前水平大窗和豎直小窗圖像的特征匹配相似度；然后進入豎直小搜索窗階段，并基于滑動模型確定豎直小搜索窗口滑動步長；當小搜索窗抵達圖像下邊緣時，進入水平大窗口搜索階段；水平大搜索窗首先計算圖像特征匹配相似度；基于滑動模型確定大窗口滑動步長，直至抵達圖像右邊緣；當水平和豎直搜索窗同時到達右邊緣和下邊緣時結(jié)束搜索并輸出結(jié)果。本發(fā)明克服了滑動窗口中常用的累加相似度方程冗余值增長速度過快，排除無種子窗口的能力有限的問題；大幅提高了利用滑動窗口進行目標搜索的效率。

附圖說明

圖1為本發(fā)明的基于動態(tài)滑動窗口的目標種子搜索方法的總體流程圖。

圖2為本發(fā)明的目標種子搜索方法中水平大搜索窗搜索流程示意圖。

圖3為本發(fā)明的目標種子搜索方法中豎直小搜索窗搜索流程示意圖。

具體實施方式

為了便于本領(lǐng)域普通技術(shù)人員理解和實施本發(fā)明，下面結(jié)合附圖及具體實施方式對本發(fā)明作進一步的詳細描述。

如圖1所示，本實施例提供一種基于動態(tài)滑動窗口的目標種子搜索方法，包括以下步驟：

A1：基于訓(xùn)練集提取目標特征直方圖；

A2：提取水平大搜索窗圖像特征；

A3：提取豎直小搜索窗圖像特征；

A4：計算豎直搜索小窗特征聯(lián)合匹配相似度；

A5：利用滑動模型計算搜索窗滑動步長p，并將當前豎直窗口位置v滑動更新至v+p處；返回步驟A3直至豎直小搜索窗抵達圖像下邊緣；

A6：計算水平大搜索窗聯(lián)合特征匹配相似度；

A7：利用滑動模型計算大搜索窗滑動步長q，并將當前水平大窗口位置h滑動更新至h+q處；并返回步驟A2直至大搜索窗抵達圖像右邊緣；

A8：當水平和豎直搜索窗同時到達右邊緣和下邊緣時結(jié)束搜索并輸出結(jié)果。

進一步，所述步驟A1中提取目標特征的方法使用邊緣方向直方圖的統(tǒng)計均值。

進一步，所述步驟A2和A3中提取特征為圖像中相關(guān)區(qū)域的邊緣方向特征。

進一步，所述步驟A4和A6中特征聯(lián)合匹配相似度，所述計算表達式為：

其中，

為從訓(xùn)練集提取的目標特征直方圖；j＝1,2,…m為連續(xù)的m個搜索窗內(nèi)的特征直方圖，連續(xù)的搜索是指只相差一個像素距離的搜索窗。本發(fā)明提出的聯(lián)合相似度優(yōu)于累加相似度理由如下：

假設(shè)存在兩個隨機向量和j＝1,2,…m；分別定義：

E[·]表示數(shù)學(xué)期望，則對于任意X和Y^j有下列不等式恒成立：

理由為隨機向量則對于隨機向量X,Y中的元素x,y我們可以分四種情況分別討論

其中P(·)表示概率；f表示事件，顯然f₂事件概率為0。則對于不等式

第一項有

第二項有

由于f₃發(fā)生條件為則

同時，由于隨機向量則對于任意隨機變量恒成立，因此對于f₄情況存在不等式

恒成立；綜上所述，不等式恒成立。上述結(jié)論說明，對于任意特征直方圖，的數(shù)學(xué)期望都較小，即在同樣條件下其冗余相似度累加速度較慢。

進一步，所述步驟A5和A7中的滑動模型計算表達式為：

其中，ω表示滑動步長，當算法進行水平大窗口搜索時令q＝ω，當算法進行豎直小窗口搜索時令p＝ω；θ為相似度閾值；D為搜索窗沿搜索方向的長度；m為需要聯(lián)合的搜索窗個數(shù)。

進一步的，水平大搜索窗滑動過程如圖2所示；豎直小搜索窗滑動過程如圖3所示。圖中，1為水平滑動步長；2為滑動前水平大窗；3為滑動后水平大窗；4為圖像邊緣；5為豎直滑動步長；6為滑動前豎直小窗；7為滑動后豎直小窗。

以上實施例僅為本發(fā)明的一種實施方式，其描述較為具體和詳細，但不能因此理解為對本發(fā)明專利范圍的限制。其具體結(jié)構(gòu)和參數(shù)可根據(jù)實際需要進行相應(yīng)的調(diào)整。應(yīng)當指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。