一种基于线流的视频运动稀疏化表征方法技术

本发明专利技术公开了一种基于线流的视频运动稀疏化表征方法，包括：得到每一帧图像的素描图；得到第t帧图像的初始素描运动场；根据素描线段是否为重复素描线段得到更新后的第t帧图像的初始素描运动场；去除的噪声素描线段，将剩余的素描线段作为运动素描线段，得到第t帧图像的素描运动场；将第t帧图像的素描运动场中相邻的运动素描线段划分到同一区域中，以得到划分结果集合；对于划分结果集合中每个划分区域，计算每一帧图像的运动素描线段集合；基于运动素描线段集合得到的每个划分区域的轨迹得到轨迹集合；计算第t帧图像的运动素描线段集合中每条运动素描线段的运动向量，以得到运动向量集合。本发明专利技术的方法具有更少的噪声，提取效果更好。取效果更好。取效果更好。

【技术实现步骤摘要】
一种基于线流的视频运动稀疏化表征方法


[0001]本专利技术属于图像处理
，具体涉及一种基于线流的视频运动稀疏化表征方法。

技术介绍

[0002]英国神经系统学家与心理学家Marr指出人类视觉在本质上是一个信息处理过程，并提出了一个视觉计算理论框架。该视觉计算理论框架对后来的计算机视觉的研究和发展起到了巨大的作用。在该视觉计算理论框架中，Marr将从图像中获取物体信息的过程分为以下三个阶段：1)初始素描图，2)2.5维素描图，3)3维模型。本质上，初始素描图是图像灰度变化、几何特征分布和结构信息组合的符号表示。在Marr提出的视觉计算理论的基础上，许多学者对图像中初始素描图的提取方法进行了研究。受Marr视觉计算理论框架的启发，Guo等人提出了初始素描模型，该模型结合了用于表示几何结构的稀疏编码模型和用于表示纹理结构的马尔可夫随机场。Guo等人指出，基于稀疏编码理论的模型对信息熵较低的几何结构区域具有较好的表示能力，而基于马尔可夫随机场理论的模型对信息熵较高的纹理结构区域具有较好的表示能力。因此，通过将图像划分为可素描部分和不可素描部分，并为每个部分使用不同的模型，可以实现较好的图像内容表达。视觉计算理论的成功应用说明其不仅可以表示图像的结构信息，而且为视觉分析和理解提供了新的手段和平台。
[0003]光流作为视频分析技术的前置任务，通过计算相邻帧之间物体的运动信息，可以提高视频相关任务的性能，例如物体跟踪、物体分割、物体检测、显着性检测、动作识别、异常检测、质量增强、场景分类和人群事件检测等。然而，光流以像素为单位捕捉视频的运动信息，没有考虑到运动区域内的一致性，导致计算复杂，实际应用受限。通常，视频的帧序列中包含了丰富的运动信息。然而，一个物体的运动部分是相关的，而不是像素或小区域的独立运动。目前的运动信息提取技术并没有反映出这种相关性。

技术实现思路

[0004]为了解决现有技术中所存在的上述问题，本专利技术提供了一种基于线流的视频运动稀疏化表征方法。
[0005]本专利技术要解决的技术问题通过以下技术方案实现：
[0006]一种基于线流的视频运动稀疏化表征方法，所述表征方法包括：
[0007]S1、对视频V中的图像帧序列进行素描化，得到每一帧图像的素描图；
[0008]S2、对每一个时刻t，通过将第t帧的素描图到第t+K帧的素描图进行叠加，得到第t帧图像的初始素描运动场；
[0009]S3、根据第t帧图像的初始素描运动场中任意两条素描线段的匹配度确定素描线段是否为重复素描线段，若是，则将后一个素描线段从第t帧图像的初始素描运动场中删除，得到更新后的第t帧图像的初始素描运动场；
[0010]S4、去除更新后的第t帧图像的初始素描运动场中的噪声素描线段，并将剩余的素
描线段作为运动素描线段，得到第t帧图像的素描运动场；
[0011]S5、基于聚类方法，将第t帧图像的素描运动场中相邻的运动素描线段划分到同一区域中，以得到划分结果集合；
[0012]S6、对于划分结果集合中每个划分区域，计算每一帧图像的运动素描线段集合；
[0013]S7、基于运动素描线段集合得到的每个划分区域的轨迹得到轨迹集合；
[0014]S8、基于轨迹集合，计算第t帧图像的运动素描线段集合中每条运动素描线段的运动向量，以得到运动向量集合。
[0015]可选地，第t帧图像的素描图的素描线段集合表示为N为视频V的帧数，为第t帧图像的素描图的素描线段集合中第i条素描线段，和分别为第i条素描线段的中点的x坐标、中点的y坐标、角度和长度，为第t帧图像的素描图的素描线段集合S
t
中素描线段的个数。
[0016]可选地，步骤S2包括：
[0017]S2.1、在所有帧图像的素描图的素描线段集合中得到从第t帧到第t+K帧的K+1个素描图的素描线段集合，其中，K为叠加到第t帧图像的素描图的数量；
[0018]S2.2、将步骤S2.1得到的K+1个素描图的素描线段集合添加至第t帧图像对应的初始素描运动场中，该初始素描运动场表示为：
[0019][0020]其中，为第t帧图像的初始素描运动场，S
t+k
第t+K帧图像的素描图的素描线段集合。
[0021]可选地，步骤S3包括：
[0022]S3.1、遍历第t帧图像的初始素描运动场中任意两条素描线段和
[0023]S3.2、利用匹配函数计算素描线段和素描线段之间的匹配度
[0024]S3.3、判断匹配度与匹配度阈值τ之间的关系，若匹配度小于匹配度阈值τ，说明素描线段和素描线段不是重复素描线段，若匹配度大于或者等于匹配度阈值τ，说明素描线段和素描线段是重复素描线段，则将素描线段从第t帧图像的初始素描运动场中删除，得到更新后的第t帧图像的初始素描运动场。
[0025]可选地，所述匹配函数表示为：
[0026][0027]其中，为素描线段和素描线段之间的匹配度，λ1、λ2、λ3和λ4是权衡参数，且λ1＝λ2，素描线段素描线段和
分别为第i条素描线段的中点的x坐标、中点的y坐标、角度和长度,和分别为第j条素描线段的中点的x坐标、中点的y坐标、角度和长度，g
x
(
·
，
·
)、g
y
(
·
，
·
)、g
θ
(
·
，
·
)和g
l
(
·
，
·
)分别为度量函数在对应的中点的x坐标、中点的y坐标、角度θ和长度l上的分量。
[0028]可选地，步骤S4包括：
[0029]S4.1、设置一组参数其中，Z为总步数，(r
z
，min
z
)表示半径r
z
内的素描线段的最少数量为min
z
；
[0030]S4.2、对于更新后的第t帧图像的初始素描运动场，以每一条素描线段的中点为圆心、以r
z
为半径的圆内其它素描线段中点的数量，当该圆内其它素描线段重点的数量小于min
z
时，该素描线段则为噪声素描线段，将该噪声素描线段从更新后的第t帧图像的初始素描运动场中移除，并将剩余的素描线段作为运动素描线段，以得到由运动素描线段组成的最终的第t帧图像的素描运动场。
[0031]可选地，步骤S5包括：
[0032]S5.1、根据第t帧图像的素描运动场中运动素描线段的数量|Ψ
t
|，得到簇的数量，其中，簇的数量为c
num
为每个簇中运动素描线段的最大数量；
[0033]S5.2、利用K均值算法将第t帧图像的素描运动场划分为个簇；
[0034]S5.3、基于个簇，得到最终的划分结果集合其中，C
t
为第t帧图像的素描运动场的所有划分的集合，为第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于线流的视频运动稀疏化表征方法，其特征在于，所述表征方法包括：S1、对视频V中的图像帧序列进行素描化，得到每一帧图像的素描图；S2、对每一个时刻t，通过将第t帧的素描图到第t+K帧的素描图进行叠加，得到第t帧图像的初始素描运动场；S3、根据第t帧图像的初始素描运动场中任意两条素描线段的匹配度确定素描线段是否为重复素描线段，若是，则将后一个素描线段从第t帧图像的初始素描运动场中删除，得到更新后的第t帧图像的初始素描运动场；S4、去除更新后的第t帧图像的初始素描运动场中的噪声素描线段，并将剩余的素描线段作为运动素描线段，得到第t帧图像的素描运动场；S5、基于聚类方法，将第t帧图像的素描运动场中相邻的运动素描线段划分到同一区域中，以得到划分结果集合；S6、对于划分结果集合中每个划分区域，计算每一帧图像的运动素描线段集合；S7、基于运动素描线段集合得到的每个划分区域的轨迹得到轨迹集合；S8、基于轨迹集合，计算第t帧图像的运动素描线段集合中每条运动素描线段的运动向量，以得到运动向量集合。2.根据权利要求1所述的基于线流的视频运动稀疏化表征方法，其特征在于，第t帧图像的素描图的素描线段集合表示为N为视频V的帧数，为第t帧图像的素描图的素描线段集合中第i条素描线段，图像的素描图的素描线段集合中第i条素描线段，和分别为第i条素描线段的中点的x坐标、中点的y坐标、角度和长度，为第t帧图像的素描图的素描线段集合S
t
中素描线段的个数。3.根据权利要求1所述的基于线流的视频运动稀疏化表征方法，其特征在于，步骤S2包括：S2.1、在所有帧图像的素描图的素描线段集合中得到从第t帧到第t+K帧的K+1个素描图的素描线段集合，其中，K为叠加到第t帧图像的素描图的数量；S2.2、将步骤S2.1得到的K+1个素描图的素描线段集合添加至第t帧图像对应的初始素描运动场中，该初始素描运动场表示为：其中，为第t帧图像的初始素描运动场，S
t+k
第t+K帧图像的素描图的素描线段集合。4.根据权利要求1所述的基于线流的视频运动稀疏化表征方法，其特征在于，步骤S3包括：S3.1、遍历第t帧图像的初始素描运动场中任意两条素描线段和S3.2、利用匹配函数计算素描线段和素描线段之间的匹配度S3.3、判断匹配度与匹配度阈值τ之间的关系，若匹配度小于匹配度阈值τ，说明素描线段和素描线段不是重复素描线段，若匹配度
大于或者等于匹配度阈值τ，说明素描线段和素描线段是重复素描线段，则将素描线段从第t帧图像的初始素描运动场中删除，得到更新后的第t帧图像的初始素描运动场。5.根据权利要求4所述的基于线流的视频运动稀疏化表征方法，其特征在于，所述匹配函数表示为：其中，为素描线段和素描线段之间的匹配度，λ1、λ2、λ3和λ4是权衡参数，且λ1＝λ2，素描线段素描线段素描线段和分别为第i条素描线段的中点的x坐标、中点的y坐标、角度和长度，和分别为第j条素描线段的中点的x坐标、中点的y坐标、角度和长度，g
x
(
·
，
·
)、g
y
(
·
，

【专利技术属性】
技术研发人员：刘芳，李玲玲，李硕，焦李成，陈璞花，马文萍，鲍骞月，刘旭，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：