本發(fā)明屬于計算機視覺技術領域，更為具體地講，涉及一種結合運動信息的目標主動輪廓跟蹤方法。

背景技術：

在計算機視覺領域中，目標主動跟蹤技術占有十分重要的地位，它通過對視頻中序列圖像的處理，獲得感興趣目標在連續(xù)序列圖像中位置隨時間變化的軌跡。目標主動跟蹤技術的應用十分廣泛，如軍事制導，視頻監(jiān)控，智能交通，人機交互，公共安全等。目標主動跟蹤的表達形式有矩形，橢圓形，輪廓等，采用輪廓的形式能很好的表達目標形狀與尺寸的變化信息，為高層行為的識別與理解提供方便，因此，目標主動輪廓跟蹤一直是目標跟蹤領域的一個研究熱點。目標主動輪廓跟蹤算法主要分為參數主動輪廓模型和幾何主動輪廓模型。

參數主動輪廓模型以上世紀八十年代kass等人提出snake模型為代表，該方法用參數顯示的表達曲線，通過求解一個能量變分模型的最小值來實現輪廓分割。snake模型具有良好的跟蹤特定區(qū)域目標輪廓的能力，常被用來進行醫(yī)學圖像的分割，但存在以下缺點：對圖像邊界的捕捉范圍很小，對初始輪廓的要求很高，對參數設置非常敏感，不能靈活處理拓撲變化，而且容易錯誤的收斂到局部極值點。

幾何活動輪廓模型以osher等人提出的水平集(levelset)方法為代表，它以隱式方法的來描述輪廓，用一個n+1維的水平集函數的零值來表達一個n維的曲線，因此能夠靈活處理目標拓撲變化。水平集方法廣泛應用于圖像處理和計算機視覺領域，例如圖像分割，目標跟蹤，形狀檢測與識別等。傳統的水平集方法將水平集函數初始化為符號距離函數，并且每隔一段時間需要進行重新初始化，導致計算復雜，耗時很大。李純明等人提出了drlse(distanceregularizedlevelsetevolution)模型，將水平集初始化為二值函數，然后通過構造一個帶距離約束的能量懲罰項使得水平集函數近似的保持為符號距離函數，從而保證了穩(wěn)定的數值解，并且避免了重新初始化，大大的減小了計算量。

將水平集運用到目標主動跟蹤領域，通常需要將目標的先驗知識，如顏色，梯度，紋理，形狀等表觀特征加入到水平集演化方程中，來約束曲線進化到目標邊緣處。由于單個像素的特征提取容易受噪聲干擾產生不穩(wěn)定性，可以考慮采用超像素對圖像進行分割。超像素將圖像劃分成顏色，紋理等表觀特征相似的鄰近像素的集合，具有計算效率高，保持圖像邊界等優(yōu)點，使用超像素作為圖像處理的基本單元，比直接考慮單個像素更為有效。

除此之外，目標的運動也是一種非常有效的可用于跟蹤的特征，特別是在目標與背景具有明顯相對運動的場景中，運動特征可作為顏色，紋理等表觀特征的有效補充，得到更加精確的輪廓跟蹤結果。光流法通常被用來刻畫運動信息，由光流法得到的光流場能夠代表每個像素點的運動速度大小和方向，在具有明顯相對運動的場景中，運動目標區(qū)域和背景區(qū)域的光流場幅值大小具有明顯的差異，利用光流場能夠有效地區(qū)分出運動目標與背景。

技術實現要素：

本發(fā)明的目的在于克服現有技術的不足，提出一種結合運動信息的目標主動輪廓跟蹤方法，以克服表觀特征目標輪廓跟蹤對于顏色，梯度等特征的依賴性，在目標表觀特征不夠明顯，但是具有明顯相對運動的場景中能達到良好的跟蹤效果。

為實現上述發(fā)明目的，本發(fā)明結合運動信息的目標主動輪廓跟蹤方法，其特征在于，包括以下步驟：

(1)、初始化svm(支持向量機)分類器

針對序列圖像第一幀圖像，首先手動標定初始輪廓，初始輪廓的最大外接矩形向外擴大p個像素點后的區(qū)域作為感興趣區(qū)域(regionofinterest，簡稱roi)；然后，對感興趣區(qū)域進行超像素分割，得到一系列的超像素；

對于每一個超像素，提取感興趣的顏色特征和紋理特征向量，并將兩者進行合并，得到該超像素的d維表觀特征向量；

記感興趣區(qū)域的初始輪廓內像素點為正，初始輪廓外像素點為負，統計每個超像素內的所有像素點，若超過半數像素點為正，記為1，則將該超像素標記為正樣本，否則標記為負樣本，記為-1；

將每個超像素的n維表觀特征向量作為輸入，其標記作為輸出對svm分類器進行訓練，得到初始化的svm分類器；同時，將每個超像素的n維表觀特征向量作為輸入，其標記作為輸出作為一組訓練樣本存入樣本池中；

將初始輪廓作為第一幀圖像目標主動輪廓跟蹤結果、序列圖像第二幀圖像作為當前幀圖像；

(2)、基于svm分類器和局部信息的判別式表觀模型構建

將當前幀圖像的上一幀圖像的目標主動輪廓跟蹤結果作為初始輪廓，初始輪廓的最大外接矩形向外擴大p個像素點后的區(qū)域作為感興趣區(qū)域(regionofinterest，簡稱roi)；然后，對感興趣區(qū)域進行超像素分割，得到一系列的超像素；

對于每個超像素，提取感興趣的顏色特征和紋理特征向量，并將兩者進行合并，得到每個超像素的d維表觀特征向量；

2.1)、基于svm分類器的置信圖計算

將第i個超像素spi′的n維表觀特征向量輸入到svm分類器中，得到該超像素的樣本標記值，即基于svm分類器的置信圖值confmapsvm_i；

2.2)、基于局部信息的置信圖計算

首先，計算每個超像素屬于目標和屬于背景的概率，具體計算步驟如下：

2.2.1)、對上一幀圖像的輪廓跟蹤結果即目標輪廓進行標記，如果上一幀圖像感興趣區(qū)域第j個超像素spj內超過半數的像素點在目標輪廓內，則記為lj為1，否則為-1；

2.2.2)、記當前幀圖像感興趣區(qū)域第i個超像素為spi′，其中心坐標為(xi′,yi′)；上一幀圖像感興趣區(qū)域第j個超像素spj的中心坐標為(xj,yj)，設置閾值為tr；

2.2.3)、記當前幀圖像感興趣區(qū)域第i個超像素spi′屬于目標輪廓內的似然概率為p(spi′|obj)，屬于背景的似然概率為p(spi′|bck)，令：p(spi′|obj)＝p(spi′|bck)＝0；

2.2.4)、對于當前幀圖像感興趣區(qū)域第i個超像素spi′，遍歷上一幀圖像感興趣區(qū)域的超像素spj，并進行以下運算：

2.2.4.1)、令m＝n＝0，j＝1

2.2.4.2)、如果則：

當lj為1時：

num1＝p(spi′|obj)+pij

m＝m+1

當lj為-1：

num2＝p(spi′|bck)+pij

n＝n+1

如果不成立，則轉到步驟

2.2.4.3)、計算屬于目標輪廓內的似然概率p(spi′|obj)、屬于背景的似然概率p(spi′|bck)：

其中，pij定義為超像素spi′與spj的相似度，記spi′和spj的表觀特征向量分別為fi′，fj，則pij的計算公式為：

pij＝exp(-||fi′-fj||²)，

其中，||fi′-fj||²表示特征向量fi′，fj的歐式距離；

2.2.4.4)、如果沒有遍歷完上一幀圖像感興趣區(qū)域的超像素spj，則j＝j+1，返回步驟2.2.4.2)，否則，結束，得到第i個超像素spi′屬于目標輪廓內的似然概率p(spi′|obj)，屬于背景的似然概率p(spi′|bck)；

定義第i個超像素spi′基于局部信息的置信圖值為：

置信圖值的取值范圍為[-1,1]，并且具有以下的對稱判別屬性：

2.3)、融合得到表觀特征的置信圖

對于第i個超像素spi′，基于局部信息的置信圖值confmaplocal_i的權值為w1_i，基于svm分類器的置信圖值confmapsvm_i的權值為w2_i，令：

w1_i＝ε*|confmaplocal_i|

w2_i＝1-ε*|confmaplocal_i|

其中，ε為常量，根據具體跟蹤場景設置，可以取0.5，融合后的置信圖值confmapi為：

confmapi＝w1_i*confmaplocal_i+w2_i*confmapsvm_i；

將當前幀圖像的所有超像素按照步驟2.1)～2.3)進行處理，得到融合后的置信圖，然后將每個超像素中的像素點賦值為該超像素的融合后的置信圖值，得到表觀特征的置信圖；

(3)、基于運動信息的光流灰度圖計算

采用稠密光流計算法來計算當前幀圖像上每一個像素點的光流，得到光流場是一個雙通道圖像，分別為x方向和y方向上的位移；通過孟塞爾顏色系統(munsellcolorsystem)實現可視化，得到光流彩色圖，其中，不同的顏色代表不同運動方向，顏色深淺代表運動速度的快慢；再通過以下公式將光流彩色圖轉換成光流灰度圖：

i＝0.2989*r+0.5870*g+0.1140*b

其中r，g和b分別代表彩色空間三個通道的像素點像素值；

(4)、基于決策樹的融合權重計算

將表觀特征的置信圖像素點的取值為-1到1等分的10個區(qū)間，分別用0～9表示，光流灰度圖像素點的取值為0到255等分的8個區(qū)間，分別用0～7表示；

使用決策樹對像素點進行預測分類，如果一個像素點位置在表觀特征的置信圖中的像素點像素值在：

區(qū)間0、1，則該像素點置為背景；

區(qū)間2，同時，該像素點位置在光流灰度圖中像素點像素值在區(qū)間0，則該像素點置為目標，否則，則該像素點置為背景；

區(qū)間3、4，同時，該像素點位置在光流灰度圖中像素點像素值在區(qū)間0、1，則該像素點置為目標，否則，則該像素點置為背景；

區(qū)間5、6，同時，該像素點位置在光流灰度圖中像素點像素值在區(qū)間0-3，則該像素點置為目標，否則，則該像素點置為背景；

區(qū)間7、8，同時，該像素點位置在光流灰度圖中像素點像素值在區(qū)間0-5，則該像素點置為目標，否則，則該像素點置為背景；

區(qū)間9，則該像素點置為目標；

將屬于目標的像素點標記為1，屬于背景的像素點標記為-1，可以得到最終的置信圖即融合置信圖；

(5)、水平集輪廓演化

采用基于邊緣的drlse(distanceregularizedlevelsetevolution)模型進行水平集輪廓演化，演化采用融合置信圖代替氣球力α與邊緣梯度函數g的乘積進行引導并迭代k次；

然后，再由邊緣梯度函數和曲率共同引導，得到目標輪廓。

(6)、更新樣本池，并重新初始化svm(支持向量機)分類器

依據目標輪廓，對感興趣區(qū)域的超像素進行標記：如果超過半數像素點為正即落入目標輪廓內，記為1，則將該超像素標記為正樣本，否則標記為負樣本，記為-1，然后作為一組訓練樣本存入樣本池中；

樣本池容納的最大訓練樣本個數為sz，采用排隊的方式進行更新，新來的訓練樣本排在隊列的末端，直到訓練樣本個數超過sz，則刪除排在隊列前端的訓練樣本，訓練樣本總個數sz保持不變；

用樣本池中的訓練樣本對svm分類器進行訓練，得到更新的初始化的svm分類器；

將下一幀作為當前幀，返回步驟(2)。

本發(fā)明的目的是這樣實現的。

本發(fā)明結合運動信息的目標主動輪廓跟蹤方法，以超像素為基本單元，分別對目標與背景區(qū)域的表觀特征和運動特征進行建模，并采用決策樹算法將兩者融合起來，克服了傳統的主動目標輪廓跟蹤方法對于表觀特征的依賴性，在目標與背景顏色，紋理等特征相似，但具有明顯相對運動的場景中跟蹤精度有明顯提升，具有很好的應用前景。

附圖說明

圖1是本發(fā)明結合運動信息的目標主動輪廓跟蹤方法的一種具體實施方式流程圖；

圖2是融合基于svm分類器的置信圖以及基于局部信息的置信圖得到表觀特征的置信圖的三個典型實例過程圖；

圖3是感興趣區(qū)域圖像、光流彩色圖和灰度一具體實例圖，其中，(a)感興趣區(qū)域圖像，(b)基于孟塞爾顏色系統顯示的光流彩色圖，(c)光流灰度圖；

圖4是決策樹示意圖；

圖5是決策樹判斷生成置信圖示意圖，其中，(a)感興趣區(qū)域圖像；(b)調整后的光流灰度圖，c)基于表觀特征得到的置信圖，d)基于決策樹判斷融合后的置信圖；

圖6是一個序列圖像的輪廓跟蹤結果和跟蹤精度圖，其中，(a)為輪廓跟蹤結果，(b)為跟蹤精度；

圖7是另一個序列圖像的輪廓跟蹤結果和跟蹤精度圖，其中，(a)為輪廓跟蹤結果，(b)為跟蹤精度；

圖8是另一個序列圖像的輪廓跟蹤結果和跟蹤精度圖，其中，(a)為輪廓跟蹤結果，(b)為跟蹤精度。

具體實施方式

下面結合附圖對本發(fā)明的具體實施方式進行描述，以便本領域的技術人員更好地理解本發(fā)明。需要特別提醒注意的是，在以下的描述中，當已知功能和設計的詳細描述也許會淡化本發(fā)明的主要內容時，這些描述在這里將被忽略。

本發(fā)明在水平集的框架下設計了一種結合運動信息和表觀特征的目標主動輪廓跟蹤方法。在表觀特征建模部分，以超像素為基本單元提取目標與背景的顏色特征和紋理特征，考慮到實際場景中的目標或背景存在多種表觀模式(多種顏色或紋理)，使用兩類分類器很難得到正確分類結果，本發(fā)明提出一種基于局部信息的置信圖計算方法，并將其與svm分類器得到的置信圖進行自適應權重融合，得到更為可靠的表觀特征置信圖。在運動特征建模部分，引入光流法來刻畫目標的運動信息，得到的光流場能夠代表每個像素點的運動速度大小和方向。最后使用決策樹將目標的表觀特征和運動特征結合起來生成置信圖，嵌入到水平集輪廓演化的框架中。

本發(fā)明的主要特點在于：1)考慮到單個像素容易受噪聲干擾產生不穩(wěn)定性，提出以超像素作為圖像處理的基本單元，提取顏色特征向量和lbp紋理特征向量。2)表觀特征建模部分，考慮到實際場景中的目標或背景可能存在多種表觀模式(如顏色等)，導致svm分類器的準確度下降，提出了一種基于局部信息的置信圖計算方法，超像素的置信圖計算只與它鄰近區(qū)域的有限個超像素保持關系，能在一定程度上避免其它因素的干擾。3)運動特征建模部分，使用稠密光流計算方法獲取光流場，采用孟塞爾顏色系統實現光流場的可視化，并將其轉化成光流灰度圖。4)將表觀特征置信圖和光流灰度圖作為兩個屬性訓練決策樹，利用決策樹對感興趣區(qū)域的像素點進行預測生成置信圖，引導水平集函數的演化。

圖1是本發(fā)明結合運動信息的目標主動輪廓跟蹤方法的一種具體實施方式流程圖。

在本實施例中，如圖1所示，本發(fā)明結合運動信息的目標主動輪廓跟蹤方法包括以下步驟：

步驟s1：初始化svm(支持向量機)分類器；

步驟s2：基于svm分類器和局部信息的判別式表觀模型構建；

步驟s3：基于運動信息的光流灰度圖計算；

步驟s4：基于決策樹的融合權重計算；

步驟s5：水平集輪廓演化；

步驟s6：更新樣本池，并重新初始化svm分類器，返回對下一幀圖像進行目標主動輪廓跟蹤。

下面結合附圖對本發(fā)明所涉及的各個步驟進行詳細說明：

1、初始化svm(支持向量機)分類器

針對序列圖像第一幀圖像，首先手動標定初始輪廓，初始輪廓的最大外接矩形向外擴大50(即p＝50)個像素點后的區(qū)域作為感興趣區(qū)域(regionofinterest，簡稱roi)；然后，對感興趣區(qū)域進行超像素分割，得到一系列的超像素。在本實施例中，采用slic超像素分割，其算法可參考文獻：r.achanta,a.shaji,k.smithanda.lucchi.slicsuperpixelscomparedtostate-of-the-artsuperpixelmethods[j].ieeetrans.onpatternanalysisandmachineintelligence,2012,34(11):2274-2282。

對于每個超像素，提取感興趣的顏色特征和紋理特征向量，并將兩者進行合并，得到該超像素的d維表觀特征向量。在本實施中，對于超像素，提取顏色特征和紋理特征向量為：將rgb圖像的超像素轉換到hsv顏色空間，對顏色進行量化，將h劃分為8等份，s劃分為4等份，v劃分為4等分，然后統計每個超像素內所有像素點落入每個區(qū)間的數目，得到128(8×4×4)維歸一化顏色特征向量；將rgb圖像的超像素轉為灰度圖，計算其lbp(localbinarypattern,局部二值模式)值，將lbp值等分為8個區(qū)間，同樣基于超像素直方圖統計得到8維的歸一化lbp特征向量即紋理特征向量。

將顏色特征和紋理特征向量進行合并，得到136(即d＝136)維的表觀特征向量。

訓練svm分類器需要采集正負樣本，記感興趣區(qū)域的初始輪廓內像素點為正，初始輪廓外像素點為負，統計每個超像素內的所有像素點，若超過半數像素點為正，記為1，則將該超像素標記為正樣本，否則標記為負樣本，記為-1。

將每個超像素的n維表觀特征向量作為輸入，其標記作為輸出對svm分類器進行訓練，得到初始化的svm分類器；同時，將每個超像素的128維表觀特征向量作為輸入，其標記1或-1作為輸出作為一組訓練樣本存入樣本池中。

將初始輪廓作為第一幀圖像目標主動輪廓跟蹤結果、序列圖像第二幀圖像作為當前幀圖像。

2、基于svm分類器和局部信息的判別式表觀模型構建

將當前幀圖像的上一幀圖像的目標主動輪廓跟蹤結果作為初始輪廓，進行第一張圖像相同的感興趣區(qū)域確定、超像素分割以及感興趣的顏色特征和紋理特征向量提取，得到每個超像素的136(即d＝136)維表觀特征向量。

2.1、基于svm分類器的置信圖計算

將第i個超像素spi′的136維表觀特征向量輸入到svm分類器中，得到該超像素的樣本標記值，即基于svm分類器的置信圖值confmapsvm_i。

2.2、基于局部信息的置信圖計算

由于實際應用場景中往往存在很多目標與背景表觀特征相似的區(qū)域，或者目標與背景存在多種表觀模式，如多種顏色等，導致分類器的準確度下降，本發(fā)明提出了一種基于局部信息的置信圖計算方法以克服該問題。

首先，計算每個超像素屬于目標和屬于背景的概率，具體計算步驟如下：

2.2.1、對上一幀圖像的輪廓跟蹤結果即目標輪廓進行標記，如果上一幀圖像感興趣區(qū)域第j個超像素spj內超過半數的像素點在目標輪廓內，則記為lj為1，否則為-1；

2.2.2、記當前幀圖像感興趣區(qū)域第i個超像素為spi′，其中心坐標為(xi′,yi′)；上一幀圖像感興趣區(qū)域第j個超像素spj的中心坐標為(xj,yj)，設置閾值為tr；

2.2.3、記當前幀圖像感興趣區(qū)域第i個超像素spi′屬于目標輪廓內的似然概率為p(spi′|obj)，屬于背景的似然概率為p(spi′|bck)，令：p(spi′|obj)＝p(spi′|bck)＝0；

2.2.4、對于當前幀圖像感興趣區(qū)域第i個超像素spi′，遍歷上一幀圖像感興趣區(qū)域的超像素spj，并進行以下運算：

2.2.4.1、令m＝n＝0，j＝1

2.2.4.2、如果則：

當lj為1時：

num1＝p(spi′|obj)+pij

m＝m+1

當lj為-1：

num2＝p(spi′|bck)+pij

n＝n+1

如果不成立，則轉到步驟

2.2.4.3、計算屬于目標輪廓內的似然概率p(spi′|obj)、屬于背景的似然概率p(spi′|bck)：

其中，pij定義為超像素spi′與spj的相似度，記spi′和spj的表觀特征向量分別為fi′，fj，則pij的計算公式為：

pij＝exp(-||fi′-fj||²)，

其中，||fi′-fj||²表示特征向量fi′，fj的歐式距離；

2.2.4.4、如果沒有遍歷完上一幀圖像感興趣區(qū)域的超像素spj，則j＝j+1，返回步驟2.2.4.2，否則，結束，得到第i個超像素spi′屬于目標輪廓內的似然概率p(spi′|obj)，屬于背景的似然概率p(spi′|bck)；

定義第i個超像素spi′基于局部信息的置信圖值為：

置信圖值的取值范圍為[-1,1]，并且具有以下的對稱判別屬性：

2.3、融合得到表觀特征的置信圖

為了得到更加精準，更加具有魯棒性的置信圖，考慮將svm分類器得到的置信圖與基于局部信息得到的置信圖融合起來。

對于第i個超像素spi′，基于局部信息的置信圖值confmaplocal_i的權值為w1_i，基于svm分類器的置信圖值confmapsvm_i的權值為w2_i，令：

w1_i＝ε*|confmaplocal_i|

w2_i＝1-ε*|confmaplocal_i|

其中，ε為常量，根據具體跟蹤場景設置，可以取0.5，融合后的置信圖值confmapi為：

confmapi＝w1_i*confmaplocal_i+w2_i*confmapsvm_i。

將當前幀圖像的所有超像素按照步驟2.1)～2.3)進行處理，得到融合后的置信圖，然后將每個超像素中的像素點賦值為該超像素的融合后的置信圖值，得到表觀特征的置信圖。

圖2分別顯示了3個序列的roi，基于svm分類器得到的置信圖，基于局部信息得到的置信圖，以及將兩者自適應權重融合后得到的置信圖即表觀特征的置信圖?？梢钥闯鰏vm分類器對于目標與背景顏色單一的簡單場景分類效果較好，對于目標與背景存在多種顏色的復雜場景分類效果下降；基于局部信息的置信圖計算在多種場景中分類效果都比較穩(wěn)定，但在目標輪廓邊緣處容易產生錯誤的劃分，并且比較依賴上一幀的輪廓跟蹤結果。本發(fā)明將兩種置信圖進行融合，在多種場景都具有不錯的分類效果和穩(wěn)定性。

4、基于運動信息的光流灰度圖計算

光流是空間運動物體在二維成像平面上像素點的瞬時運動速度，表達了相鄰幀圖像之間物體的運動信息。本發(fā)明采用的是稠密光流計算法來計算圖像上每一個像素點的光流，參考文獻：sund,roths,blackmj.secretsofopticalflowestimationandtheirprinciples.ieeeinternationalconferenceoncomputervisionandpatternrecognition,2010:2432-2439。

從而得到光流場是一個雙通道圖像，分別為x方向和y方向上的位移；通過孟塞爾顏色系統(munsellcolorsystem)實現可視化，得到光流彩色圖，其中，不同的顏色代表不同運動方向，顏色深淺代表運動速度的快慢；再通過以下公式將光流彩色圖轉換成光流灰度圖：

i＝0.2989*r+0.5870*g+0.1140*b

其中r，g和b分別代表彩色空間三個通道的像素點像素值。

圖3分別顯示了感興趣區(qū)域圖像，通過孟塞爾顏色系統實現可視化的光流彩色圖，以及轉換后的光流灰度圖。

4、基于決策樹的融合權重計算

將表觀特征的置信圖像素點的取值為-1到1等分的10個區(qū)間，分別用0～9表示，光流灰度圖像素點的取值為0到255等分的8個區(qū)間，分別用0～7表示；

使用如圖4所示的決策樹對像素點進行預測分類，如果一個像素點位置在表觀特征的置信圖中的像素點像素值在：

區(qū)間0、1，則該像素點置為背景；

區(qū)間2，同時，該像素點位置在光流灰度圖中像素點像素值在區(qū)間0，則該像素點置為目標，否則，則該像素點置為背景；

區(qū)間3、4，同時，該像素點位置在光流灰度圖中像素點像素值在區(qū)間0、1，則該像素點置為目標，否則，則該像素點置為背景；

區(qū)間5、6，同時，該像素點位置在光流灰度圖中像素點像素值在區(qū)間0-3，則該像素點置為目標，否則，則該像素點置為背景；

區(qū)間7、8，同時，該像素點位置在光流灰度圖中像素點像素值在區(qū)間0-5，則該像素點置為目標，否則，則該像素點置為背景；

區(qū)間9，則該像素點置為目標；

將屬于目標的像素點標記為1，屬于背景的像素點標記為-1，可以得到最終的置信圖即融合置信圖。

圖5顯示了感興趣區(qū)域的光流灰度圖，表觀特征置信圖，以及由兩者訓練生成的決策樹判斷得到的置信圖。由圖5可以看出，由于背景區(qū)域的繩子部分與目標一起移動，導致光流灰度圖的背景區(qū)域也包含了一些運動賦值較大的地方；表觀特征置信圖的目標區(qū)域白色部分與背景中的某些白色部分極為相似，導致計算結果將目標的某些部分錯誤的劃分成背景。通過決策樹判斷，將目標的運動特征與表觀特征相結合，生成的置信圖融合了兩者的優(yōu)點，目標與背景區(qū)域的劃分更為準確，更加具有魯棒性。

5、水平集輪廓演化

本發(fā)明的水平集輪廓演化方程采用基于邊緣的drlse(distanceregularizedlevelsetevolution)模型，演化方程為：

將式中的第三項改為利用置信圖引導，得到本發(fā)明的水平集演化方程：

演化采用融合置信圖代替氣球力α與邊緣梯度函數g的乘積進行引導并迭代k次。

水平集函數的演化分2次進行，首先在置信圖confmap的引導下迭代100(即k＝100)次，當confmap>0時，曲線具有向外擴張的趨勢；當confmap<0時，曲線具有向內收縮的趨勢，因此置信圖的引導能使曲線快速收斂到目標輪廓邊緣處。

然后由邊緣梯度函數和曲率共同引導，得到目標輪廓。演化公式為：

邊緣梯度函數的引導能使曲線收斂到圖像的局部梯度最大值，即目標真實輪廓邊緣處，曲率的引導能使曲線保持光滑性，一共迭代50次。

水平集輪廓演化屬于現有技術，在此不再贅述。

為了實施本發(fā)明的具體思想，我們在多個視頻序列上做了大量的比較實驗。并與2種輪廓跟蹤算法進行了比較，一種是superpixeltracking，本發(fā)明將其簡記為spt。參見文獻：s.wang,h.c.lu,f.yang,etal.superpixeltracking[c].ieeeinternationalconferenceoncomputervision,2011,1323-1330.該算法提取超像素的顏色特征，采用均值漂移聚類計算置信圖，本文基于該置信圖進行l(wèi)evelset跟蹤。另一種是基于光流場和水平集的目標輪廓跟蹤(opticalflowlevelset)，簡記為ofl。參考文獻：方宇強,戴斌,宋金澤,單恩忠.基于光流和水平集的運動目標分割方法研究[c].2009中國智能自動化會議論文集,2009:1541-1547.該方法利用光流場建立水平集函數的能量泛函，引導levelset的演化。圖6～8給出了三個序列的輪廓跟蹤結果和跟蹤精度圖，通過比較實驗進一步驗證了本發(fā)明方法的有效性。

6、更新樣本池，并重新初始化svm(支持向量機)分類器

經過初始化的svm分類器具有一定的分類能力，但不能適應目標表觀特征的變化，因此需要對樣本進行實時更新。

依據目標輪廓，對感興趣區(qū)域的超像素進行標記：如果超過半數像素點為正即落入目標輪廓內，記為1，則將該超像素標記為正樣本，否則標記為負樣本，記為-1，然后作為一組訓練樣本存入樣本池中；

樣本池容納的最大訓練樣本個數為sz，采用排隊的方式進行更新，新來的訓練樣本排在隊列的末端，直到訓練樣本個數超過sz，則刪除排在隊列前端的訓練樣本，訓練樣本總個數sz保持不變。

將下一幀作為當前幀，返回步驟2，對下一幀進行目標主動輪廓跟蹤。

盡管上面對本發(fā)明說明性的具體實施方式進行了描述，以便于本技術領域的技術人員理解本發(fā)明，但應該清楚，本發(fā)明不限于具體實施方式的范圍，對本技術領域的普通技術人員來講，只要各種變化在所附的權利要求限定和確定的本發(fā)明的精神和范圍內，這些變化是顯而易見的，一切利用本發(fā)明構思的發(fā)明創(chuàng)造均在保護之列。