[发明专利]一种基于局部时空流形学习的运动目标分割方法

权利要求书

1.一种基于局部时空流形学习的运动目标分割方法，其特征在于包括以下步骤：

1）输入离线视频；

2）对离线视频进行时空立方体分割与对称时空局部纹理编码特征提取，获得时空立方体特征的时空纹理变化描述序列；

3）根据时空立方体特征的时空纹理变化描述序列建立基于局部时空流形学习的背景模型；

4）输入运动视频；

5）对运动视频进行时空立方体分割与对称时空局部纹理编码特征提取；

6）通过判断运动视频时空立方体与通过背景模型预测的时空立方体间的距离，得到目标运动和背景部分；

7）根据背景部分对背景模型进行更新和维护；

8）输入新的运动视频，则跳至步骤4），否则结束。

2.根据权利要求1所述基于局部时空流形学习的运动目标分割方法，其特征在于步骤2）包括以下步骤：

21）对离线视频进行时空立方体分割得到视频中每个单元位置的时空立方体序列；

22）对离线视频进行对称时空局部纹理编码特征提取，获得时空立方体特征的时空纹理变化描述序列。

3.根据权利要求2所述基于局部时空流形学习的运动目标分割方法，其特征在于步骤22）对离线视频进行对称时空局部纹理编码特征提取包括以下步骤：

221）取时空立方体任一像素点，在像素点的3*3*3的三维立方体临域中计算其特征向量，把3*3*3的三维立方体分割为4个时空平面提取像素点的时空局部纹理编码；

222）使用中心像素点对称的像素对，通过设定尺度阈值对像素对进行比较编码，计算像素对的对称时空局部纹理编码，将对称时空局部纹理编码拉成一个大的特征向量作为该时空立方体的时空纹理变化描述。

4.根据权利要求2所述基于局部时空流形学习的运动目标分割方法，其特征在于步骤3）包括以下步骤：

31）将步骤21）获得时空立方体序列延展成序列矩阵；

32）采用主成分分析对序列矩阵进行分解，根据序列矩阵的主成分分析的特征值设定阈值，大于设定阈值的d个特征值则作为局部时空流形的结构描述参数；

33）采用局部时空流形的结构描述参数重新表达序列矩阵，得到局部时空流形的状态序列；

34）通过线性拟合计算局部时空流形的变化描述参数及对局部时空流形状态变化进行线性拟合后的误差矩阵E；

35）采用主成分分析对误差矩阵E进行分解，根据误差矩阵E的主成分分析的特征值设定阈值，大于设定阈值的d_ε个特征值则作为产生式噪声描述参数。

5.根据权利要求1所述基于局部时空流形学习的运动目标分割方法，其特征在于所述步骤6）根据局部时空流形预测下一个时空立方体的局部时空流形状态和特征向量，设定判断距离的阈值，如果运动视频中某像素点对应的特征向量与预测出来的特征向量的欧式距离小于阈值则为背景部分，否则为运动目标点。

6.根据权利要求5所述基于局部时空流形学习的运动目标分割方法，其特征在于所述步骤7）根据背景部分对背景模型进行更新是采用设定更新阈值与CCIPCA算法结合的增量式更新。