一種融合多線索的人體視頻分割方法
2023-05-24 23:08:11
一種融合多線索的人體視頻分割方法
【專利摘要】本發明公開了一種融合多線索的人體視頻分割方法，其通過簡單的交互獲取初始幀的前景和背景像素點，並構建前景模型和背景模型，再通過前景、背景模型對初始幀內的像素點進行標記，最終通過圖割方法獲得初始幀的分割結果，在後續幀的處理中，基於後續幀的前一幀的分割結果獲得後續幀的前景、背景模型及其初始標記，然後通過融合後續幀的運動信息及由此獲得的後續幀的形狀先驗信息，採用二值圖割方法獲得後續幀的分割結果；特點在於將融合了的顏色信息、運動信息和形狀先驗信息在後續幀之間進行傳遞，減弱了時域上位於待處理幀之前的幀對待處理幀的影響，有效地避免後續幀在分割時出現擴大後續幀的前一幀分割錯誤影響的情況，且不再需要用戶的交互。
【專利說明】一種融合多線索的人體視頻分割方法
【技術領域】
[0001]本發明涉及一種視頻分割方法，尤其是涉及一種融合多線索的人體視頻分割方法。
【背景技術】
[0002]視頻分割是指在視頻中將前景對象與背景環境區別並分割出來，它是很多視頻應用的前提與基礎，如視頻摳圖與粘貼、視頻壓縮、人機互動以及視頻理解等應用。在視頻分割中，人體視頻分割具有特別重要的意義，人體視頻不僅在眾多非剛體對象中具有代表性，而且是眾多視頻應用的核心，如智能視頻監控中的對象跟蹤、姿態估計、人體識別以及行為分析等都依賴人體視頻分割方法。然而，現有的視頻分割方法還存在許多問題，除了具有與現有的圖像分割技術共同的困難外(包括複雜的顏色、紋理分布以及模糊的邊緣等)，還具有特有的一些技術障礙，如幀間光線的變化、攝像機與對象的運動以及由此產生的遮擋與重現、3D空間的運動與2D對象投影邊界的巨大差異以及每幀的交互問題等，因此，視頻分割方法仍是目前的研究熱點。
[0003]現有的視頻分割方法對初始幀的分割多數都建立在基於條件隨機場的圖割框架中，首先基於初始交互信息建立全局或局部的前景模型和背景模型，進而計算隨機場中似然項與對比項的能量，最終通過圖割等方法獲取全局或局部的最優解來完成對當前幀的分割，而後續幀的分割則通過採用將前一幀的分割模型向後傳播的方式，迭代地應用上述方法完成分割。這種視頻分割方法對幀處理的過程中，若當前幀的分割過程出現分割錯誤的像素時，在後續幀的分割中就會放大錯誤的像素的影響，這樣將嚴重影響後續中貞的分害I]效果° Fan 等人(Fan et al.Tranductive segmentation of live video withnon-stationary background.1n IEEE Conference on Computer Vision and PatternRecognition, 2010.動態背景的實時分割，電氣電子工程師學會，計算機視覺與模式識別國際會議)提出了一種全局動態顏色模型和快速局部核密度估計模型相結合的方法，其將局部顏色與全局顏色進行融合，該方法在處理背景比較複雜的幀時，容易導致分割結果錯誤。Bai 等人(Bai et al.Dynamic Color Flow:A Motion-Adaptive Color Model forObject Segmentation in Vide0.1n:1lth European Conference on Computer Vision.動態顏色光流:一個運動自適應的顏色視頻分割模型，第11屆計算機視覺歐洲會議)提出了一種融合顏色信息、運動信息和形狀信息的視頻分割方法，其將運動估計加入顏色模型中，並根據運動的局部特徵自適應地調節局部顏色的採樣窗口大小，並且加入形狀信息；Price等人(LIVEcut:Learning-based interactive video segmentation by evaluation ofmultiple propagated cues.1n IEEE.1n IEEE International Conference on ComputerVision, 2009.電氣電子工程師學會，計算機視覺國際會議)提出了 LIVEcut方法，其將顏色、梯度、形狀、時空、運動等信息，自適應的方式融合到圖割的能量項中，雖然，Bai等人和Price等人各自提出的方法在處理背景比較複雜的幀時能取得較好的分割結果，但是在後續幀的分割中，需要用戶的交互。
【發明內容】
[0004]本發明所要解決的技術問題是提供一種融合多線索的人體視頻分割方法，其融合了顏色信息、運動信息和形狀先驗信息，減弱了時域上位於待處理幀之前的幀對待處理幀的影響，有效地避免後續幀在分割時出現擴大後續幀的前一幀分割錯誤影響的情況，且在後續幀的處理中，不再需要用戶交互。
[0005]本發明解決上述技術問題所採用的技術方案為:一種融合多線索的人體視頻分割方法，其特徵在於:包括以下步驟:
[0006]①從一段含有人體的視頻序列中取出其初始幀，採用HOG人體檢測方法對初始幀進行人體檢測，獲得一個矩形的人體檢測框，將初始幀內處於人體檢測框外的所有像素點標記為背景像素點，然後標記出初始幀內處於人體檢測框內的部分前景像素點和部分背景像素點，將標記出的所有前景像素點構成初始幀的前景區域，將標記出的所有背景像素點構成初始幀的背景區域，將初始幀內未標記的像素點確認為未知點；
[0007]②利用局部競爭的一類支持向量機分類模型，根據初始幀的前景區域在初始幀內的每個像素點的鄰域窗口內構建一個前景模型，並根據初始幀的背景區域在初始幀內的每個像素點的鄰域窗口內構建一個背景模型，然後通過獲取初始幀內的每個未知點對應的前景模型和背景模型的得分，得到初始幀內的每個未知點對前景區域和背景區域的損失值，再根據初始幀內的每個未知點對前景區域和背景區域的損失值，對初始幀內的每個未知點進行重新標記，進一步將初始幀內的部分未知點標記為前景像素點或背景像素點，將標記為前景像素點的未知點加入到初始幀的前景區域中以更新初始幀的前景區域，將標記為背景像素點的未知點加入到初始幀的背景區域中以更新初始幀的背景區域，然後提取出重新標記後初始幀內仍未標記的像素點對更新前的初始幀的前景區域及更新前的初始幀的背景區域的損失值；
[0008]③在更新完初始幀的前景區域和初始幀的背景區域後，將初始幀內仍未標記的像素點作為初始幀的未知點， 然後返回步驟②繼續執行，直到完成N次迭代，得到N次迭代更新後獲得的初始幀的前景區域和初始幀的背景區域、N次迭代更新後的初始幀內的未知點以及N次迭代更新後的初始幀內的每個未知點對N-1次迭代更新後獲得的初始幀的前景區域和背景區域的損失值，其中，20 ^ N ^ 30 ；
[0009]④根據N次迭代更新後獲得的初始幀的前景區域和初始幀的背景區域、N次迭代更新後的初始幀內的未知點、N-1次迭代更新後的初始幀的前景區域和背景區域，採用圖割方法對N次迭代更新後的初始幀內的每個像素點進行處理，得到初始幀的分割結果，即得到初始幀的人體對象，然後將初始幀的下一幀作為當前幀，再執行步驟⑤；
[0010]⑤基於當前幀的上一幀的分割結果對當前幀進行分割處理，具體過程如下:
[0011]⑤-1、根據當前幀的上一幀的分割結果，預測得到當前幀的整體前景模型和整體背景模型；
[0012]⑤-2、利用當前幀的整體前景模型和整體背景模型對當前幀內的每個像素點進行標記，獲得當前幀內的部分前景像素點和部分背景像素點，將獲得的當前幀的所有前景像
素點構成當前幀的前景區域，將獲得的當前幀的所有背景像素點構成當前幀的背景區域，並將當前幀內未標記的像素點確定為未知點；[0013]⑤-3、利用局部競爭的一類支持向量機分類模型，根據當前幀的前景區域在當前幀內的每個像素點的鄰域窗口內構建一個前景模型，並根據當前幀的背景區域在當前幀內的每個像素點的鄰域窗口內構建一個背景模型，然後通過獲取當前幀內的每個未知點對應的前景模型和背景模型的得分，得到當前幀內的每個未知點對前景區域和背景區域的損失值，再根據當前幀內的每個未知點對前景區域和背景區域的損失值，對當前幀內的每個未知點進行重新標記，進一步將當前幀內的部分未知點標記為前景像素點或背景像素點，將標記為前景像素點的未知點加入到當前幀的前景區域中以更新當前幀的前景區域，將標記為背景像素點的未知點加入到當前幀的背景區域中以更新當前幀的背景區域，並得到M次重新標記後更新得到的當前幀的前景區域、背景區域、未知點以及M次重新標記後當前幀內的每個未知點對M-1次重新標記後的當前幀的前景區域及背景區域的損失值，其中，2≤M≤3 ;
[0014]⑤_4、通過光流法得到當前幀的預測分割結果，並通過光流法估計當前幀的上一幀中的人體對象在當前幀的前景邊界，然後根據當前幀的預測分割結果以及當前幀的上一幀中的人體對象在當前幀的前景邊界，獲取當前幀內的每個像素點的形狀先驗信息；
[0015]⑤_5、根據當前幀內的每個像素點的形狀先驗信息以及M次迭代更新後的當前幀的前景區域和當前幀的背景區域，M次迭代更新後的當前幀的未知點，M-1次迭代更新後的當前幀的前景區域和當前幀的背景區域，採用二值圖割方法對M次迭代更新後的當前幀內的每個像素點進行處理，得到當前幀的分割結果，即得到當前幀的人體對象；
[0016]⑥將當前幀的下一幀作為當前幀，然後返回步驟⑤繼續執行，直到完成視頻序列中所有幀的分割，得到分割後的視頻序列。
[0017]所述的步驟②的具體過程為:
[0018]②-1、構建初始幀內的每個像素點對應的前景模型和背景模型:以初始幀內的每個像素點為中心，分別建立初始幀內的每個像素點的鄰域窗口，在初始幀內的每個像素點的鄰域窗口內，根據初始幀的前景區域，採用局部競爭的一類支持向量機分類模型構建初始幀內的每個像素點對應的前景模型，再根據初始幀的背景區域，採用局部競爭的一類支持向量機分類模型構建初始幀內的每個像素點對應的背景模型；
[0019]②_2、利用初始幀內的每個未知點對應的前景模型和背景模型，對初始幀內的每個未知點進行重新標記，並更新初始幀的前景區域和背景區域，具體過程為:
[0020]②_2a、將初始幀內當前待處理的未知點定義為當前未知點；
[0021]②_2b、獲取當前未知點對應的前景模型和背景模型的得分，具體過程如下:如果當前未知點的鄰域窗口內不存在前景像素點，則確定當前未知點對應的前景模型的得分為O;如果當前未知點的鄰域窗口內不存在背景像素點，則確定當前未知點對應的背景模型的得分為O ;如果當前未知點的鄰域窗口內存在前景像素點，則根據當前未知點的鄰域窗
口內已標記的前景像素點，利用
【權利要求】
1.一種融合多線索的人體視頻分割方法，其特徵在於:包括以下步驟: ①從一段含有人體的視頻序列中取出其初始幀，採用HOG人體檢測方法對初始幀進行人體檢測，獲得一個矩形的人體檢測框，將初始幀內處於人體檢測框外的所有像素點標記為背景像素點，然後標記出初始幀內處於人體檢測框內的部分前景像素點和部分背景像素點，將標記出的所有前景像素點構成初始幀的前景區域，將標記出的所有背景像素點構成初始幀的背景區域，將初始幀內未標記的像素點確認為未知點； ②利用局部競爭的一類支持向量機分類模型，根據初始幀的前景區域在初始幀內的每個像素點的鄰域窗口內構建一個前景模型，並根據初始幀的背景區域在初始幀內的每個像素點的鄰域窗口內構建一個背景模型，然後通過獲取初始幀內的每個未知點對應的前景模型和背景模型的得分，得到初始幀內的每個未知點對前景區域和背景區域的損失值，再根據初始幀內的每個未知點對前景區域和背景區域的損失值，對初始幀內的每個未知點進行重新標記，進一步將初始幀內的部分未知點標記為前景像素點或背景像素點，將標記為前景像素點的未知點加入到初始幀的前景區域中以更新初始幀的前景區域，將標記為背景像素點的未知點加入到初始幀的背景區域中以更新初始幀的背景區域，然後提取出重新標記後初始幀內仍未標記的像素點對更新前的初始幀的前景區域及更新前的初始幀的背景區域的損失值； ③在更新完初始幀的前景區域和初始幀的背景區域後，將初始幀內仍未標記的像素點作為初始幀的未知點，然後返回步驟②繼續執行，直到完成N次迭代，得到N次迭代更新後獲得的初始幀的前景區域和初始幀的背景區域、N次迭代更新後的初始幀內的未知點以及N次迭代更新後的初始幀內的每個未知點對N-1次迭代更新後獲得的初始幀的前景區域和背景區域的損失值，其中，20≤N≤30 ； ④根據N次迭 代更新後獲得的初始幀的前景區域和初始幀的背景區域、N次迭代更新後的初始幀內的未知點、N-1次迭代更新後的初始幀的前景區域和背景區域，採用圖割方法對N次迭代更新後的初始幀內的每個像素點進行處理，得到初始幀的分割結果，即得到初始幀的人體對象，然後將初始幀的下一幀作為當前幀，再執行步驟⑤； ⑤基於當前幀的上一幀的分割結果對當前幀進行分割處理，具體過程如下: ⑤-1、根據當前幀的上一幀的分割結果，預測得到當前幀的整體前景模型和整體背景模型； ⑤-2、利用當前幀的整體前景模型和整體背景模型對當前幀內的每個像素點進行標記，獲得當前幀內的部分前景像素點和部分背景像素點，將獲得的當前幀的所有前景像素點構成當前幀的前景區域，將獲得的當前幀的所有背景像素點構成當前幀的背景區域，並將當前幀內未標記的像素點確定為未知點； ⑤-3、利用局部競爭的一類支持向量機分類模型，根據當前幀的前景區域在當前幀內的每個像素點的鄰域窗口內構建一個前景模型，並根據當前幀的背景區域在當前幀內的每個像素點的鄰域窗口內構建一個背景模型，然後通過獲取當前幀內的每個未知點對應的前景模型和背景模型的得分，得到當前幀內的每個未知點對前景區域和背景區域的損失值，再根據當前幀內的每個未知點對前景區域和背景區域的損失值，對當前幀內的每個未知點進行重新標記，進一步將當前幀內的部分未知點標記為前景像素點或背景像素點，將標記為前景像素點的未知點加入到當前幀的前景區域中以更新當前幀的前景區域，將標記為背景像素點的未知點加入到當前幀的背景區域中以更新當前幀的背景區域，並得到M次重新標記後更新得到的當前幀的前景區域、背景區域、未知點以及M次重新標記後當前幀內的每個未知點對M-1次重新標記後的當前幀的前景區域及背景區域的損失值，其中，2≤M≤3 ; ⑤-4、通過光流法得到當前幀的預測分割結果，並通過光流法估計當前幀的上一幀中的人體對象在當前幀的前景邊界，然後根據當前幀的預測分割結果以及當前幀的上一幀中的人體對象在當前幀的前景邊界，獲取當前幀內的每個像素點的形狀先驗信息； ⑤-5、根據當前幀內的每個像素點的形狀先驗信息以及M次迭代更新後的當前幀的前景區域和當前幀的背景區域，M次迭代更新後的當前幀的未知點，M-1次迭代更新後的當前幀的前景區域和當前幀的背景區域，採用二值圖割方法對M次迭代更新後的當前幀內的每個像素點進行處理，得到當前幀的分割結果，即得到當前幀的人體對象； ⑥將當前幀的下一幀作為當前幀，然後返回步驟⑤繼續執行，直到完成視頻序列中所有幀的分割，得到分割後的視頻序列。
2.根據權利要求1所述的一種融合多線索的人體視頻分割方法，其特徵在於:所述的步驟②的具體過程為: ②-1、構建初始幀內的每個像素點對應的前景模型和背景模型:以初始幀內的每個像素點為中心，分別建立初始幀內的每個像素點的鄰域窗口，在初始幀內的每個像素點的鄰域窗口內，根據初始幀的前景區域，採用局部競爭的一類支持向量機分類模型構建初始幀內的每個像素點對應的前景模型，再根據初始幀的背景區域，採用局部競爭的一類支持向量機分類模型構建初始幀內的每個像素點對應的背景模型； ②-2、利用初始幀內的每個未知點對應的前景模型和背景模型，對初始幀內的每個未知點進行重新標記，並更新初始幀的前景區域和背景區域，具體過程為: ②_2a、將初始幀內當前待處理的未知點定義為當前未知點； ②_2b、獲取當前未知點對應的前景模型和背景模型的得分，具體過程如下:如果當前未知點的鄰域窗口內不存在前景像素點，則確定當前未知點對應的前景模型的得分為O ;如果當前未知點的鄰域窗口內不存在背景像素點，則確定當前未知點對應的背景模型的得分為O ;如果當前未知點的鄰域窗口內存在前景像素點，則根據當前未知點的鄰域窗口內已標記的前景像素點，利用
3.根據權利要求2所述的一種融合多線索的人體視頻分割方法，其特徵在於:所述的步驟④中獲取初始幀的分割結果的具體過程為: ④-1、假定N次迭代更新後的初始幀的前景區域中的每個前景像素點對N-1次迭代更新後的初始幀的前景區域的損失值為O，假定N次迭代更新後的初始幀的前景區域中的每個前景像素點對N-1次迭代更新後的初始幀的背景區域的損失值為1，假定N次迭代更新後的初始幀的背景區域中的每個背景像素點對N-1次迭代更新完成的初始幀的前景區域的損失值為1，假定N次迭代更新後的初始幀的背景區域中的每個背景像素點對N-1次迭代更新完成的初始幀的背景區域的損失值為O ; ④_2、根據N次迭代更新後的初始幀內的每個像素點對N-1次迭代更新後獲得的初始幀的前景區域和初始幀的背景區域的損失值，對圖割方法的能量函數的一元項U(Xm)進行計算，其中，Xni表示N次迭代更新後的初始幀內的第m個像素點，M』表示視頻序列中的每幀內包含的像素點的總個數，I≤m≤M』 ； ④-3、根據N次迭代更新後的初始幀內相鄰兩個像素點，對圖割方法的能量函數的二元項V(xm，xj)進行計算，V(Xm,Xj) = gamma|Xm-Xj| -1e β、，其中，m關j, χ」表示N次迭代更新後的初始幀內的第j個像素點，I≤j≤M』，Y是常數，「I I」是絕對值符號，e表示自然基數，表示dmj的期望，dmj=| Iim-1jI |2，「| 111」表示二範式符號，ImR的值分別為Xm的R顏色通道值、G顏色通道值和B顏色通道值，Ij內的值分別為Xj的R顏色通道值、G顏色通道值和B顏色通道值； ④_4、根據圖割方法的能量函數的一元項U(Xm)和二元項V(xm，Xj)，獲得圖割方法的能量函數，記為
4.根據權利要求3所述的一種融合多線索的人體視頻分割方法，其特徵在於:所述的步驟⑤-3的具體過程為: ⑤-3-1、構建當前幀內的每個像素點對應的前景模型和背景模型:以當前幀內的每個像素點為中心，分別建立當前幀內的每個像素點的鄰域窗口，在當前幀內的每個像素點的鄰域窗口內，根據當前幀的前景區域，採用局部競爭的一類支持向量機分類模型構建當前幀內的每個像素點對應的前景模型，再根據當前幀的背景區域，採用局部競爭的一類支持向量機分類模型構建當前幀內的每個像素點對應的背景模型； ⑤-3-2、利用當前幀內的每個未知點對應的前景模型和背景模型，對當前幀內的每個未知點進行重新標記，並更新當前幀的前景區域和背景區域，具體過程為: ⑤-3-2a、將當前幀內當前待處理的未知點定義為當前處理未知點； ⑤-3-2b、獲取當前處理未知點對應的前景模型和背景模型的得分，具體過程如下:如果當前處理未知點的鄰域窗口內不存在前景像素點，則確定當前處理未知點對應的前景模型的得分為O ;如果當前處理未知點的鄰域窗口內不存在背景像素點，則確定當前處理未知點對應的背景模型的得分為O ;如果當前處理未知點的鄰域窗口內存在前景像素點，則根據當前處理未知點的鄰域窗口內已標記的前景像素點，利用
5.根據權利要求4所述的一種融合多線索的人體視頻分割方法，其特徵在於:所述的步驟②和所述的步驟⑤-3中的鄰域窗口的大小為33X33。
6.根據權利要求5所述的一種融合多線索的人體視頻分割方法，其特徵在於:所述的步驟②-2c和所述的步驟⑤-3-2c中的TF1(W取0.2，TFhigh取0.4，TBlow取0.3，TBhigh取0.4。
7.根據權利要求6所述的一種融合多線索的人體視頻分割方法，其特徵在於:所述的步驟⑤-4中通過光流法估計得到當前幀的上一幀中的人體對象在當前幀的前景邊界後，對該前景邊界進行形態學的操作，獲得封閉的前景邊界，再根據當前幀的預測分割結果以及該封閉的前景邊界，獲取當前幀內的每個像素點的形狀先驗信息。
8.根據權利要求6所述的一種融合多線索的人體視頻分割方法，其特徵在於:所述的步驟⑤-4中獲取當前幀的上一幀中的人體對象在當前幀的前景邊界以及當前幀內的每個像素點的形狀先驗信息的具體過程為: ⑤_4a、採用光流法對當前幀的上一幀的前景區域進行光流計算，得到一個當前幀的上一幀中的人體對象在當前幀的前景邊界，具體過程為:1)將當前幀的上一幀的前景區域內當前待處理的像素點記為xi>2; 2)將在當前幀的上一幀中的坐標位置記為P2，然後通過光流法計算得到在當前幀中的坐標位置，記力P Pi =P ，其中，&表示在η ΩF區域內的局部平均光流向量，Np2表示以Xa.為中心的鄰域窗口，符號「 η 」為交集運算符號，ωρ為當前幀的上一幀的前景區域；3)將當前幀的上一幀的前景區域內下一個待處理的像素點記為然後返回步驟2)繼續執行，直到當前幀的上一幀的前景區域內的所有像素點處理完畢，得到當前幀的上一幀的前景區域內的每個像素點在當前幀中的坐標位置，進而得到當前幀的上一幀中的人體對象在當前幀的前景邊界； ⑤-4b、計算當前幀內的每個像素點到當前幀的上一幀中的人體對象在當前幀的前景邊界的距離，將當前幀內的第k』個像素點xk』到當前幀的上一幀中的人體對象在當前幀的
d(xk>)前景邊界的距離記為Zft (xk；), fp (Xk,) = I — e—j ,其中， ，Μ』表示視頻序列中的每幀內包含的像素點的總個數，d (xk，)表示xk，到當前幀的上一幀中的人體對象在當前幀的前景邊界的歐式距離，S s是一個用於調節形狀先驗信息對二值圖割方法的一元項的影響的大小的參數； ⑤-4c、根據當前幀內的每個像素點到當前幀的上一幀中的人體對象在當前幀的前景邊界的距離，及當前幀的預測分割結果，得到當前幀內的每個像素點的形狀先驗信息，將當前幀內的第k』個像素點的形狀先驗信息記為/ 其中，L' U+1 (xk，)表示xk，在當前幀的預測分割結果中的標記，如果xm，在當前幀的預測分割結果中為前景像素點，則L, U+1 (xk，)=l，如果xk，在當前幀的預測分割結果中為背景像素點，則L, u+1(xk，)=0，「min{}」為取最小值函數，「minlO-L' U+1 (xk，)，1_L' U+1 (xk，)} 」 表示取出 0_L' U+1 (xk，)和 1_L' u+1(xk，)中的最小值，符號「I I」為取絕對值符號。
9.根據權利要求8所述的一種融合多線索的人體視頻分割方法，其特徵在於:所述的步驟⑤_4a中的鄰域窗口的大小為5X5。
10.根據權利要求9所述的一種融合多線索的人體視頻分割方法，其特徵在於:所述的步驟⑤-5中利用二值圖割方法對當前幀進行分割的具體過程為: ⑤-5-1、假定M次迭代更新後的當前幀的前景區域中的每個前景像素點對M-1次迭代更新後的當前幀的前景區域的損失值為O，假定M次迭代更新後的當前幀的前景區域中的每個前景像素點對M-1次迭代更新後的當前幀的背景區域的損失值為1，假定M次迭代更新後的當前幀的背景區域中的每個背景像素點對M-1次迭代更新後的當前幀的前景區域的損失值為1，假定M次迭代更新後的當前幀的背景區域中的每個背景像素點對M-1次迭代更新後的當前幀的背景區域的損失值O ; ⑤-5-2、根據當前幀內的每個像素點的形狀先驗信息以及M次迭代更新後的當前幀內的每個像素點對M-1次迭代更新後的當前幀的前景區域和背景區域的損失值，得到二值圖割方法的一元項，記為 U (xm,，LmO , U (xm,，Lm，)= a fc (xm,) + (l-a )fs(xk，)，其中，k』 =m』，xm，為 M次迭代更新後的當前幀內的第m』個像素點，l≤m』≤M』，Lm，表示xm，的標記，當xm，為背景像素點時，Lm.的值為O,當xm，為前景像素點時，Lm.的值為I,當xm，為未知點時，Lm.的值為
【文檔編號】G06T7/20GK103473789SQ201310340671
【公開日】2013年12月25日 申請日期:2013年8月7日 優先權日:2013年8月7日
【發明者】肖波, 郭立君, 張 榮, 趙傑煜 申請人:寧波大學