[发明专利]一种视频图像时空特征点的提取方法

说明书

本发明公开了一种视频图像时空特征点的提取方法，该方法基于视频图像中各像素点的灰度信息和运动信息得到视频图像的灰度运动函数，之后先将灰度运动函数与高斯函数的二阶微分进行卷积，并根据卷积结果，构建视频图像的Hessian矩阵，其次根据Hessian矩阵进行运算得到Hessian矩阵的行列式函数，并根据视频图像各像素点对应的行列式函数值，确定视频图像各像素点的响应值，最后根据各像素点的响应值，按照非极大值抑制的方法，确定视频图像的时空特征点。通过该方法能够在视频中提取出表征空间信息及时间信息的特征点，即时空特征点，解决了现有技术中提取出的视频的特征点仅具有视频空间信息而不具有时间信息的技术问题。

技术领域

本发明涉及视频处理技术领域，更具体地说，涉及一种视频图像时空特征点的提取方法。

背景技术

在现有的视频处理过程中，常将一个视频分解成多个单帧的图像，通过提取各帧图像中的特征点，实现对图像的表征进而实现对视频的表征，但是一个视频所包含的信息绝不仅有像素的灰度信息，其还包括各像素之间的时间信息，因此该表征视频的方法是片面的，其没有根据视频中包含的时间信息对视频进行表征。

参考现有技术采用的提取图像像素中的特征点，并对特征点进行描述从而实现表征图像的方法，可以考虑提取视频中包含空间信息和时间信息的时空特征点，并对该时空特征点进行描述从而实现对视频的表征，而如何提取视频的时空特征点则是首先需要解决的。

发明内容

本发明的主要目的在于提供一种视频图像时空特征点的提取方法，旨在解决现有提取出的视频特征点仅具有视频空间信息而不具有时间信息的技术问题。

为实现上述目的，本发明提供一种视频图像时空特征点的提取方法，该方法包括：

基于视频图像中各像素点的灰度信息和运动信息得到视频图像的灰度运动函数；

将灰度运动函数与高斯函数的二阶微分进行卷积，并根据卷积结果构建视频图像的Hessian矩阵；

根据Hessian矩阵进行行列式运算，得到Hessian矩阵的行列式函数，并根据视频图像各像素点对应的行列式函数值，确定视频图像各像素点的响应值；

根据各像素点的响应值，按照非极大值抑制的方法，确定视频图像的时空特征点。

可选的，基于视频图像中各像素点的灰度信息和运动信息得到视频图像的灰度运动函数的步骤包括：

基于视频图像中各像素点p的灰度信息f(p)和运动信息v_p，根据f'(p)＝f(p)+v_p，计算得到视频图像的灰度运动函数f'(p)。

可选的，将灰度运动函数与高斯函数的二阶微分进行卷积，并根据卷积结果构建视频图像的Hessian矩阵包括：

将灰度运动函数f'(p)与高斯函数g(p,σ)的二阶微分进行卷积，构建Hessian矩阵Hessian矩阵中的各元素L表示高斯函数g(p,σ)的各二阶微分分别与灰度运动函数f'(p)的卷积结果，σ表示高斯函数g(p,σ)的尺度。

可选的，根据各像素点的响应值，按照非极大值抑制的方法，确定视频图像中的时空特征点的步骤包括：

比较同一尺度σ下，像素点与像素点在空间上相邻的像素点的响应值，若像素点的响应值为极大值，则比较像素点与相邻两个尺度邻域的像素点的响应值，若像素点的响应值为极值点，则确定像素点为视频图像中的时空特征点。

可选的，根据Hessian矩阵进行行列式运算，得到Hessian矩阵的行列式函数，并根据视频图像各像素点对应的行列式函数值，确定视频图像各像素点的响应值包括：

运算Hessian矩阵中的元素，计算得到Hessian矩阵的行列式函数det(H)；