[发明专利]一种自适应的视频帧特征点抽稀方法

说明书

技术领域

本发明属于视频监控数据分析技术领域，具体涉及一种自适应的视频帧特征点抽稀方法。

背景技术

在视频监控数据分析过程中，特征点的检测与匹配是是至关重要的技术，也是敏感视频检测的关键步骤。但是，视频检测过程中提取的特征点数量较大，对特征点的匹配造成很大影响，尤其是包含树木、森林等纹理丰富的视频帧。随着视频分辨率越来越高、视频数据量越来越大，特征点的匹配速度成为敏感视频检测实时性的关键。高密度的特征点对于敏感视频的检测存在较大的冗余，严重影响着视频检测的效率。

由于特征点匹配的速度直接决定了视频检测的速度，因此拼接技术的研究重点应该放在图像匹配上，除了研究如何提高匹配的精准度外，重点需要解决匹配的速度，从而整体上提高视频检测的运行效率。

本发明旨在提供一种自适应的视频帧特征点抽稀方法，以解决现有技术中视频特征点匹配速度低的问题。

发明内容

本发明的目的在于，针对上述现有技术中视频特征点匹配速度低的技术缺陷，提供设计一种自适应的视频帧特征点抽稀方法，以解决上述技术问题。

为实现上述目的，本发明给出以下技术方案：

一种自适应的视频帧特征点抽稀方法，包括以下步骤：

步骤1)：提取待检测视频的关键帧，通过特征点检测算法提取视频帧的特征点集合，记为P；同时对关键帧进行隐形格网划分，将其划分为相同大小的格网单元，每个格网单元的特征点的集合记为P_ij，P_ij的总和即为P，P_ij与P的关系如下：

P＝{P_(i,j)} 公式(1)

步骤2)：确定自适应的聚类算法参数：计算步骤1)中格网单元的信息熵，根据信息熵确定聚类算法的参数信息；

步骤3)：对格网单元的特征点集合P_ij，根据特征点的位置信息、尺度信息，通过聚类算法进行聚类，得到的聚类结果，保留其聚类中心，构成抽稀后的特征点集合，记为

步骤4)对于每个格网单元，重复步骤(2)～(3)，得到该关键帧的特征点抽稀结果，记为P^N，如下所示：

步骤5)：重复步骤(1)～(4)，实现待检测视频的特征点抽稀。

优选地，所述步骤1)中，特征点检测算法为SFIT算法。

优选地，所述步骤2)中，聚类算法的参数信息包括聚类个数。

优选地，所述步骤2)中，聚类算法为K-means算法。

优选地，所述步骤2)中，根据格网单元的信息熵，自适应地决定该格网单元的特征点聚类的参数。

优选地，所述步骤3)中，聚类过程综合考虑特征点的位置信息、尺度信息，保留有代表性的特征点，剔除了冗余的特征点。

本发明的有益效果在于，本发明通过自适应的抽稀，保留代表性的特征点，减少了特征点的数量，因此，能够降低特征点匹配复杂性，增强视频检测是实时性。且本发明的实现过程，可以与传统特征点检测算法融合，直接得到抽稀之后的特征点集合。

此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。

由此可见，本发明与现有技术相比，具有突出的实质性特点和显著地进步，其实施的有益效果也是显而易见的。

附图说明

图1是本发明提供的一种自适应的视频帧特征点抽稀方法的流程图。

具体实施方式

下面结合附图并通过具体实施例对本发明进行详细阐述，以下实施例是对本发明的解释，而本发明并不局限于以下实施方式。

如图1所示，本发明提供的一种自适应的视频帧特征点抽稀方法，包括以下步骤：

步骤1)：提取待检测视频的关键帧，通过特征点检测算法提取视频帧的特征点集合，记为P；同时对关键帧进行隐形格网划分，将其划分为相同大小的格网单元，每个格网单元的特征点的集合记为P_ij，P_ij的总和即为P，P_ij与P的关系如下：

P＝{P_(i,j)} 公式(1)

步骤2)：确定自适应的聚类算法参数：计算步骤1)中格网单元的信息熵，根据信息熵确定聚类算法的参数信息；

步骤3)：对格网单元的特征点集合P_ij，根据特征点的位置信息、尺度信息，通过聚类算法进行聚类，得到的聚类结果，保留其聚类中心，构成抽稀后的特征点集合，记为