结合形状约束GraphCut行人分割.docVIP

结合形状约束GraphCut行人分割 　　摘要：传统的Graph Cut算法没有对目标的形状予以限制，很难得到语义化的分割结果，即无法保证分割出来的是“行人”。针对该问题提出一种结合形状和底层特征的Graph Cut算法。对于行人分割，用大量真实行人轮廓来表达“行人”的先验形状，对Graph Cut分割算法予以约束，同时构建一个行人模板的层次树以减少匹配时间；并且提出一种区分性的外观模型来替换原来的外观模型。实验结果证明，该算法的分割结果明显优于传统Graph Cut算法的分割结果，所得到的轮廓与真实的行人轮廓比较吻合。 　　关键词：行人分割；Graph Cut算法；层次聚类；Chamfer距离；形状约束 　　中图分类号： TP391.413 　　文献标志码：A 　　Abstract： 　　Most of the variants of Graph Cut algorithm do not impose any shape constraints on the segmentations， rendering it difficult to obtain semantic valid segmentation results. As for pedestrian segmentation， this difficulty leads to the nonhuman shape of the segmented object. An improved Graph Cut algorithm combining shape priors and discriminatively learned appearance model was proposed in this paper to segment pedestrians in static images. In this approach， a large number of real pedestrian silhouettes were used to encode the apriori shape of pedestrians， and a hierarchical model of pedestrian template was built to reduce the matching time， which would hopefully bias the segmentation results to be humanlike. A discriminative appearance model of the pedestrian was also proposed in this paper to better distinguish persons from the background. The experimental results verify the improved performance of this approach. 　　Key words： pedestrian segmentation； Graph Cut algorithm； hierarchical clustering； Chamfer distance；shape prior 　　0引言 　　行人是图像和视频监控中的主要目标，获得更加精确的行人信息对事前防范和事后取证有重要作用。因此，行人分割[1-2]是视频分析的主要内容之一。获取行人的轮廓有许多重要的应用，如图像的编辑[3]、3D人体姿态估计，所有这些应用都需要完整精确的人体轮廓。 　　目前常用的图像分割方法有水平集（Level Set）[4]、Graph Cut [5-7]等，其中，Graph Cut[5-7]算法将图像分割转化为最小化一个包含区域和边界信息能量函数的问题，并利用最大流/最小割原理求解该能量函数的最小值。Gulshan等[8]提出的分割方法，使用梯度方向直方图（Histograms of Oriented Gradients，HOG）特征预测人体轮廓，并结合GrabCut[3，9]进行精确定位分割。Li等[10]提出结合形状与外观的分割方法，先用头部躯干的解析方法定位行人；然后再通过行人模板匹配，得到行人的骨架，提取出行人的三元图（trimap）；最后用Graph Cut方法细化得到精确的行人分割。 　　Graph Cut[5-7]算法很好地将图像的区域信息（颜色、纹理等）与边界信息（梯度等）结合起来，但是当需要分割的目标颜色与背景颜色相似时，分割的效果不是很理想。Graph Cut图像分割不能得到符合语义要求的结果，比如图1中对行人的分割结果，与真实的行人轮廓差别很大，不能完整体现出一个人的轮廓。