CN110910399A - 一种基于决策层融合的无纹理场景区域分割方法和装置 - Google Patents
一种基于决策层融合的无纹理场景区域分割方法和装置 Download PDFInfo
- Publication number
- CN110910399A CN110910399A CN201911032734.7A CN201911032734A CN110910399A CN 110910399 A CN110910399 A CN 110910399A CN 201911032734 A CN201911032734 A CN 201911032734A CN 110910399 A CN110910399 A CN 110910399A
- Authority
- CN
- China
- Prior art keywords
- image frame
- pixel point
- certain image
- scene
- characteristic value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 190
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000004927 fusion Effects 0.000 title claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims description 36
- 238000007499 fusion processing Methods 0.000 claims description 25
- 238000007621 cluster analysis Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000002131 composite material Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于决策层融合的无纹理场景区域分割方法和装置,该方法和装置并不依靠视频中的纹理特征进行视场区域分割,其是综合利用视频的不同图像帧中像素点的色调特征值、轮廓特征值和动态性特征值,并且对特征值维度和特征值值域进行约束,以及该对像素点的动态性的统计时间跨度进行限定以避免统计时间跨度过大而降低动态性统计准确性情况的发生,该方法和装置还采用基于决策层而非特征层的融合策略对关于不同特征值的场景区域分割处理结果进行处理,此外还引入并行计算模式同时获取色调特征值、综合轮廓特征值和近期动态特征值,这样能够显著地提高其整体运算的效率,从而提高对视频复杂场景区域分割的有效性、正确性和运算效率。
Description
技术领域
本发明涉及视频处理的技术领域,特别涉及一种基于决策层融合的无纹理场景区域分割方法和装置。
背景技术
随着平安城市与平安校园建设的普及,对高清智能视频监控技术的需求也日益增长,因此智能高效视频分析技术的重要性日益凸显。对视频中的视场进行区域分割是智能视频监控中的一项关键底层技术,视场区域分割结果的好坏将直接决定上层的场景异常变化检测,以及对场景内目标物体追踪、识别的可靠性与准确性。
相关技术中,将每个像素点的RGB颜色空间的颜色特征向量和HSI颜色空间的颜色特征向量进行串联,生成每个像素点的双颜色空间的颜色特征向量,再将每个像素点的双颜色空间的颜色特征向量、每个像素点的纹理特征以及动态性特征进行融合,最终根据融合后得到的特征对视频中的视场进行区域分割。
但是上述技术存在如下缺陷,第一、上述技术不适用于无纹理的视频场景的分析,由于现实世界的大多数场景并不存在纹理特征,这使得上述技术并不是用于现实场景的视场区域分割;第二、上述技术没有限定颜色特征的值域,在颜色种类丰富的复杂内容场景中,特征层融合生成的子区域特征的类别数目庞大,这导致其不适用于含有复杂内容的场景分析;第三、上述技术串联产生的子区域特征维度过长、值域范围过大,使得后续聚类运算量巨大、区域分割耗时过长与实时性较差,以及容易造成信息冗余和增加特征层的融合特征维度;第四,上述技术计算的像素点动态性是针对整个视频时间跨度内的平均值,这导致其并不适合处理时间跨度大的长视频。
发明内容
针对现有技术存在的缺陷,本发明提供一种基于决策层融合的无纹理场景区域分割方法和装置,该方法和装置并不依靠视频中的纹理特征进行视场区域分割,其是综合利用视频的不同图像帧中像素点的色调特征值、轮廓特征值和动态性特征值,并且对特征值维度和特征值值域进行约束,以及该对像素点的动态性的统计时间跨度进行限定以避免统计时间跨度过大而降低动态性统计准确性情况的发生,该方法和装置还采用基于决策层而非特征层的融合策略对关于不同特征值的场景区域分割处理结果进行处理,此外还引入并行计算模式同时获取色调特征值、综合轮廓特征值和近期动态特征值,这样能够显著地提高其整体运算的效率,从而提高对视频复杂场景区域分割的有效性、正确性和运算效率。
本发明提供一种基于决策层融合的无纹理场景区域分割方法,其特征在于,包括如下步骤:
步骤S1,获取视频某一图像帧中每一个像素点对应的色调特征值,并根据所述色调特征值对所述某一图像帧进行关于色调的第一场景区域分割处理;
步骤S2,通过并行计算模式,同步地获取所述某一图像帧中每一个像素点对应的综合轮廓特征值,并根据所述综合轮廓特征值对所述某一图像帧进行关于轮廓的第二场景区域分割处理;
步骤S3,通过并行计算模式,同步地获取所述某一图像帧中每一个像素点对应的近期动态性特征值,并根据所述近期动态性特征值对所述某一图像帧进行关于动态性的第三场景区域分割处理;
步骤S4,对所述第一场景区域分割处理、所述第二场景区域分割处理和所述第三场景区域分割处理各自的分割结果进行决策层融合处理,以生成关于所述某一图像帧的综合场景区域分割结果;
进一步,在所述步骤S1中,获取视频某一图像帧中每一个像素点对应的色调特征值,并根据所述色调特征值对所述某一图像帧进行关于色调的第一场景区域分割处理具体包括,
步骤S101,对所述某一图像帧进行从RGB颜色空间到HSI颜色空间的转换处理,其中,色调H的取值范围为[0°,360°],饱和度S和强度I的取值范围均为[0,1];
步骤S102,将所述色调H对应的域值划分为如下6个子集:H1=[30°,90°)、H2=[90°,150°)、H3=[150°,210°)、H4=[210°,270°)、H5=[270°,330°)和H6=[330°,360°]∪[0°,30°),以将所述某一图像帧对应的像素点进行关于所述6个子集的分类处理;
步骤S103,根据所述分类处理的结果,将所述某一图像帧的每一个像素点进行归一化与量化处理,以获得每一个像素点对应的色调特征H(i,j)|t,其中,所述色调特征值H(i,j)|t的计算结果如下式(1)
在所述式(1)中,H(i,j)|t表示所述某一图像帧在坐标(i,j)处的像素点的色调特征值;
步骤S104,对所述某一图像帧中所有像素点的色调特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
步骤S105,将属于同一聚类的像素点划入同一区域,以实现对所述某一图像帧的关于色调的第一场景区域分割处理;
进一步,在所述步骤S2中,获取所述某一图像帧的每一个像素点的综合轮廓特征值,并根据所述综合轮廓特征值对所述某一图像帧进行关于轮廓的第二场景区域分割处理具体包括,
步骤S201,通过Hough变换算法计算所述无色彩视频的某一图像帧的图像轮廓,以得到所述某一图像帧内坐标(i,j)处的像素点的第一轮廓特征值shough(i,j)|t,其中,所述第一轮廓特征值shough(i,j)|t满足下面式(2)
步骤S202,通过Canny算子计算所述无色彩视频的某一图像帧的图像轮廓,以得到所述某一图像帧内坐标(i,j)处的像素点的第二轮廓特征值scanny(i,j)︱t,其中,所述第二轮廓特征值scanny(i,j)︱t满足下面式(3)
步骤S203,通过Isotropic Sobel算子计算所述无色彩视频的某一图像帧的图像轮廓,以得到所述某一图像帧内坐标(i,j)处的像素点的第三轮廓特征值ssobel(i,j)|t,其中,所述第三轮廓特征值ssobel(i,j)|t满足下面式(4)
步骤S204,根据下面式(5),对所述第一轮廓特征值shough(i,j)|t、所述第二轮廓特征值scanny(i,j)︱t和所述第三轮廓特征值ssobel(i,j)|t进行求交集运算处理,以得到综合轮廓特征值S(i,j)|t
步骤S205,对所述某一图像帧的所有像素点的综合轮廓特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
步骤S206,将属于同一聚类的像素点划入同一区域,以实现对所述某一图像帧的关于纹理的第三场景区域分割处理;
进一步,在所述步骤S3中,通过并行计算模式,同步地获取所述某一图像帧中每一个像素点对应的近期动态性特征值,并根据所述近期动态性特征值对所述某一图像帧进行关于动态性的第三场景区域分割处理具体包括,
步骤S301,于HSI颜色空间的I通道,构建关于某一图像帧中每一个像素点的混合高斯背景模型GMM;
步骤S302,在所述I通道上,统计每一个像素点对应的显著性强度值变化的次数,其中,所述显著性强度值变化是指像素点的强度值变化幅度超出其对应的混合高斯背景模型GMM所限定的强度值正常变化范围;
步骤S303,在所述I通道上,根据下面式(6),获取每一个像素点的近期动态性特征值
在上述式(6)中,为在I通道上从某一图像帧k到另一某一图像帧t之间的时间中处于坐标(i,j)处的像素点对应的显著性强度变化的次数,D(i,j)|t为在I通道上从某一图像帧k到另一某一图像帧t之间的时间中处于坐标(i,j)处的像素点对应的显著性强度变化的频率,D(i,j)|t为在I通道上处于坐标(i,j)处的像素点对应的近期动态性特征值,并且满足100≤t-k≤20000;
步骤S304,对某一图像帧中所有像素点的近期动态性特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
步骤S305,将属于同一聚类的像素点划入同一区域,以实现对所述某一图像帧的关于动态性的第三场景区域分割处理;
进一步,在所述步骤S4中,对所述第一场景区域分割处理的、所述第二场景区域分割处理和所述第三场景区域分割处理各自的分割结果进行决策层融合处理,以生成关于所述某一图像帧的综合场景区域分割结果具体包括,
步骤S401,将所述第一场景区域分割处理、所述第二场景区域分割处理和所述第三场景区域分割处理各自的分割结果进行逻辑“与”运算,以得到所述决策层融合处理的结果;
步骤S402,根据所述决策层融合处理的结果,生成关于所述某一图像帧中每一个像素点的类别号的三维向量C(i,j)|t,以作为所述综合场景区域分割结果,其中,所述三维向量C(i,j)|t的具体形式如下式(7)
C(i,j)|t=(CH(i,j)|t,CS(i,j)|t,CD(i,j)|t) (7)
在上述式(7)中,CH(i,j)|t为所述某一图像帧的处于坐标(i,j)处的像素点关于所述第一场景区域分割处理结果的类别号,CS(i,j)|t为所述某一图像帧的处于坐标(i,j)处的像素点关于所述第二场景区域分割处理结果的类别号,CD(i,j)|t为所述某一图像帧的处于坐标(i,j)处的像素点关于所述第三场景区域分割处理结果的类别号,其中所述某一图像帧中具有相同类别号的像素点隶属于同一场景区域。
本发明还提供一种基于决策层融合的无纹理场景区域分割装置,其特征在于,所述装置包括:
第一特征值获取模块,其用于获取视频某一图像帧中每一个像素点对应的色调特征值;
第二特征值获取模块,其用于获取所述某一图像帧中每一个像素点对应的综合轮廓特征值;
第三特征值获取模块,其用于获取所述某一图像帧中每一个像素点对应的近期动态性特征值;
第一场景区域分割模块,其用于根据所述色调特征值对所述某一图像帧进行关于色调的第一场景区域分割处理;
第二场景区域分割模块,其用于根据所述综合轮廓特征值对所述某一图像帧进行关于轮廓的第二场景区域分割处理;
第三场景区域分割模块,其用于根据所述近期动态性特征值对所述某一图像帧进行关于动态性的第三场景区域分割处理;
综合场景区域分割结果生成模块,其用于对所述第一场景区域分割处理的、所述第二场景区域分割处理和所述第三场景区域分割处理各自的分割结果进行决策层融合处理,以生成关于所述某一图像帧的综合场景区域分割结果;
进一步,所述第一特征值获取模块包括颜色空间转换子模块,色调子集划分子模块和色调量化子模块;其中,
所述颜色空间转换子模块用于对所述某一图像帧进行从RGB颜色空间到HSI颜色空间的转换处理;
所述色调子集划分子模块用于将所述HSI颜色空间中色调H对应的域值划分为六个子集H1、H2、H3、H4、H5和H6;
所述色调量化子模块用于根据所述六个子集H1、H2、H3、H4、H5和H6各自的域值对所述某一图像帧的每一个像素点进行归一化与量化处理,以获得每一个像素点对应的色调特征值H(i,j)|t,其中,所述色调特征值H(i,j)|t的计算结果如下式(1)
在所述式(1)中,H(i,j)|t表示所述某一图像帧在坐标(i,j)处的像素点的色调特征值,并且H1=[30°,90°)、H2=[90°,150°)、H3=[150°,210°)、H4=[210°,270°)、H5=[270°,330°)和H6=[330°,360°]∪[0°,30°);
所述第一场景区域分割模块包括第一聚类分析子模块和第一像素点划分子模块;其中,
所述第一聚类分析子模块用于对所述某一图像帧中所有像素点的色调特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
所述第一像素点划分子模块用于将属于同一聚类的像素点划入同一区域,以实现对所述某一图像帧的关于色调的第一场景区域分割处理;
进一步,所述第二特征值获取子模块包括第一轮廓特征值获取子模块、第二轮廓特征值获取子模块、第三轮廓特征值获取子模块和综合轮廓特征值获取子模块;其中,
所述第一轮廓特征值获取子模块通过Hough变换算法计算所述无色彩视频的某一图像帧的图像轮廓,以得到所述某一图像帧内坐标(i,j)处的像素点的第一轮廓特征值shough(i,j)|t,其中,所述第一轮廓特征值shough(i,j)|t满足下面式(2)
所述第二轮廓特征值获取子模块用于通过Canny算子计算所述无色彩视频的某一图像帧的图像轮廓,以得到所述某一图像帧内坐标(i,j)处的像素点的第二轮廓特征值scanny(i,j)︱t,其中,所述第二轮廓特征值scanny(i,j)︱t满足下面式(3)
所述第三轮廓特征值获取子模块用于通过Isotropic Sobel算子计算所述无色彩视频的某一图像帧的图像轮廓,以得到所述某一图像帧内坐标(i,j)处的像素点的第三轮廓特征值ssobel(i,j)|t,其中,所述第三轮廓特征值ssobel(i,j)|t满足下面式(4)
所述综合轮廓特征值获取子模块用于根据下面式(5),对所述第一轮廓特征值shough(i,j)|t、所述第二轮廓特征值scanny(i,j)︱t和所述第三轮廓特征值ssobel(i,j)|t进行求交集运算处理,以得到综合轮廓特征值S(i,j)|t
所述第二场景区域分割模块包括第二聚类分析子模块和第二像素点划分子模块;其中,
所述第二聚类分析子模块用于对所述某一图像帧的所有像素点的综合轮廓特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
所述第二像素点划分子模块用于将属于同一聚类的像素点划入同一区域,以实现对所述某一图像帧的关于轮廓的第二场景区域分割处理;
进一步,所述第三特征值获取模块包括背景模型构建子模块、强度值变化统计子模块和近期动态值计算子模块;其中,
所述背景模型构建子模块用于在HSI颜色空间的I通道中,构建关于某一图像帧中每一个像素点的混合高斯背景模型GMM;
所述强度值变化统计子模块用于在所述I通道上,统计每一个像素点对应的显著性强度值变化的次数,其中,所述显著性强度值变化是指像素点的强度值变化幅度超出其对应的混合高斯背景模型GMM所限定的强度值正常变化范围;
所述近期动态值计算子模块用于在所述I通道上,根据下面式(6)计算每一个像素点的近期动态性特征值
在上述式(6)中,为在I通道上从某一图像帧k到另一某一图像帧t之间的时间中处于坐标(i,j)处的像素点对应的显著性强度变化的次数,D(i,j)|t为在I通道上从某一图像帧k到另一某一图像帧t之间的时间中处于坐标(i,j)处的像素点对应的显著性强度变化的频率,D(i,j)|t为在I通道上处于坐标(i,j)处的像素点对应的近期动态性特征值,并且满足100≤t-k≤20000;
所述第三场景区域分割模块包括第三聚类分析子模块和第三像素点划分子模块;其中,
所述第三聚类分析子模块用于对某一图像帧中所有像素点的近期动态性特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
所述第三像素点划分子模块用于将属于同一聚类的像素点划入同一区域,以实现对所述某一图像帧的关于动态性的第三场景区域分割处理;
进一步,所述综合场景区域分割结果生成模块包括决策层融合处理子模块和三维向量生成子模块;其中,
所述决策层融合处理子模块用于将所述第一场景区域分割处理、所述第二场景区域分割处理和所述第三场景区域分割处理各自的分割结果进行逻辑“与”运算,以得到所述决策层融合处理的结果;
所述三维向量生成子模块用于根据所述决策层融合处理的结果,生成关于所述某一图像帧中每一个像素点的类别号的三维向量C(i,j)|t,以作为所述综合场景区域分割结果,其中,所述三维向量C(i,j)|t的具体形式如下式(7)
C(i,j)|t=(CH(i,j)|t,CS(i,j)|t,CD(i,j)|t) (7)
在上述式(7)中,CH(i,j)|t为所述某一图像帧的处于坐标(i,j)处的像素点关于所述第一场景区域分割处理结果的类别号,CS(i,j)|t为所述某一图像帧的处于坐标(i,j)处的像素点关于所述第二场景区域分割处理结果的类别号,CD(i,j)|t为所述某一图像帧的处于坐标(i,j)处的像素点关于所述第三场景区域分割处理结果的类别号,其中所述某一图像帧中具有相同类别号的像素点隶属于同一场景区域。
相比于现有技术,该基于决策层融合的无纹理场景区域分割方法和装置并不依靠视频中的纹理特征进行视场区域分割,其是综合利用视频的不同图像帧中像素点的色调特征值、轮廓特征值和动态性特征值,并且对特征值维度和特征值值域进行约束,以及该对像素点的动态性的统计时间跨度进行限定以避免统计时间跨度过大而降低动态性统计准确性情况的发生,该方法和装置还采用基于决策层而非特征层的融合策略对关于不同特征值的场景区域分割处理结果进行处理,此外还引入并行计算模式同时获取色调特征值、综合轮廓特征值和近期动态特征值,这样能够显著地提高其整体运算的效率,从而提高对视频复杂场景区域分割的有效性、正确性和运算效率。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于决策层融合的无纹理场景区域分割方法的流程示意图。
图2为本发明提供的一种基于决策层融合的无纹理场景区域分割方法中HSI颜色空间的模型示意图。
图3为本发明提供的一种基于决策层融合的无纹理场景区域分割方法中场景视频的示意图。
图4为本发明提供的一种基于决策层融合的无纹理场景区域分割装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1,为本发明实施例提供的一种基于决策层融合的无纹理场景区域分割方法的流程示意图。该基于决策层融合的无纹理场景区域分割方法包括如下步骤:
步骤S1,获取视频某一图像帧中每一个像素点对应的色调特征值,并根据该色调特征值对该某一图像帧进行关于色调的第一场景区域分割处理;
步骤S2,通过并行计算模式,同步地获取该某一图像帧中每一个像素点对应的综合轮廓特征值,并根据该综合轮廓特征值对该某一图像帧进行关于轮廓的第二场景区域分割处理;
步骤S3,通过并行计算模式,同步地获取该某一图像帧中每一个像素点对应的近期动态性特征值,并根据该近期动态性特征值对该某一图像帧进行关于动态性的第三场景区域分割处理;
步骤S4,对该第一场景区域分割处理、该第二场景区域分割处理和该第三场景区域分割处理各自的分割结果进行决策层融合处理,以生成关于该某一图像帧的综合场景区域分割结果。
优选地,在该步骤S1中,获取视频某一图像帧中每一个像素点对应的色调特征值,并根据该色调特征值对该某一图像帧进行关于色调的第一场景区域分割处理具体包括,
步骤S101,对该某一图像帧进行从RGB颜色空间到HSI颜色空间的转换处理,在RGB颜色空间中,R表示红色、G表示绿色、B表示蓝色,在HSI颜色空间中,H表示色调、S表示饱和度、I表示强度,其中,色调H的取值范围为[0°,360°],饱和度S和强度I的取值范围均为[0,1];
步骤S102,将该色调H对应的域值划分为如下6个子集:H1=[30°,90°)、H2=[90°,150°)、H3=[150°,210°)、H4=[210°,270°)、H5=[270°,330°)和H6=[330°,360°]∪[0°,30°),以将该某一图像帧对应的像素点进行关于该6个子集的分类处理,其中,H1代表红色色调区域、H2品红色色调区域、H3蓝色色调区域、H4青色色调区域、H5绿色色调区域、H6黄色色调区域,相应地,该6个子集对应的颜色空间分布模型对应于图2所示的HSI颜色空间的模型示意图;
步骤S103,根据该分类处理的结果,将该某一图像帧的每一个像素点进行归一化与量化处理,以获得每一个像素点对应的色调特征H(i,j)|t,其中,该色调特征值H(i,j)|t的计算结果如下式(1)
在该式(1)中,H(i,j)|t表示该某一图像帧在坐标(i,j)处的像素点的色调特征值;
步骤S104,对该某一图像帧中所有像素点的色调特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
步骤S105,将属于同一聚类的像素点划入同一区域,以实现对该某一图像帧的关于色调的第一场景区域分割处理。
优选地,在该步骤S2中,获取该某一图像帧的每一个像素点的综合轮廓特征值,并根据该综合轮廓特征值对该某一图像帧进行关于轮廓的第二场景区域分割处理具体包括,
步骤S201,通过Hough变换算法计算该无色彩视频的某一图像帧的图像轮廓,以得到该某一图像帧内坐标(i,j)处的像素点的第一轮廓特征值shough(i,j)|t,其中,该第一轮廓特征值shough(i,j)|t满足下面式(2)
步骤S202,通过Canny算子计算该无色彩视频的某一图像帧的图像轮廓,以得到该某一图像帧内坐标(i,j)处的像素点的第二轮廓特征值scanny(i,j)︱t,其中,该第二轮廓特征值scanny(i,j)︱t满足下面式(3)
步骤S203,通过Isotropic Sobel算子计算该无色彩视频的某一图像帧的图像轮廓,以得到该某一图像帧内坐标(i,j)处的像素点的第三轮廓特征值ssobel(i,j)|t,其中,该第三轮廓特征值ssobel(i,j)|t满足下面式(4)
步骤S204,根据下面式(5),对该第一轮廓特征值shough(i,j)|t、该第二轮廓特征值scanny(i,j)︱t和该第三轮廓特征值ssobel(i,j)|t进行求交集运算处理,以得到综合轮廓特征值S(i,j)|t
步骤S205,对该某一图像帧的所有像素点的综合轮廓特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
步骤S206,将属于同一聚类的像素点划入同一区域,以实现对该某一图像帧的关于纹理的第三场景区域分割处理。
优选地,在该步骤S3中,通过并行计算模式,同步地获取该某一图像帧中每一个像素点对应的近期动态性特征值,并根据该近期动态性特征值对该某一图像帧进行关于动态性的第三场景区域分割处理具体包括,
步骤S301,于HSI颜色空间的I通道,构建关于某一图像帧中每一个像素点的混合高斯背景模型GMM;
步骤S302,在该I通道上,统计每一个像素点对应的显著性强度值变化的次数,其中,该显著性强度值变化是指像素点的强度值变化幅度超出其对应的混合高斯背景模型GMM所限定的强度值正常变化范围;
步骤S303,在该I通道上,根据下面式(6),获取每一个像素点的近期动态性特征值
在上述式(6)中,为在I通道上从某一图像帧k到另一某一图像帧t之间的时间中处于坐标(i,j)处的像素点对应的显著性强度变化的次数,D(i,j)|t为在I通道上从某一图像帧k到另一某一图像帧t之间的时间中处于坐标(i,j)处的像素点对应的显著性强度变化的频率,D(i,j)|t为在I通道上处于坐标(i,j)处的像素点对应的近期动态性特征值,并且满足100≤t-k≤20000;
步骤S304,对某一图像帧中所有像素点的近期动态性特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
步骤S305,将属于同一聚类的像素点划入同一区域,以实现对该某一图像帧的关于动态性的第三场景区域分割处理。
优选地,在该步骤S4中,对该第一场景区域分割处理的、该第二场景区域分割处理和该第三场景区域分割处理各自的分割结果进行决策层融合处理,以生成关于该某一图像帧的综合场景区域分割结果具体包括,
步骤S401,将该第一场景区域分割处理、该第二场景区域分割处理和该第三场景区域分割处理各自的分割结果进行逻辑“与”运算,以得到该决策层融合处理的结果;
步骤S402,根据该决策层融合处理的结果,生成关于该某一图像帧中每一个像素点的类别号的三维向量C(i,j)|t,以作为该综合场景区域分割结果,其中,该三维向量C(i,j)|t的具体形式如下式(7)
C(i,j)|t=(CH(i,j)|t,CS(i,j)|t,CD(i,j)|t) (7)
在上述式(7)中,CH(i,j)|t为该某一图像帧的处于坐标(i,j)处的像素点关于该第一场景区域分割处理结果的类别号,CS(i,j)|t为该某一图像帧的处于坐标(i,j)处的像素点关于该第二场景区域分割处理结果的类别号,CD(i,j)|t为该某一图像帧的处于坐标(i,j)处的像素点关于该第三场景区域分割处理结果的类别号,其中该某一图像帧中具有相同类别号的像素点隶属于同一场景区域。
具体如图3所示的场景视频,该场景视频的分辨率为1080*768,帧率为30帧/秒,时长为10分钟,其时间跨度长,场景内容复杂,颜色信息丰富多样,通过上述面向无纹理场景长视频的视场区域分割方法能够显著地提高其整体运算效率,从而提高对视频复杂场景区域分割的有效性、正确性和运算效率。
参阅图4,为本发明实施例提供的一种基于决策层融合的无纹理场景区域分割装置的结构示意图。该基于决策层融合的无纹理场景区域分割装置包括:
第一特征值获取模块,其用于获取视频某一图像帧中每一个像素点对应的色调特征值;
第二特征值获取模块,其用于获取该某一图像帧中每一个像素点对应的综合轮廓特征值;
第三特征值获取模块,其用于获取该某一图像帧中每一个像素点对应的近期动态性特征值;
第一场景区域分割模块,其用于根据该色调特征值对该某一图像帧进行关于色调的第一场景区域分割处理;
第二场景区域分割模块,其用于根据该综合轮廓特征值对该某一图像帧进行关于轮廓的第二场景区域分割处理;
第三场景区域分割模块,其用于根据该近期动态性特征值对该某一图像帧进行关于动态性的第三场景区域分割处理;
综合场景区域分割结果生成模块,其用于对该第一场景区域分割处理的、该第二场景区域分割处理和该第三场景区域分割处理各自的分割结果进行决策层融合处理,以生成关于该某一图像帧的综合场景区域分割结果。
优选地,该第一特征值获取模块包括颜色空间转换子模块,色调子集划分子模块和色调量化子模块;其中,
该颜色空间转换子模块用于对该某一图像帧进行从RGB颜色空间到HSI颜色空间的转换处理;
该色调子集划分子模块用于将该HSI颜色空间中色调H对应的域值划分为六个子集H1、H2、H3、H4、H5和H6;
该色调量化子模块用于根据该六个子集H1、H2、H3、H4、H5和H6各自的域值对该某一图像帧的每一个像素点进行归一化与量化处理,以获得每一个像素点对应的色调特征值H(i,j)|t,其中,该色调特征值H(i,j)|t的计算结果如下式(1)
在该式(1)中,H(i,j)|t表示该某一图像帧在坐标(i,j)处的像素点的色调特征值,并且H1=[30°,90°)、H2=[90°,150°)、H3=[150°,210°)、H4=[210°,270°)、H5=[270°,330°)和H6=[330°,360°]∪[0°,30°);
该第一场景区域分割模块包括第一聚类分析子模块和第一像素点划分子模块;其中,
该第一聚类分析子模块用于对该某一图像帧中所有像素点的色调特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
该第一像素点划分子模块用于将属于同一聚类的像素点划入同一区域,以实现对该某一图像帧的关于色调的第一场景区域分割处理。
优选地,该第二特征值获取子模块包括第一轮廓特征值获取子模块、第二轮廓特征值获取子模块、第三轮廓特征值获取子模块和综合轮廓特征值获取子模块;其中,
该第一轮廓特征值获取子模块通过Hough变换算法计算该无色彩视频的某一图像帧的图像轮廓,以得到该某一图像帧内坐标(i,j)处的像素点的第一轮廓特征值shough(i,j)|t,其中,该第一轮廓特征值shough(i,j)|t满足下面式(2)
该第二轮廓特征值获取子模块用于通过Canny算子计算该无色彩视频的某一图像帧的图像轮廓,以得到该某一图像帧内坐标(i,j)处的像素点的第二轮廓特征值scanny(i,j)︱t,其中,该第二轮廓特征值scanny(i,j)︱t满足下面式(3)
该第三轮廓特征值获取子模块用于通过Isotropic Sobel算子计算该无色彩视频的某一图像帧的图像轮廓,以得到该某一图像帧内坐标(i,j)处的像素点的第三轮廓特征值ssobel(i,j)|t,其中,该第三轮廓特征值ssobel(i,j)|t满足下面式(4)
该综合轮廓特征值获取子模块用于根据下面式(5),对该第一轮廓特征值shough(i,j)|t、该第二轮廓特征值scanny(i,j)︱t和该第三轮廓特征值ssobel(i,j)|t进行求交集运算处理,以得到综合轮廓特征值S(i,j)|t
该第二场景区域分割模块包括第二聚类分析子模块和第二像素点划分子模块;其中,
该第二聚类分析子模块用于对该某一图像帧的所有像素点的综合轮廓特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
该第二像素点划分子模块用于将属于同一聚类的像素点划入同一区域,以实现对该某一图像帧的关于轮廓的第二场景区域分割处理。
优选地,该第三特征值获取模块包括背景模型构建子模块、强度值变化统计子模块和近期动态值计算子模块;其中,
该背景模型构建子模块用于在HSI颜色空间的I通道中,构建关于某一图像帧中每一个像素点的混合高斯背景模型GMM;
该强度值变化统计子模块用于在该I通道上,统计每一个像素点对应的显著性强度值变化的次数,其中,该显著性强度值变化是指像素点的强度值变化幅度超出其对应的混合高斯背景模型GMM所限定的强度值正常变化范围;
该近期动态值计算子模块用于在该I通道上,根据下面式(6)计算每一个像素点的近期动态性特征值
在上述式(6)中,为在I通道上从某一图像帧k到另一某一图像帧t之间的时间中处于坐标(i,j)处的像素点对应的显著性强度变化的次数,D(i,j)|t为在I通道上从某一图像帧k到另一某一图像帧t之间的时间中处于坐标(i,j)处的像素点对应的显著性强度变化的频率,D(i,j)|t为在I通道上处于坐标(i,j)处的像素点对应的近期动态性特征值,并且满足100≤t-k≤20000;
该第三场景区域分割模块包括第三聚类分析子模块和第三像素点划分子模块;其中,
该第三聚类分析子模块用于对某一图像帧中所有像素点的近期动态性特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
该第三像素点划分子模块用于将属于同一聚类的像素点划入同一区域,以实现对该某一图像帧的关于动态性的第三场景区域分割处理。
优选地,该综合场景区域分割结果生成模块包括决策层融合处理子模块和三维向量生成子模块;其中,
该决策层融合处理子模块用于将该第一场景区域分割处理、该第二场景区域分割处理和该第三场景区域分割处理各自的分割结果进行逻辑“与”运算,以得到该决策层融合处理的结果;
该三维向量生成子模块用于根据该决策层融合处理的结果,生成关于该某一图像帧中每一个像素点的类别号的三维向量C(i,j)|t,以作为该综合场景区域分割结果,其中,该三维向量C(i,j)|t的具体形式如下式(7)
C(i,j)|t=(CH(i,j)|t,CS(i,j)|t,CD(i,j)|t) (7)
在上述式(7)中,CH(i,j)|t为该某一图像帧的处于坐标(i,j)处的像素点关于该第一场景区域分割处理结果的类别号,CS(i,j)|t为该某一图像帧的处于坐标(i,j)处的像素点关于该第二场景区域分割处理结果的类别号,CD(i,j)|t为该某一图像帧的处于坐标(i,j)处的像素点关于该第三场景区域分割处理结果的类别号,其中该某一图像帧中具有相同类别号的像素点隶属于同一场景区域。
从上述实施例的内容可知,该基于决策层融合的无纹理场景区域分割方法和装置并不依靠视频中的纹理特征进行视场区域分割,其是综合利用视频的不同图像帧中像素点的色调特征值、轮廓特征值和动态性特征值,并且对特征值维度和特征值值域进行约束,以及该对像素点的动态性的统计时间跨度进行限定以避免统计时间跨度过大而降低动态性统计准确性情况的发生,该方法和装置还采用基于决策层而非特征层的融合策略对关于不同特征值的场景区域分割处理结果进行处理,此外还引入并行计算模式同时获取色调特征值、综合轮廓特征值和近期动态特征值,这样能够显著地提高其整体运算的效率,从而提高对视频复杂场景区域分割的有效性、正确性和运算效率。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于决策层融合的无纹理场景区域分割方法,其特征在于,包括如下步骤:
步骤S1,获取视频某一图像帧中每一个像素点对应的色调特征值,并根据所述色调特征值对所述某一图像帧进行关于色调的第一场景区域分割处理;
步骤S2,通过并行计算模式,同步地获取所述某一图像帧中每一个像素点对应的综合轮廓特征值,并根据所述综合轮廓特征值对所述某一图像帧进行关于轮廓的第二场景区域分割处理;
步骤S3,通过并行计算模式,同步地获取所述某一图像帧中每一个像素点对应的近期动态性特征值,并根据所述近期动态性特征值对所述某一图像帧进行关于动态性的第三场景区域分割处理;
步骤S4,对所述第一场景区域分割处理、所述第二场景区域分割处理和所述第三场景区域分割处理各自的分割结果进行决策层融合处理,以生成关于所述某一图像帧的综合场景区域分割结果。
2.如权利要求1所述的基于决策层融合的无纹理场景区域分割方法,其特征在于:
在所述步骤S1中,获取视频某一图像帧中每一个像素点对应的色调特征值,并根据所述色调特征值对所述某一图像帧进行关于色调的第一场景区域分割处理具体包括,
步骤S101,对所述某一图像帧进行从RGB颜色空间到HSI颜色空间的转换处理,其中,色调H的取值范围为[0°,360°],饱和度S和强度I的取值范围均为[0,1];
步骤S102,将所述色调H对应的域值划分为如下6个子集:H1=[30°,90°)、H2=[90°,150°)、H3=[150°,210°)、H4=[210°,270°)、H5=[270°,330°)和H6=[330°,360°]∪[0°,30°),以将所述某一图像帧对应的像素点进行关于所述6个子集的分类处理;
步骤S103,根据所述分类处理的结果,将所述某一图像帧的每一个像素点进行归一化与量化处理,以获得每一个像素点对应的色调特征H(i,j)|t,其中,所述色调特征值H(i,j)|t的计算结果如下式(1)
在所述式(1)中,H(i,j)|t表示所述某一图像帧在坐标(i,j)处的像素点的色调特征值;
步骤S104,对所述某一图像帧中所有像素点的色调特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
步骤S105,将属于同一聚类的像素点划入同一区域,以实现对所述某一图像帧的关于色调的第一场景区域分割处理。
3.如权利要求1所述的基于决策层融合的无纹理场景区域分割方法,其特征在于:
在所述步骤S2中,获取所述某一图像帧的每一个像素点的综合轮廓特征值,并根据所述综合轮廓特征值对所述某一图像帧进行关于轮廓的第二场景区域分割处理具体包括,
步骤S201,通过Hough变换算法计算所述无色彩视频的某一图像帧的图像轮廓,以得到所述某一图像帧内坐标(i,j)处的像素点的第一轮廓特征值shough(i,j)|t,其中,所述第一轮廓特征值shough(i,j)|t满足下面式(2)
步骤S202,通过Canny算子计算所述无色彩视频的某一图像帧的图像轮廓,以得到所述某一图像帧内坐标(i,j)处的像素点的第二轮廓特征值scanny(i,j)︱t,其中,所述第二轮廓特征值scanny(i,j)︱t满足下面式(3)
步骤S203,通过Isotropic Sobel算子计算所述无色彩视频的某一图像帧的图像轮廓,以得到所述某一图像帧内坐标(i,j)处的像素点的第三轮廓特征值ssobel(i,j)|t,其中,所述第三轮廓特征值ssobel(i,j)|t满足下面式(4)
步骤S204,根据下面式(5),对所述第一轮廓特征值shough(i,j)|t、所述第二轮廓特征值scanny(i,j)︱t和所述第三轮廓特征值ssobel(i,j)|t进行求交集运算处理,以得到综合轮廓特征值S(i,j)|t
步骤S205,对所述某一图像帧的所有像素点的综合轮廓特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
步骤S206,将属于同一聚类的像素点划入同一区域,以实现对所述某一图像帧的关于纹理的第三场景区域分割处理。
4.如权利要求1所述的基于决策层融合的无纹理场景区域分割方法,其特征在于:
在所述步骤S3中,通过并行计算模式,同步地获取所述某一图像帧中每一个像素点对应的近期动态性特征值,并根据所述近期动态性特征值对所述某一图像帧进行关于动态性的第三场景区域分割处理具体包括,
步骤S301,于HSI颜色空间的I通道,构建关于某一图像帧中每一个像素点的混合高斯背景模型GMM;
步骤S302,在所述I通道上,统计每一个像素点对应的显著性强度值变化的次数,其中,所述显著性强度值变化是指像素点的强度值变化幅度超出其对应的混合高斯背景模型GMM所限定的强度值正常变化范围;
步骤S303,在所述I通道上,根据下面式(6),获取每一个像素点的近期动态性特征值
在上述式(6)中,为在I通道上从某一图像帧k到另一某一图像帧t之间的时间中处于坐标(i,j)处的像素点对应的显著性强度变化的次数,D(i,j)|t为在I通道上从某一图像帧k到另一某一图像帧t之间的时间中处于坐标(i,j)处的像素点对应的显著性强度变化的频率,D(i,j)|t为在I通道上处于坐标(i,j)处的像素点对应的近期动态性特征值,并且满足100≤t-k≤20000;
步骤S304,对某一图像帧中所有像素点的近期动态性特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
步骤S305,将属于同一聚类的像素点划入同一区域,以实现对所述某一图像帧的关于动态性的第三场景区域分割处理。
5.如权利要求1所述的基于决策层融合的无纹理场景区域分割方法,其特征在于:
在所述步骤S4中,对所述第一场景区域分割处理的、所述第二场景区域分割处理和所述第三场景区域分割处理各自的分割结果进行决策层融合处理,以生成关于所述某一图像帧的综合场景区域分割结果具体包括,
步骤S401,将所述第一场景区域分割处理、所述第二场景区域分割处理和所述第三场景区域分割处理各自的分割结果进行逻辑“与”运算,以得到所述决策层融合处理的结果;
步骤S402,根据所述决策层融合处理的结果,生成关于所述某一图像帧中每一个像素点的类别号的三维向量C(i,j)|t,以作为所述综合场景区域分割结果,其中,所述三维向量C(i,j)|t的具体形式如下式(7)
C(i,j)|t=(CH(i,j)|t,CS(i,j)|t,CD(i,j)|t) (7)
在上述式(7)中,CH(i,j)|t为所述某一图像帧的处于坐标(i,j)处的像素点关于所述第一场景区域分割处理结果的类别号,CS(i,j)|t为所述某一图像帧的处于坐标(i,j)处的像素点关于所述第二场景区域分割处理结果的类别号,CD(i,j)|t为所述某一图像帧的处于坐标(i,j)处的像素点关于所述第三场景区域分割处理结果的类别号,其中所述某一图像帧中具有相同类别号的像素点隶属于同一场景区域。
6.一种基于决策层融合的无纹理场景区域分割装置,其特征在于,所述装置包括:
第一特征值获取模块,其用于获取视频某一图像帧中每一个像素点对应的色调特征值;
第二特征值获取模块,其用于获取所述某一图像帧中每一个像素点对应的综合轮廓特征值;
第三特征值获取模块,其用于获取所述某一图像帧中每一个像素点对应的近期动态性特征值;
第一场景区域分割模块,其用于根据所述色调特征值对所述某一图像帧进行关于色调的第一场景区域分割处理;
第二场景区域分割模块,其用于根据所述综合轮廓特征值对所述某一图像帧进行关于轮廓的第二场景区域分割处理;
第三场景区域分割模块,其用于根据所述近期动态性特征值对所述某一图像帧进行关于动态性的第三场景区域分割处理;
综合场景区域分割结果生成模块,其用于对所述第一场景区域分割处理的、所述第二场景区域分割处理和所述第三场景区域分割处理各自的分割结果进行决策层融合处理,以生成关于所述某一图像帧的综合场景区域分割结果。
7.如权利要求1所述的基于决策层融合的无纹理场景区域分割装置,其特征在于:
所述第一特征值获取模块包括颜色空间转换子模块,色调子集划分子模块和色调量化子模块;其中,
所述颜色空间转换子模块用于对所述某一图像帧进行从RGB颜色空间到HSI颜色空间的转换处理;
所述色调子集划分子模块用于将所述HSI颜色空间中色调H对应的域值划分为六个子集H1、H2、H3、H4、H5和H6;
所述色调量化子模块用于根据所述六个子集H1、H2、H3、H4、H5和H6各自的域值对所述某一图像帧的每一个像素点进行归一化与量化处理,以获得每一个像素点对应的色调特征值H(i,j)|t,其中,所述色调特征值H(i,j)|t的计算结果如下式(1)
在所述式(1)中,H(i,j)|t表示所述某一图像帧在坐标(i,j)处的像素点的色调特征值,并且H1=[30°,90°)、H2=[90°,150°)、H3=[150°,210°)、H4=[210°,270°)、H5=[270°,330°)和H6=[330°,360°]∪[0°,30°);
所述第一场景区域分割模块包括第一聚类分析子模块和第一像素点划分子模块;其中,
所述第一聚类分析子模块用于对所述某一图像帧中所有像素点的色调特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
所述第一像素点划分子模块用于将属于同一聚类的像素点划入同一区域,以实现对所述某一图像帧的关于色调的第一场景区域分割处理。
8.如权利要求1所述的基于决策层融合的无纹理场景区域分割装置,其特征在于:
所述第二特征值获取子模块包括第一轮廓特征值获取子模块、第二轮廓特征值获取子模块、第三轮廓特征值获取子模块和综合轮廓特征值获取子模块;其中,
所述第一轮廓特征值获取子模块通过Hough变换算法计算所述无色彩视频的某一图像帧的图像轮廓,以得到所述某一图像帧内坐标(i,j)处的像素点的第一轮廓特征值shough(i,j)|t,其中,所述第一轮廓特征值shough(i,j)|t满足下面式(2)
所述第二轮廓特征值获取子模块用于通过Canny算子计算所述无色彩视频的某一图像帧的图像轮廓,以得到所述某一图像帧内坐标(i,j)处的像素点的第二轮廓特征值scanny(i,j)︱t,其中,所述第二轮廓特征值scanny(i,j)︱t满足下面式(3)
所述第三轮廓特征值获取子模块用于通过Isotropic Sobel算子计算所述无色彩视频的某一图像帧的图像轮廓,以得到所述某一图像帧内坐标(i,j)处的像素点的第三轮廓特征值ssobel(i,j)|t,其中,所述第三轮廓特征值ssobel(i,j)|t满足下面式(4)
所述综合轮廓特征值获取子模块用于根据下面式(5),对所述第一轮廓特征值shough(i,j)|t、所述第二轮廓特征值scanny(i,j)︱t和所述第三轮廓特征值ssobel(i,j)|t进行求交集运算处理,以得到综合轮廓特征值S(i,j)|t
所述第二场景区域分割模块包括第二聚类分析子模块和第二像素点划分子模块;其中,
所述第二聚类分析子模块用于对所述某一图像帧的所有像素点的综合轮廓特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
所述第二像素点划分子模块用于将属于同一聚类的像素点划入同一区域,以实现对所述某一图像帧的关于轮廓的第二场景区域分割处理。
9.如权利要求1所述的基于决策层融合的无纹理场景区域分割装置,其特征在于:
所述第三特征值获取模块包括背景模型构建子模块、强度值变化统计子模块和近期动态值计算子模块;其中,
所述背景模型构建子模块用于在HSI颜色空间的I通道中,构建关于某一图像帧中每一个像素点的混合高斯背景模型GMM;
所述强度值变化统计子模块用于在所述I通道上,统计每一个像素点对应的显著性强度值变化的次数,其中,所述显著性强度值变化是指像素点的强度值变化幅度超出其对应的混合高斯背景模型GMM所限定的强度值正常变化范围;
所述近期动态值计算子模块用于在所述I通道上,根据下面式(6)计算每一个像素点的近期动态性特征值
在上述式(6)中,为在I通道上从某一图像帧k到另一某一图像帧t之间的时间中处于坐标(i,j)处的像素点对应的显著性强度变化的次数,D(i,j)|t为在I通道上从某一图像帧k到另一某一图像帧t之间的时间中处于坐标(i,j)处的像素点对应的显著性强度变化的频率,D(i,j)|t为在I通道上处于坐标(i,j)处的像素点对应的近期动态性特征值,并且满足100≤t-k≤20000;
所述第三场景区域分割模块包括第三聚类分析子模块和第三像素点划分子模块;其中,
所述第三聚类分析子模块用于对某一图像帧中所有像素点的近期动态性特征值进行聚类分析处理,以确定每一个像素点所属的聚类;
所述第三像素点划分子模块用于将属于同一聚类的像素点划入同一区域,以实现对所述某一图像帧的关于动态性的第三场景区域分割处理。
10.如权利要求1所述的基于决策层融合的无纹理场景区域分割装置,其特征在于
所述综合场景区域分割结果生成模块包括决策层融合处理子模块和三维向量生成子模块;其中,
所述决策层融合处理子模块用于将所述第一场景区域分割处理、所述第二场景区域分割处理和所述第三场景区域分割处理各自的分割结果进行逻辑“与”运算,以得到所述决策层融合处理的结果;
所述三维向量生成子模块用于根据所述决策层融合处理的结果,生成关于所述某一图像帧中每一个像素点的类别号的三维向量C(i,j)|t,以作为所述综合场景区域分割结果,其中,
所述三维向量C(i,j)|t的具体形式如下式(7)
C(i,j)|t=(CH(i,j)|t,CS(i,j)|t,CD(i,j)|t) (7)
在上述式(7)中,CH(i,j)|t为所述某一图像帧的处于坐标(i,j)处的像素点关于所述第一场景区域分割处理结果的类别号,CS(i,j)|t为所述某一图像帧的处于坐标(i,j)处的像素点关于所述第二场景区域分割处理结果的类别号,CD(i,j)|t为所述某一图像帧的处于坐标(i,j)处的像素点关于所述第三场景区域分割处理结果的类别号,其中所述某一图像帧中具有相同类别号的像素点隶属于同一场景区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911032734.7A CN110910399B (zh) | 2019-10-28 | 2019-10-28 | 一种基于决策层融合的无纹理场景区域分割方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911032734.7A CN110910399B (zh) | 2019-10-28 | 2019-10-28 | 一种基于决策层融合的无纹理场景区域分割方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910399A true CN110910399A (zh) | 2020-03-24 |
CN110910399B CN110910399B (zh) | 2020-09-15 |
Family
ID=69816100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911032734.7A Active CN110910399B (zh) | 2019-10-28 | 2019-10-28 | 一种基于决策层融合的无纹理场景区域分割方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910399B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6587576B1 (en) * | 2000-05-17 | 2003-07-01 | Ncr Corporation | Method of quantifying the quality of a gray scale image of a document and an apparatus therefor |
CN101169867A (zh) * | 2007-12-04 | 2008-04-30 | 北京中星微电子有限公司 | 图像分割方法、图像处理设备及系统 |
CN103914708A (zh) * | 2014-01-26 | 2014-07-09 | 冯平 | 基于机器视觉的食品品种检测方法及系统 |
CN105741322A (zh) * | 2016-02-01 | 2016-07-06 | 衢州学院 | 一种基于视频特征层融合的视场区域分割方法 |
-
2019
- 2019-10-28 CN CN201911032734.7A patent/CN110910399B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6587576B1 (en) * | 2000-05-17 | 2003-07-01 | Ncr Corporation | Method of quantifying the quality of a gray scale image of a document and an apparatus therefor |
CN101169867A (zh) * | 2007-12-04 | 2008-04-30 | 北京中星微电子有限公司 | 图像分割方法、图像处理设备及系统 |
CN103914708A (zh) * | 2014-01-26 | 2014-07-09 | 冯平 | 基于机器视觉的食品品种检测方法及系统 |
CN105741322A (zh) * | 2016-02-01 | 2016-07-06 | 衢州学院 | 一种基于视频特征层融合的视场区域分割方法 |
Non-Patent Citations (2)
Title |
---|
GUANG-NAN HE ET AL: "Image Region Segmentation Based on Color Coherence Quantization", 《MODERN APPROACHES IN APPLIED INTELLIGENCE. PROCEEDINGS 24TH INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND OTHER APPLICATIONS OF APPLIED INTELLIGENT SYSTEMS》 * |
汪媛 等: "多指标指纹图像分割方法研究", 《阜阳师范学院学报(自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110910399B (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886896B (zh) | 一种蓝色车牌分割与矫正方法 | |
CN109145915B (zh) | 一种复杂场景下车牌快速畸变矫正方法 | |
US7664315B2 (en) | Integrated image processor | |
CN103971128B (zh) | 一种面向无人驾驶车的交通标志识别方法 | |
CN110322522B (zh) | 一种基于目标识别区域截取的车辆颜色识别方法 | |
CN105678700A (zh) | 基于预测梯度的图像插值方法及系统 | |
CN106529419A (zh) | 视频显著性堆栈式聚合的对象自动检测方法 | |
CN102236785B (zh) | 一种非重叠摄像机视点之间的行人匹配方法 | |
CN108921147B (zh) | 一种基于动态纹理和变换域时空特征的黑烟车识别方法 | |
CN107507140A (zh) | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 | |
CN110796073B (zh) | 一种无纹理场景视频中对特定目标区域的侦测方法和装置 | |
CN103106663A (zh) | 计算机系统中基于图像处理实现sim卡缺陷检测的方法 | |
CN110910399B (zh) | 一种基于决策层融合的无纹理场景区域分割方法和装置 | |
CN104299200A (zh) | 一种彩色增强的单幅图像去雨处理方法 | |
CN104899898B (zh) | 基于多维信息概率模型的路面检测方法 | |
CN110910398B (zh) | 一种基于决策层融合的视频复杂场景区域分割方法和装置 | |
CN109165659B (zh) | 一种基于超像素分割的车辆颜色识别方法 | |
CN106815580A (zh) | 一种车牌定位方法 | |
CN110827293B (zh) | 一种基于决策层融合的无色彩场景区域分割方法和装置 | |
CN110826446B (zh) | 无纹理场景视频的视场区域分割方法及装置 | |
CN105139428A (zh) | 一种基于四元数的彩色图像surf特征描述方法和系统 | |
Li et al. | An algorithm for license plate recognition using radial basis function neural network | |
CN110866460B (zh) | 一种复杂场景视频中特定目标区域的侦测方法和装置 | |
CN115100620B (zh) | 一种基于道路颜色和行驶方向的车道线拟合方法 | |
CN111402189A (zh) | 一种视频图像偏色检测装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |