论文部分内容阅读
本文在分析运动图像序列特点的基础上,首先提出了基于光流和水平集模型的运动目标轮廓自动跟踪方法,该方法在C-V模型的基础上引入运动目标的光流信息,以光流速度作为曲线演化的外力,且通过实验证明引入光流力的C-V模型(记为CV模型)能够准确地检测运动目标。在研究过程中,为了弥补CV模型的不足,本文对其做了以下的改进:一.CV模型中Dirac函数δ(φ)由于狭窄的定义范围,检测带有空洞比较厚的目标时对边缘轮廓线的检测会有一定的抑制。为了解决这个问题,本文提出用代替Dirac函数δ(φ)改进CV模型,这样的改进不仅消除了CV模型中Dirac函数δ(φ)对远离活动轮廓线边缘的抑制,并且使得CV模型可以快速地检测出运动目标轮廓。二.重新初始化是使水平集函数保持符号距离函数的必要步骤,它能保证水平集函数稳定收敛,但是它也降低了曲线演化的速度。本文将水平集函数与符号距离函数的偏差作为能量函数引入CV模型,以此约束水平集函数成为符号距离函数,提出无需重新初始化的CV模型,提高了模型的演化速度,同时应用该模型使得水平集函数不必初始化为符号距离函数。在本文算例中我们用图像的二值化作为初始水平集。数值算例结果表明,本文的第一种改进方法提高了曲线的演化速度,消除了Dirac函数对非零水平集的抑制,可以检测出远离活动轮廓线的内外部边缘,有更好的全局优化性;第二种改进方法对于不规则形状的初始轮廓节省了初始化过程所消耗的时间,不仅提高了CV模型的演化速度,而且具有灵活初始化水平集函数的优点。