[发明专利]一种基于视觉记忆模型的视频图像聚类方法

说明书

本发明属于视频图像信息处理领域，涉及一种复杂环境下的视频图像背景建模和运动目标检测。

背景技术

目前数以百万计的监控摄像遍布住宅小区、医院、学校等公共场所日夜不停的拍摄，互联网带宽的增加、摄像技术的成熟和存储成本的下降也转而促进了监控视频清晰度的提高。尽管监控视频表现力强，信息量大，但是其数量的增长和清晰度的提高都引起监控视频数据的爆发式增长，为其灵活浏览和存储带来巨大应用压力。同事也要要求视频监控具有实时信息处理能力，保证信息完整性，如何令视频监控能够以较小容量进行长期存储是目前视频监控的首要任务。在目前视频监控系统中，监控摄像头一般都在固定视野范围内，其背景信息相对稳定，在编码过程中只需要提取出前景运动信息，对前景信息进行压缩编码，而对于一帧帧的相同背景在一定时间内只需保存一次，如背景出现变化，也可以自适应更新，这就需要一种视频图像的聚类提取方法，本发明提出了一种新的基于视觉记忆模型聚类方法有效的提高了视频信息的处理能力。

发明内容

瞬时记忆聚类(FMC，Flash Memory Cluster)：用来表示入眼瞬间接收到的画面，是当前帧所有像素的集合。短时记忆聚类(STMC，Short-term Memory Clusters)：用来表示人类的短时视觉记忆，为其分配K个中心聚类。用为短时视觉记忆的第i个聚类，表示：

STMC＝{Csi，i＝1.....K} (1)

短时记忆其实是三种记忆聚类中最重要的部分，负责存储由瞬时记忆聚类构成的新的短时记忆聚类，以及判定是否能够成为长时记忆聚类。

长时记忆聚类(Long-term memory cluster，LTMC)：存储了进入长时记忆的视觉信息、，是短时视觉记忆聚类中有意义的部分。

LTMC＝｛Cli，i＝1，...，C-K} (2)

聚类算法是处理YUV格式中的Y分量的过程，规定一个较大聚类数N，在聚类过程中自适应的将类似的类组合在一起，直至最终计算出最合适的聚类数。首先定义两个聚类中心的分散度为

C(i)，C(j)为一个类的聚集度，也就相当于高斯背景建模中各个高斯分量的权值。

N_i相当于聚类于V_i的像素个数。D为两个类之间的距离，定义为

D(i，j)＝|V_i-V_i| (5)

而两个类如果能够合并则要满足两个条件之一：两个类的中心分散度值大于1或者两个类之间的距离D小于预设值。满足条件之后对各个聚类进行合并更新：

u_k＝(u_i+u_j) (7)

V_k，u_k，分别为新的聚类中心值，隶属度，聚类个数。

运动目标检测的具体算法流程如下：

1)第一帧是初始化短时视觉记忆，设置一个初始聚类数N，分配K个给短时视觉记忆聚类，隶属矩阵则先由随机数表示，将长时记忆聚类空间置空；

2)对每一帧新的图像，利用上述更新规则进行更新得到K个聚类，比较其权重值，选取P个聚类列入预选长时记忆聚类；

3)将瞬时记忆得到的图像与短时记忆中的K个聚类进行比较，若匹配于可记忆聚类，则设定其P(x，y)t值为0，否则为1。P(x，y)t为对位于位置(x，y)的像素值进行标记，若为1则表示为前景；

4)将瞬时记忆得到的图像与长时记忆中的P个聚类进行比较，若匹配于长时记忆聚类，则设定其P(x，y)t值为0，否则为1；

若匹配于长时聚类：如果C_k是可记忆的，提取出长时记忆聚类Cl_i，同时将两者进行位置调换；如果C_k是不可记忆的，则提取出长时记忆聚类Cl_i，并将其遗忘Cs_i即删除该聚类；

若不匹配于长时聚类：如果C_k是可记忆的，直接记忆C_k；如果C_k是不可记忆的，用一个新的权值低类将其取代。