[发明专利]基于异质模型拟合的运动分割方法

说明书

基于异质模型拟合的运动分割方法，涉及计算机视觉技术。首先，使用基于密度估计技术的投票方法，通过对异质模型假设质量的评价，生成高质量的累积相关矩阵。在此基础上，利用信息论构造稀疏亲和矩阵的方法，有效地抑制了不同目标之间的关联值。最后，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，得到准确的分割结果。解决现有技术存在的真实场景中外界的光照变化、运动物体的表观和遮挡，可能会导致跟踪点包含异常值和噪声等问题。

技术领域

本发明涉及计算机视觉技术，具体是涉及一种基于异质模型拟合的运动分割方法。

背景技术

运动分割是计算机视觉领域一个具有挑战性的研究课题。运动分割的任务是根据不同的运动属性对视频序列中的运动对象进行分组。这是视频分割和场景理解的重要步骤。运动分割已被广泛应用于视频处理[1]、视觉监控[2]、目标识别[3]和动态场景理解[4,5]等。在实际应用中，真实场景中运动目标的跟踪点轨迹往往会受到遮挡和透视效果的破坏，这对有效地分割运动对象提出了很大的挑战。

在过去的几十年里，学者们提出了许多运动分割方法[6-10]。这些方法大致可分为基于两帧的方法和基于多帧的方法。与基于两帧的方法相比，基于多帧的方法通常可以捕获多帧之间的运动信息以获得更精确的结果。现有的基于多帧的方法可以进一步分为基于子空间的方法[11-14]和基于相似性的方法[9,10,15,16]。基于子空间的方法将跟踪点的聚类问题转化为跟踪点的标记问题。每个跟踪点由相应子空间中其他跟踪点的线性组合表示。与此相反，基于相似性的方法则使用谱聚类来分割与跟踪点对应的相似性矩阵，该矩阵包含所有跟踪点对之间的相似性。以上方法大多依赖于跟踪点的质量，也就是说，跟踪点的质量反映了运动目标的特性。然而，真实场景中外界的光照变化、运动物体的表观和遮挡，可能会导致跟踪点包含异常值和噪声。

参考文献：

[1]Junjue Wang,Brandon Amos,Anupam Das,Padmanabhan Pillai,NormanSadeh,and Mahadev Satyanarayanan.Enabling live video analytics with ascalable and privacy-aware framework.ACM Transactions on MultimediaComputing,Communications,and Applications,14(3):1–24,2018.

[2]Xiaobai Liu,Yadong Mu,Yu-Gang Jiang,and Jiebo Luo.Vscc’2017:Visualanalysis for smart and connected communities.In Proceedings of the ACMInternational Conference on Multimedia,pages 1976–1977,2017.

[3]Xindi Shang,Junbin Xiao,Donglin Di,and Tat-Seng Chua.Relationunderstanding in videos:A grand challenge overview.In Proceedings of the ACMInternational Conference on Multimedia,pages 2652–2656,2019.

[4]Ali Elqursh and Ahmed Elgammal.Online motion segmentation usingdynamic label propagation.Proceedings of the IEEE International Conference onComputer Vision,pages 2008–2015,2013.