【技术实现步骤摘要】
本专利技术属于人工智能领域，涉及计算机视觉和图像处理领域，具体是涉及一种用于视频中运动目标检测的聚类方法、系统、设备及介质。
技术介绍
1、计算机视觉是人工智能领域的一个重要分支，致力于使计算机能够模拟人类视觉系统，实现对图像和视频的理解、分析和处理。在计算机视觉和图像处理领域，前景分割是一项关键任务，用于将图像中前景区域内感兴趣的目标提取出来，从而为目标检测和跟踪提供基础。通过分割出前景区域，可以更准确地定位目标，进而实现对目标物体的跟踪与分析。
2、然而，目前的前景分割算法在应用到对视频中运动目标的检测时，会产生许多无意义的噪声点和多个目标物体轮廓，存在错误检测出的目标框和错误显示的轮廓，在进行后续跟踪和分析处理之前，需要进行去噪处理。
技术实现思路
1、针对上述问题，本专利技术的目的是提供一种用于视频中运动目标检测的聚类方法、系统、设备及介质，利用两阶段聚类算法去除噪声点，能够快速准确地聚类出目标物体轮廓。
2、为实现上述目的，本专利技术采取以下技术方案：
3、第一方面，本专利技术提供一种用于视频中运动目标检测的聚类方法，包括以下步骤：
4、获取视频中的某一帧图像作为原始图像，并利用图像前景算法得到轮廓二值图；
5、将轮廓二值图内的所有轮廓点作为待聚类的样本点，利用自适应邻域聚类算法进行聚类，得到去除噪声轮廓点后的若干类簇；
6、将得到的各类簇按照预设融合规则进行融合，得到轮廓二值图中物体的轮廓信息，用于
7、进一步，所述获取视频中的某一帧图像作为原始图像，并利用图像前景算法得到轮廓二值图，包括：
8、获取视频中的某一帧图像作为原始图像；
9、基于高斯混合模型的背景减除法对原始图像进行处理，得到前景图像；
10、依次对前景图像进行高斯模糊处理、二值化处理和形态学操作处理，得到前景图像的轮廓二值图。
11、进一步，所述将轮廓二值图内的所有轮廓点作为待聚类的样本点，利用自适应邻域聚类算法进行聚类，得到去除噪声轮廓点后的若干类簇，包括：
12、将轮廓二值图中的所有轮廓点作为待聚类的样本点，并计算各样本点之间的距离；
13、以样本点之间的距离越小，其连接的概率越大为前提构建优化目标函数，并进行求解；
14、基于求解结果对待聚类的样本点进行聚类，得到若干初始类簇；
15、将得到的各初始类簇中样本点数量小于预设值的类簇视作噪声轮廓点进行删除，得到去除噪声轮廓点后的若干类簇。
16、进一步，所述优化目标函数为：
17、
18、有且只有3个非零元素
19、其中，xi和xj分别代表第i个和第j个轮廓样本点；sij代表第i个和第j个轮廓样本点的连接概率；s代表由连接概率sij组成的概率矩阵；γ代表正则系数，用于防止连接概率sij是平凡解；约束条件代表第i个轮廓样本点与其他轮廓样本点的连接概率之和为1，且与任一其他轮廓样本点的连接概率值大于0，小于1。
20、进一步，所述将得到的各类簇按照预设融合规则进行融合，得到轮廓二值图中物体的轮廓信息，用于判断原始图像中是否出现了运动目标，包括：
21、将各类簇中的样本点个数作为质量m赋予对应类簇；
22、利用引力模型公式计算各类簇之间的引力值；
23、基于预设融合规则以及各类簇之间的引力值对所有类簇进行融合聚类，得到轮廓二值图中物体的轮廓信息。
24、进一步，所述基于预设融合规则以及各类簇之间的引力值对所有类簇进行融合聚类，得到轮廓二值图中物体的轮廓信息，包括：
25、基于待聚类的所有样本点数量n，确定阈值集合[1,2,3，…，n/2]；
26、按照从小到大的顺序对阈值集合中的阈值进行排列，并根据最小阈值判断融合是否发生，若是，则按照预设融合规则将质量小于当前阈值的类簇融合到质量大于当前阈值的对应类簇中，否则按顺序对当前阈值进行更新后继续判断，直到遍历完阈值集合，得到轮廓二值图中物体的轮廓信息。
27、进一步，所述预设融合规则为：
28、当类簇i对类簇j的引力值大于其他类簇对类簇i的引力值之和，则认为类簇i有合并到点簇j的趋势；
29、如果类簇j也有合并到类簇i的趋势，则不对类簇i和类簇j进行合并。
30、第二方面，本专利技术提供一种用于视频中运动目标检测的聚类系统，包括：
31、图像前景处理模块，用于获取视频中的某一帧图像作为原始图像，并利用图像前景算法得到轮廓二值图；
32、第一聚类模块，用于将轮廓二值图内的所有轮廓点作为待聚类的样本点，利用自适应邻域聚类算法进行聚类，得到去除噪声轮廓点后的若干类簇；
33、第二聚类模块，用于将得到的各类簇按照预设融合规则进行融合，得到轮廓二值图中物体的轮廓信息，用于判断原始图像中是否出现了运动目标。
34、第三方面，本专利技术提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行任一方法。
35、第四方面，本专利技术提供一种计算设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行任一方法的指令。
36、本专利技术由于采取以上技术方案，其具有以下优点：
37、1、本专利技术提出的聚类方法在常规方法获得的轮廓二值图基础上，利用两阶段聚类算法去除噪声点，能够在无需输入任何超参数的情况下快速完成聚类，具有一定的鲁棒性。
38、2、本专利技术将聚类解耦为两个阶段，第一阶段通过自适应邻域算法的优势充分发掘样本点的邻域信息，然后第二阶段按照从小到大的层次融合，最终可以获得准确的类簇，本专利技术可以准确的去除噪声点，有效聚类出目标物体轮廓，为后续跟踪或检测步骤提供有效的先验知识。
39、因此，本专利技术可以广泛应用于人工智能领域，特别是计算机视觉和图像处理领域。
本文档来自技高网...【技术保护点】
1.一种用于视频中运动目标检测的聚类方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种用于视频中运动目标检测的聚类方法，其特征在于，所述获取视频中的某一帧图像作为原始图像，并利用图像前景算法得到轮廓二值图，包括：
3.如权利要求1所述的一种用于视频中运动目标检测的聚类方法，其特征在于，所述将轮廓二值图内的所有轮廓点作为待聚类的样本点，利用自适应邻域聚类算法进行聚类，得到去除噪声轮廓点后的若干类簇，包括：
4.如权利要求3所述的一种用于视频中运动目标检测的聚类方法，其特征在于，所述优化目标函数为：
5.如权利要求1所述的一种用于视频中运动目标检测的聚类方法，其特征在于，所述将得到的各类簇按照预设融合规则进行融合，得到轮廓二值图中物体的轮廓信息，用于判断原始图像中是否出现了运动目标，包括：
6.如权利要求5所述的一种用于视频中运动目标检测的聚类方法，其特征在于，所述基于预设融合规则以及各类簇之间的引力值对所有类簇进行融合聚类，得到轮廓二值图中物体的轮廓信息，包括：
7.如权利要求6所述的一种用于视频中运
8.一种用于视频中运动目标检测的聚类系统，其特征在于，
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
...【技术特征摘要】
1.一种用于视频中运动目标检测的聚类方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种用于视频中运动目标检测的聚类方法，其特征在于，所述获取视频中的某一帧图像作为原始图像，并利用图像前景算法得到轮廓二值图，包括：
3.如权利要求1所述的一种用于视频中运动目标检测的聚类方法，其特征在于，所述将轮廓二值图内的所有轮廓点作为待聚类的样本点，利用自适应邻域聚类算法进行聚类，得到去除噪声轮廓点后的若干类簇，包括：
4.如权利要求3所述的一种用于视频中运动目标检测的聚类方法，其特征在于，所述优化目标函数为：
5.如权利要求1所述的一种用于视频中运动目标检测的聚类方法，其特征在于，所述将得到的各类簇按照预设融合规则进行融合，得到轮廓二值图中物体的轮廓信息，用于判断原始图像中是否出现了运动目标，包括：
6.如...
【专利技术属性】
技术研发人员：罗静，方鑫，刘阳，孔祥斌，李懿祖，武鑫森，
申请(专利权)人：通号通信信息集团有限公司，
类型：发明
国别省市：
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。