[发明专利]一种基于强化学习的在线非监督的人群组分割方法及终端

权利要求书

1.一种基于强化学习的在线非监督的人群组分割方法，其特征在于，包括：

S101：通过视频序列追踪运动特征点轨迹并提取运动人群语义；

S102：使用速度约束的自然最近邻法确定每个特征点最近邻的点的数量K；

S103：计算每个特征点与其最近邻K个点的路径相似度，构造路径相似度矩阵W；

S104：通过W计算不同特征点轨迹在该时刻的运动相似度邻接矩阵Z；

S105：设置强化学习模块中的参数，所述参数包括状态值T_c、用于调整状态值T_c大小的动作集合A＝{ΔT_c}以及奖励值R；所述奖励值R的设置基于S101中的运动人群语义；c为一聚类；

S106：基于S105中设置的参数，构建价值矩阵Q-Table进行强化学习训练，获得最佳分割阈值；

S107：根据S106得到的最佳分割阈值对相似度邻接矩阵Z进行阈值分割，剩余的连通区域为最终特征点分割结果；

S108：基于S107得到的最终特征点分割结果，利用K最近邻法对运动人群语义进行分割聚类，实现像素级别的人群组分割。

2.根据权利要求1所述的基于强化学习的在线非监督的人群组分割方法，其特征在于，所述S101具体包括：

S1011：对视频序列使用稀疏光流跟踪获得运动人群的特征点的运动轨迹集合，在某一时刻，点p₀至点p_l的所有连接路径长度为l的集合为P_l＝{γ_l}，其中每条子路径表示为γ_l＝{p₀→p₁→…→p_l}，p₁,p₂,…,p_l为追踪到的特征点；

S1012：使用海森矩阵对视频序列进行滤波，获得各帧画面的运动人群粗语义；

S1013：使用形态学操作对所述S1012得到的运动人群粗语义进行处理，获得各帧画面的运动人群精细语义P_semantic＝{I_semantic}。

3.根据权利要求2所述的基于强化学习的在线非监督的人群组分割方法，其特征在于，所述S1012中的海森矩阵具体是：

其中I(x,y,t)视频序列的图像矩阵；为I对图像横坐标变量x的二阶偏导，为I对图像横坐标变量x与时间变量t的二阶混合偏导，以此类推；

所述S1013具体包括：先后使用膨胀、去空洞以及平滑的形态学操作对所述S1012得到的运动人群粗语义进行处理，获得各帧画面的运动人群精细语义P_semantic＝{I_semantic}。

4.根据权利要求1所述的基于强化学习的在线非监督的人群组分割方法，其特征在于，所述S102具体包括：通过运动特征点的空间位置关系与运动速度关系，计算每个特征点的自然近邻点数目K；进一步地，

所述计算每个特征点的自然近邻点数目K具体包括：搜索每个特征点P的前r个欧式距离最近邻点，对前r个近邻点中的每一个点P_s，若点P_s和P的速度夹角小于预设大小θ，则点P_s对应的自然近邻点数目K加一。