[发明专利]基于感兴趣区域相似性特征和根据极值选取参考帧的周期行为的检测方法

说明书

技术领域

         本发明涉及的是一种对视频中的周期运动进行提取和分析的方法，具体是通过一种基于凸包的算法自动检测出含有运动视频的感兴趣区域，并通过基于感兴趣区域中特征进行提取来检测周期运动。并在此基础上提出了一种基于最值的方法来选取最佳参考帧来更好的提高周期检测的准确率。此方法不仅可以对恒定和变化周期的运动进行检测分析，而且在处理含有微小动作的周期运动时有着明显的优势。

背景技术

         周期运动广泛的存在于我们的日常生活之中，比如挥手，行走，波浪等等。检测和分析这些周期运动在许多应用中发挥着非常重要的作用并有着广泛且深远的应用前景，比如提取步态周期进行步态识别，在运动分析中进行周期运动统计，以及将检测出的不规律的周期运动认定为异常行为。

         对于周期行为检测，目前的方法可大致分为两类：基于空间变换的方法，和基于波形分析的方法。

         基于空间变换的方法首先将视频的信号变换到其他的空间里，然后进行周期检测，比如， 在2007年，Briassouli和Ahujia在《IEEE Transactions on Pattern Analysis and Machine Intelligence》（IEEE 模式分析与机器智能期刊）29期第10卷第1244页到第1261页发表的论文” Extraction and analysis of multiple periodic motions in video sequences”（在视频序列中提取和分析多个周期运动）将视频每一帧图像的像素值投影到x轴和y轴上从而得到两个根据时间变化的信号，之后将这两个时间信号转换到频域中进行分析。但是这类方法只能处理恒定周期的运动，无法处理周期长度变化的周期运动。而且空间变换的方法一般需要很多个周期的运动来准确估计出周期的长度，所以当被应用来处理含有很少周期运动的视频时，这种方法的准确度很低。

基于波形的方法首先从视频中提取出一个一维信号来反应运动的周期性变化，然后分析这个信号来进行提取和分析周期运动。比如，在2000年，Cutler和Davis在《IEEE Transactions on Pattern Analysis and Machine Intelligence》（IEEE 模式分析与机器智能期刊）第22期第8卷第781到796页发表的论文” Robust real-time periodic motion detection, analysis and applications”（鲁棒的实时性的周期行为的检测，分析和应用）中根据视频相邻两帧的帧间差的绝对值计算得出了一个自相似波形，然后构造出了一个二维的晶格结构来对自相似波形进行匹配从而找到周期。但是这个方仍然无法处理周期变化的周期运动。又比如，在2010年，Wang等人在《European Conference on Computer Vision》（欧洲计算机视觉会议）第257页到第270页发表的论文” Chrono-Gait Image: A Novel Temporal Template for Gait Recognition” （时间步态图像：步态识别的新型时间模板算法）将运动目标的下半身宽度提取出来作为提取步态信息的波形。虽然这种方法可以较好的实现不太的周期检测，但是这种方法不能扩展到检测其他周期运动。

   以上问题促使去寻找更好的提取和分析周期运动的方法，能够更有效地，准确的提取出运动的周期。

发明内容

         本发明针对现有方法存在的不足，提出了一种基于感兴趣区域相似性特征和根据极值选取参考帧的周期性行为检测方法。本发明首先用一种基于凸包的方法对运动的感兴趣区域进行提取，从而有效地去除了噪声避免了非周期运动区域对检测效果的影响。之后本发明使用一个基于感兴趣区域的方法计算了帧与帧之间的相似性，然后提出了一种基于极值的方法找到了最佳参考帧，从而准确的估算出了运动的周期。实例的检测结果证明了我们的方法能达到很高的准确度

         本发明是通过以下技术方案实现的，包括以下步骤：

         第一步：对于一个输入的视频序列，首先进行前景提取和对齐。

         第二步：根据视频帧间差提取出运动发生的区域，之后通过一种基于凸包的方法将运动的感兴趣区域提取出来。

         第三步：对每个感兴趣区域进行特征的提取。

         第四步：计算两帧之间基于感兴趣区域特征的相似性。