CN110163888B - 一种新型的运动分割模型数量检测方法 - Google Patents

Abstract

本发明涉及一种新型的运动分割模型数量检测方法。包括：步骤S1、准备数据集：步骤S2、构造关联矩阵：根据步骤S1获得的运动轨迹，采用稀疏最优规划策略计算稀疏特征，并根据稀疏特征构造关联矩阵；步骤S3、计算每个运动轨迹的权重；步骤S4、构造决策图：基于步骤S2构造的关联矩阵及步骤S3得到的运动轨迹的权重，计算每个运动轨迹的决策分数，构造决策图；步骤S5、检测运动分割的模型数量：通过统计所有运动轨迹的决策分数来检测运动分割的模型数量。本发明显著提升了检测准确率。

Description

一种新型的运动分割模型数量检测方法

技术领域

本发明涉及计算机视觉技术，具体涉及一种新型的运动分割模型数量检测方法。

背景技术

运动分割是计算机视觉一项重要的研究领域。它被广泛应用在很多领域的预处理中，比如，行为识别，目标跟踪，视频监控等等。它的主要任务是根据运动目标不同的运动轨迹来分割不同的运动模型。

目前存在很多运动分割方法。可以将它们分为基于两帧和基于多帧的运动分割方法。基于二帧的方法在计算效率上有一定的优势，但其计算精度上有比较明显的劣势。目前大部分研究者主要关注基于多帧的运动分割方法，比如，基于仿射矩阵的运动分割方法，基于子空间的运动分割方法，等等。其中，基于放射矩阵的运动分割方法，主要的思路是将每个运动轨迹分为成对的仿射信息，然后融合放射信息构造仿射矩阵，最后在该矩阵上进行运动分割。而基于子空间的运动分割方法，主要思路是利用所有运动轨迹构成一个关联矩阵，然后基于该矩阵进行运动分割。

当前的研究者主要关注分割算法，但在检测运动模型数量方面研究较少。其中，比较经典的有，LRR(G.Liu,Z.Lin,S.Yan,J.Sun,Y.Yu,and Y.Ma,Robust recovery ofsubspace structures by low-rank representation,IEEE Trans.PatternAnal.Mach.Intell.,vol.35,no.1,pp.171–184,2013)和ORK(T.-J.Chin,H.Wang,andD.Suter,The ordered residual kernel for robust motion subspace clustering,inProc.Adv.Neural Inf.Process.Syst.,2009,pp.333–341)。这两种方法通过分析拉普拉斯矩阵，统计特征值为零的个数作为运动模型数量。BB(H.Hu,J.Feng,and J.Zhou,Exploiting unsupervised and supervised constraints for subspace clustering,IEEE Trans.Pattern Anal.Mach.Intell.,vol.37,no.8,pp.1542–1557,2015)通过分支定界方法在整数线性规划框架上估计运动模型数量。FLOSS(C.-M.Lee and L.-F.Cheong,Minimal basis facility location for subspace segmentation,in Proc.IEEEInt.Conf.Comput.Vis.,2013,pp.1585–1592)通过子空间分析方法估计运动模型数量。MSSC(T.Lai,H.Wang,Y.Yan,T.J.Chin,and W.L.Zhao,Motion segmentation via asparsity constraint,IEEE Trans.Intell.Transp.Syst.,vol.PP,no.99,pp.1–11,2016)通过稀疏限制估计运动模型数量。

当前的运动分割模型数量检测方法在精度上还存在较大的差距，因其具有较大的挑战性。

发明内容

本发明的目的在于提供一种新型的运动分割模型数量检测方法，显著提升了检测准确率。

为实现上述目的，本发明的技术方案是：一种新型的运动分割模型数量检测方法，包括如下步骤，

步骤S1、准备数据集：对于一段输入视频，利用SIFT特征提取算法和匹配算法获取输入视频的特征点运动轨迹X，即X＝{x_i}，i＝1,2,…,N，N为数据总数，N为自然数；

步骤S2、构造关联矩阵：根据步骤S1获得的运动轨迹，采用稀疏最优规划策略计算稀疏特征，并根据稀疏特征构造关联矩阵；

步骤S3、计算每个运动轨迹的权重；

步骤S4、构造决策图：基于步骤S2构造的关联矩阵及步骤S3得到的运动轨迹的权重，计算每个运动轨迹的决策分数，构造决策图；

步骤S5、检测运动分割的模型数量：通过统计所有运动轨迹的决策分数来检测运动分割的模型数量。

在本发明一实施例中，所述步骤S2具体实现如下：

步骤S21、对于所有运动轨迹，根据稀疏最优规划策略计算稀疏特征，即如下公式：

min||C||₁ s.t.X＝XC,diag(C)＝0

式中，

是一个矩阵，该矩阵的每一列对应一个轨迹的稀疏特征；

步骤S22、根据稀疏特征构造关联矩阵，即

S＝|C|+|C|^T。

在本发明一实施例中，所述步骤S3具体实现如下：

步骤S31、对于每个运动轨迹x_i，将其与其他运动轨迹的关联提取出来组成x_i的关联集合，即s_i＝{s_i1,s_i2,…s_iN}；

步骤S32、计算其他运动轨迹与该关联集合最大值的跨度，即θ_i ^j＝max(s_i)-s_ij；

步骤S33、定义其他运动轨迹的先验概率：

步骤S34、接着定义相应的熵如下：

该熵能够用于衡量运动轨迹x_i的关联集合中含有可用信息内容的程度；

步骤S35、根据所计算的熵，选择运动轨迹x_i的邻居集合：

x^* _i＝{x_j|ζ+logp(θ_i ^j)＜0}

步骤S36、通过统计运动轨迹x_i邻居集合的成员个数作为它权重，即

在本发明一实施例中，所述步骤S4具体实现如下：

基于关联矩阵与运动轨迹的权重，计算每个运动轨迹的决策分数：

其中，Ω(x_i)＝{x_q|w_q＞w_i}，即包含所有权重大于该运动轨迹权重的所有成员；另外，对于包含权重最大值的运动轨迹，定义其决策分数为：

在本发明一实施例中，所述步骤S5具体实现如下：

步骤S51、对决策分数从小到大排序，即

步骤S52、计算决策分数的落差集合：

步骤S53、找到最大的落差点的位置即为运动分割的模型数量：

k＝argmaxD。

相较于现有技术，本发明具有以下有益效果：本发明显著提升了检测运动模型的准确率。

附图说明

图1为本发明实施例的流程图。

图2为本发明实施例在Hopkins155数据集进行运动模型数量检测的效果图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

如图1所示，本发明提供了一种新型的运动分割模型数量检测方法，具体实现如下：

A、准备数据集。

A1、对于一段输入视频，利用SIFT特征提取算法和匹配算法获取输入视频的特征点运动轨迹X，即X＝{x_i}，i＝1,2,…,N，N为数据总数，N为自然数；

B、构造关联矩阵。

B1、对于所有运动轨迹，根据稀疏最优规划策略计算稀疏特征，即如下公式：

min||C||₁ s.t.X＝XC,diag(C)＝0

式中，

是一个矩阵，该矩阵的每一列对应一个轨迹的稀疏特征；

B2、根据稀疏特征构造关联矩阵，即

S＝|C|+|C|^T。

C、计算每个运动轨迹的权重。

C1、对于每个运动轨迹x_i，将其与其他运动轨迹的关联提取出来组成x_i的关联集合，即s_i＝{s_i1,s_i2,…s_iN}；

C2、计算其他运动轨迹与该关联集合最大值的跨度，即θ_i ^j＝max(s_i)-s_ij；

C3、定义其他运动轨迹的先验概率：

C4、接着定义相应的熵如下：

该熵能够用于衡量运动轨迹x_i的关联集合中含有可用信息内容的程度；

C5、根据所计算的熵，选择运动轨迹x_i的邻居集合：

x^* _i＝{x_j|ζ+logp(θ_i ^j)＜0}

C6、通过统计运动轨迹x_i邻居集合的成员个数作为它权重，即

D、构造决策图。

D1、基于关联矩阵与运动轨迹的权重，计算每个运动轨迹的决策分数：

其中，Ω(x_i)＝{x_q|w_q＞w_i}，即包含所有权重大于该运动轨迹权重的所有成员；另外，对于包含权重最大值的运动轨迹，定义其决策分数为：

E、检测运动分割的模型数量：通过统计所有运动轨迹的决策分数来检测运动分割的模型数量。

E1、通过统计所有运动轨迹的决策分数来检测运动分割的模型数量。具体地说，每个运动模型都包含一定数量的运动轨迹，而对应同一个运动模型的运动轨迹只包含一个中心轨迹。而对应中心轨迹的运动轨迹的决策分数会非常小。因此，对决策分数从小到大排序，即

然后找到最大的落差，即可检测运动分割的模型数量。

E2、计算决策分数的落差集合：

E3、找到最大的落差点的位置即为运动分割的模型数量：

k＝argmaxD。

图2为本发明实施例在Hopkins155数据集进行运动模型数量检测的效果图。

表1为为本实施例与其他几种运动分割模型数量检测算法在Hopkins155的准确率量化对比。对比方法有ORK(T.-J.Chin,H.Wang,and D.Suter,The ordered residualkernel for robust motion subspace clustering,in Proc.Adv.NeuralInf.Process.Syst.,2009,pp.333–341)，LRR(G.Liu,Z.Lin,S.Yan,J.Sun,Y.Yu,and Y.Ma,Robust recovery of subspace structures by low-rank representation,IEEETrans.Pattern Anal.Mach.Intell.,vol.35,no.1,pp.171–184,2013)，FLOSS(C.-M.Leeand L.-F.Cheong,Minimal basis facility location for subspacesegmentation,in Proc.IEEE Int.Conf.Comput.Vis.,2013,pp.1585–1592)，BB(H.Hu,J.Feng,and J.Zhou,Exploiting unsupervised and supervised constraints forsubspace clustering,IEEE Trans.Pattern Anal.Mach.Intell.,vol.37,no.8,pp.1542–1557,2015)，MSSC(T.Lai,H.Wang,Y.Yan,T.J.Chin,and W.L.Zhao,Motion segmentationvia a sparsity constraint,IEEE Trans.Intell.Transp.Syst.,vol.PP,no.99,pp.1–11,2016)。从表1中，可以看到本发明显著提升了检测准确率，在六种方法中取得最好的效果。

表1

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (3)

1.一种新型的运动分割模型数量检测方法，其特征在于，包括如下步骤，

步骤S1、准备数据集：对于一段输入视频，利用SIFT特征提取算法和匹配算法获取输入视频的特征点运动轨迹X，即X＝{x_i}，i＝1,2,...,N，N为数据总数，N为自然数；

步骤S2、构造关联矩阵：根据步骤S1获得的运动轨迹，采用稀疏最优规划策略计算稀疏特征，并根据稀疏特征构造关联矩阵；

步骤S3、计算每个运动轨迹的权重；

步骤S4、构造决策图：基于步骤S2构造的关联矩阵及步骤S3得到的运动轨迹的权重，计算每个运动轨迹的决策分数，构造决策图；

步骤S5、检测运动分割的模型数量：通过统计所有运动轨迹的决策分数来检测运动分割的模型数量；

所述步骤S3具体实现如下：

步骤S31、对于每个运动轨迹x_i，将其与其他运动轨迹的关联提取出来组成x_i的关联集合，即s_i＝{s_i1,s_i2,…s_iN}；

步骤S32、计算其他运动轨迹与该关联集合最大值的跨度，即θ_i ^j＝max(s_i)-s_ij；

步骤S33、定义其他运动轨迹的先验概率：

步骤S34、接着定义相应的熵如下：

该熵能够用于衡量运动轨迹x_i的关联集合中含有可用信息内容的程度；

步骤S35、根据所计算的熵，选择运动轨迹x_i的邻居集合：

x^* _i＝{x_j|ζ+logp(θ_i ^j)＜0}

步骤S36、通过统计运动轨迹x_i邻居集合的成员个数作为它权重，即

所述步骤S4具体实现如下：

基于关联矩阵与运动轨迹的权重，计算每个运动轨迹的决策分数：

其中，Ω(x_i)＝{x_q|w_q＞w_i}，即包含所有权重大于该运动轨迹权重的所有成员；另外，对于包含权重最大值的运动轨迹，定义其决策分数为：

2.根据权利要求1所述的一种新型的运动分割模型数量检测方法，其特征在于，所述步骤S2具体实现如下：

步骤S21、对于所有运动轨迹，根据稀疏最优规划策略计算稀疏特征，即如下公式：

min||C||₁s.t.X＝XC,diag(C)＝0

式中，

是一个矩阵，该矩阵的每一列对应一个轨迹的稀疏特征；

步骤S22、根据稀疏特征构造关联矩阵，即

S＝|C|+|C|^T。

3.根据权利要求1所述的一种新型的运动分割模型数量检测方法，其特征在于，所述步骤S5具体实现如下：

步骤S51、对决策分数从小到大排序，即

步骤S52、计算决策分数的落差集合：

步骤S53、找到最大的落差点的位置即为运动分割的模型数量：

k＝arg max D。

Images