基于异质模型拟合的运动分割方法技术

基于异质模型拟合的运动分割方法，涉及计算机视觉技术。首先，使用基于密度估计技术的投票方法，通过对异质模型假设质量的评价，生成高质量的累积相关矩阵。在此基础上，利用信息论构造稀疏亲和矩阵的方法，有效地抑制了不同目标之间的关联值。最后，利用归一化谱聚类算法对融合后的稀疏亲和矩阵进行分割，得到准确的分割结果。解决现有技术存在的真实场景中外界的光照变化、运动物体的表观和遮挡，可能会导致跟踪点包含异常值和噪声等问题。会导致跟踪点包含异常值和噪声等问题。会导致跟踪点包含异常值和噪声等问题。

【技术实现步骤摘要】
基于异质模型拟合的运动分割方法


[0001]本专利技术涉及计算机视觉技术，具体是涉及一种基于异质模型拟合的运动分割方法。

技术介绍

[0002]运动分割是计算机视觉领域一个具有挑战性的研究课题。运动分割的任务是根据不同的运动属性对视频序列中的运动对象进行分组。这是视频分割和场景理解的重要步骤。运动分割已被广泛应用于视频处理[1]、视觉监控[2]、目标识别[3]和动态场景理解[4,5]等。在实际应用中，真实场景中运动目标的跟踪点轨迹往往会受到遮挡和透视效果的破坏，这对有效地分割运动对象提出了很大的挑战。
[0003]在过去的几十年里，学者们提出了许多运动分割方法[6-10]。这些方法大致可分为基于两帧的方法和基于多帧的方法。与基于两帧的方法相比，基于多帧的方法通常可以捕获多帧之间的运动信息以获得更精确的结果。现有的基于多帧的方法可以进一步分为基于子空间的方法[11-14]和基于相似性的方法[9,10,15,16]。基于子空间的方法将跟踪点的聚类问题转化为跟踪点的标记问题。每个跟踪点由相应子空间中其他跟踪点的线性组合表示。与此相反，基于相似本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于异质模型拟合的运动分割方法，其特征在于包括以下步骤：A.准备一个运动分割数据集，给定指定异质参数模型V；B.对于每一个参数模型v∈V，计算参数模型v的累积相关矩阵Θ
(v)
；C.根据步骤B中的累积相关矩阵Θ
(v)
，利用信息论获取自适应阈值来移除不显著的矩阵元素，得到精密累积相关矩阵D.根据步骤D中的构造稀疏亲和矩阵，以有效抑制不同目标之间的关联值；E.根据步骤D中的稀疏亲和矩阵Ω
(v)
，利用归一化谱聚类算法对融合后的稀疏亲和矩阵进行分割；F.输出分割结果。2.如权利要求1所述基于异质模型拟合的运动分割方法，其特征在于在步骤A中，所述一个运动分割数据集包括一个包含个连续帧的视频，其中，每个连续帧包含一组跟踪点X，所述给定指定异质参数模型V包括仿射矩阵A、基础矩阵F与单应性矩阵H。3.如权利要求1所述基于异质模型拟合的运动分割方法，其特征在于在步骤B中，所述对于每一个参数模型v∈V，计算参数模型v的累积相关矩阵Θ
(v)
的具体步骤为：B1.在每一个连续帧中，随机采样跟踪点，生成M个模型假设；其中，仿射矩阵A、基础矩阵F与单应性矩阵H生成的模型假设，分别对应础矩阵F与单应性矩阵H生成的模型假设，分别对应B2.计算该模型假设集的残差信息；点到模型假设集的残差向量定义如下：其中，v∈V；这里，V代表不同的参数模型(仿射矩阵A、基础矩阵F与单应性矩阵H)；之后，降序排列该残差向量元素，得到一个置换：满足这里，描述了数据点与模型假设的偏好关系；B3.计算跟踪点两两之间的相关性Φ，跟踪点与的相关性定义如下：其中，|
·
∩
·
|表示两个置换之间共享相同索引的元素的交集；表示置换的前c项；c是窗口大小，实验设置为c＝0.1
×
M；B4.根据步骤B3所计算的跟踪点之间的相关性，构造相关矩阵Φ
(v)f
：
B5.根据步骤B4计算的相关矩阵Φ
(v)f
，利用基于密度估计技术的投票方法，计算该连续帧的投票分数D
(v)f
，步骤如下：给定第j个模型假设使用密度估计方法计算投票分数使用密度估计方法计算投票分数其中，是Epanechnikov核函数；是带宽；是使用IKOSE估计的内点尺度；每对连续帧的累积投票分数D
(v)f

【专利技术属性】
技术研发人员：王菡子，林舒源，江斓，严严，
申请(专利权)人：厦门大学，
类型：发明
国别省市：