[发明专利]基于异质模型拟合的运动分割方法

权利要求书

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)，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

B2.计算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；

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

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的公式如下：

B6.根据步骤B5得到的累积投票分数，计算累积相关矩阵Θ^(v)，如下所示：

B7.执行步骤B1～B6处理所有连续帧，利用相关矩阵集Φ^(v)与连续帧的投票分数集D^(v)，计算所有参数模型v∈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C中，所述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的具体步骤如下：

首先定义Θ^(v)第j列即与的第i项即的最大值之间的间隙μ_i：

其中，γ是一个参数，用于调整相关矩阵的稀疏性；

接着，先验概率p(μ_i)计算如下:

先验概率的熵测量如下：

将熵作为一个自适应阈值，用于去除不重要的元素：

其中，τ是无穷小的正数；表示精密相关矩阵。

4.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D中，所述构造稀疏亲和矩阵Ω^(v)如下：

5.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E中，所述根据步骤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的具体步骤为：将D^(v)定义为稀疏亲和矩阵Ω^(v)的对角矩阵，Ω^(v)的对称归一化拉普拉斯矩阵L^(v)计算如下：

假设L^(v)的特征值分解为Q^(v)TQ^(v)，则L^(v)的分解转化为如下优化函数：

其中，trace(·)表示迹运算；Q^(v)和I分别是特征向量矩阵和单位矩阵；

根据Q^(v)，得到融合谱嵌入矩阵Q：

Q＝∑_v∈VQ^(v) (公式15)

将单位长度内的每一行Q规范化，形成矩阵Z，如下所示：

最后，使用一种简单而有效的K-means算法将Z聚类成k簇，即将跟踪点分割成k个运动组。