The invention discloses a segmentation method based on local spatio-temporal feature learning unsupervised video, including video sequence to obtain the required segmentation, the use of super pixel segmentation of video sequences using optical flow information of the frames, and according to the adjacent frames of video sequence information was taken as the target range of motion graph model of initialization input. The matching results are optimized by the method of global information, and builds a model and the segmentation results using graph cut algorithm, and the output of video segmentation of moving targets. Through each of the input frames in the video super pixel segmentation can greatly reduce the computational complexity, and the use of non optimal matching of information obtained by the local optical flow of spatio-temporal information can improve the robustness of segmentation, reduce the influence of noise. Without any manual intervention, the accurate segmentation results can be obtained based on the video image's own information.
【技术实现步骤摘要】
一种基于非局部时空特征学习的无监督视频分割方法
本专利技术涉及一种基于非局部时空特征学习的无监督视频分割方法,属于计算机视觉领域,具体涉及图像处理中的视频分割领域。
技术介绍
视频是指一系列连续的单幅图像组成的图像序列,通常还包括文字、语音等信息。为了便于传输和使用,通常需要对视频进行分割,将视频中一些用户不感兴趣的区域剔除,并获得目标内容的数据特征以便后续的特征提取和分析。视频分割也称运动分割,是指按一定的标准把图像序列分割成多个区域,其目的是为了从视频序列中分离出有意义的实体。在图像处理技术中,图像与视频的分割是非常重要的低层处理技术,它几乎是所有基于图像分析的人工智能技术的基础,它为众多的高层应用提供重要的数据形式,例如:车辆识别、牌照识别、图像/视频检索、医学影像分析、基于视频对象的编码、人脸识别、目标检测跟踪和识别等。在所有这些应用中,分割通常是为了进一步对图像视频进行分析、识别,分割的准确性直接影响后续任务的有效性,因此具有十分重要的意义。视频分割一直是计算机视觉及机器学习技术中最困难的问题之一。总的来说分割的难点在于分割的目标的无规则运动与形变,快速变换的复杂背景,运动信息不准确与目标的模糊等,但想要获得精确的信息又需要利用准确的分割结果,这样就陷入一个循环之中。至今为止还没有一种通用的、可靠的无监督分割算法可以运用于所有复杂变换的场景,当前国内外众多学者所提出的视频分割算法大部分都针对某一特定的应用场合或者特定种类的图像视频。因此在未来的几年内,视频分割问题将依然是迫切需要解决的研究热点。当下最主要的视频分割方式基本上都是在静止图像分割研究 ...
【技术保护点】
一种基于非局部时空特征学习的无监督视频分割方法,其特征在于,包括如下步骤:1)获取所需分割的视频序列,利用超像素分割处理视频序列,利用光流进行前后帧信息匹配,根据视频序列相邻帧的光流信息获取运动目标的大致范围,利用非局部时空信息对匹配结果进行优化,建立图模型,求解并输出分割结果;2)对视频序列中的所有帧进行超像素分割,降低计算复杂度,提高算法处理速度;3)计算每个超像素的特征均值,中心点位置。每个超像素的特征项用一个八维向量R,G,B,H,S,V,x,y来表示;4)由于光流法计算结果的不准确性,无法单独利用光流准确判断目标位置,因此结合光流法与投票的方法,计算出运动目标的大致位置范围,同时判断出各个超像素所属的区域即前景或背景,所得结果将用于图模型的初始化输入;5)利用光流法所提供的信息计算出相邻帧超像素之间的联系,找出第n帧与第n+1帧之间相互对应的超像素组合;6)对于所有超像素匹配完成之后的视频序列,对每一帧的每一个超像素计算一个新的非局部超像素特征值,对原超像素进行优化;当n<=5时,选用前n‑1帧图片对该帧中的每一个超像素进行优化计算,n>5时,选用该帧之前的五帧来 ...
【技术特征摘要】
1.一种基于非局部时空特征学习的无监督视频分割方法,其特征在于,包括如下步骤:1)获取所需分割的视频序列,利用超像素分割处理视频序列,利用光流进行前后帧信息匹配,根据视频序列相邻帧的光流信息获取运动目标的大致范围,利用非局部时空信息对匹配结果进行优化,建立图模型,求解并输出分割结果;2)对视频序列中的所有帧进行超像素分割,降低计算复杂度,提高算法处理速度;3)计算每个超像素的特征均值,中心点位置。每个超像素的特征项用一个八维向量R,G,B,H,S,V,x,y来表示;4)由于光流法计算结果的不准确性,无法单独利用光流准确判断目标位置,因此结合光流法与投票的方法,计算出运动目标的大致位置范围,同时判断出各个超像素所属的区域即前景或背景,所得结果将用于图模型的初...
【专利技术属性】
技术研发人员:张开华,李雪君,宋慧慧,
申请(专利权)人:南京信息工程大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。