运动状态自适应关键帧提取方法技术
【技术实现步骤摘要】
本专利技术涉及图像处理方法
，尤其涉及一种运动状态自适应关键帧提取方法。
技术介绍
随着视频数据的爆炸式增长，快速、准确地分析和浏览视频已经成为一个迫切需要解决的问题，此问题在视频监控应用中尤为突出。关键帧提取作为一个可行的解决方案越来越得到人们的关注。关键帧的评估主要是看其是否能够全面、准确的再现原视频中的主要事件，在保证提取全面的前提下，尽量降低冗余。目前广泛应用的关键帧提取算法通常是基于视频的底层特征分析的，以单帧或少量帧的内容特征(颜色、形状、运动等特征)变化为准则进行关键帧提取。但是由于缺乏完整的时间维度的特征分析，难以从整体上把握关键帧的提取数量以及确定关键帧位置，容易受到环境变化、目标姿态变化、目标遮挡等干扰造成运动目标漏检，进而导致真正的关键帧没有被提取到。视频细节语义的丢失不可避免。提取结果与视频的真实语义之间存在差别，不能全面、准确的反应视频的真实语义。也就是说，关键帧提取结果不符合人眼视觉感知。虽然当前视频高层语义的自动理解还很难实现，但已有一些基于视觉注意模型的关键帧提取方法。这些方法根据人眼视觉的注意力趋向来提取关键帧，而不涉及其它附加信息，因此、关键帧提取结果与人眼视觉感知高度一致。但是计算人眼视觉注意力模型需要付出高昂的计算代价，致使此类方法在实际中的应用受到限制。在不丢失视频语义信息的基础上，快速、准确的提取关键帧具有重要的研究意义和现实需求。
技术实现思路
本专利技术所要解决的技术问题是提供一种运动状态自适应关键帧提取方法，所述方法能够全面、高效的捕捉到目标运动状态改变，且提取的关键帧更准确。为解决上述技术问题，本专利...
【技术保护点】
一种运动状态自适应关键帧提取方法，其特征在于所述方法包括如下步骤：1)视频序列的运动片段分割；2)在分割后的视频运动片段中提取时空切片；3)使用时空切片构建STS‑CS模型来检测视频运动片段中的目标运动状态；4)根据目标运动状态的改变绘制视觉注意力曲线；5)根据视觉注意力曲线提取关键帧。
【技术特征摘要】
1.一种运动状态自适应关键帧提取方法，其特征在于所述方法包括如下步骤：1)视频序列的运动片段分割；2)在分割后的视频运动片段中提取时空切片；3)使用时空切片构建STS-CS模型来检测视频运动片段中的目标运动状态；4)根据目标运动状态的改变绘制视觉注意力曲线；5)根据视觉注意力曲线提取关键帧。2.如权利要求1所述的运动状态自适应关键帧提取方法，其特征在于，所述方法在步骤5)之后还包括：6)对所提取的关键帧进行精简与优化，形成最终的关键帧。3.如权利要求1或2所述的运动状态自适应关键帧提取方法，其特征在于，所述步骤1)中视频序列中运动片段的分割采用基于视觉感知能量的运动片段分割方法进行。4.如权利要求1或2所述的运动状态自适应关键帧提取方法，其特征在于，所述步骤2)中根据视频场景的先验信息确定时空切片的数目，如果运动目标较大，并且占据了大部分的视频高度，选择在视频中间位置提取时空切片；如果运动目标只出现在部分监视区域中，则只在运动区域内提取时空切片；在对运动目标的大小以及出现位置不确定的情况下，选择等间隔方法进行时空切片提取。5.如权利要求1或2所述的运动状态自适应关键帧提取方法，其特征在于，步骤3)包括以下步骤：3-1)去除运动片段的视频时空切片背景；3-2)使用去除背景后的时空切片构建STS-CS模型来检测视频运动片段中的目标运动状态。6.如权利要求5所述的运动状态自适应关键帧提取方法，其特征在于，所述步骤3-1)具体包括如下步骤：时空切片的每一列视作一个高斯模型输入，模型参数逐列更新，高斯均值μ和方差δ2的更新公式为： μ t + 1 = ( 1 - α ) μ t + α G B t + 1 ( δ 2 ) t + 1 = ( 1 - α ) ( δ 2 ) t + α ( G B t + 1 - μ t + 1 ) ( G B t + 1 - μ t + 1 ) T ]]>上式中：是运动片段切片中第t+1列的亮度，α是修正率，定义为： α = 1 / M n , t < 200 0.005 , t ≥ 200 ]]>上式中：Mn是匹配次数；检测运动片段切...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。