[发明专利]一种基于特征选择与光滑表示聚类的视频动态目标提取方法

摘要

一种基于特征选择与光滑表示聚类的视频动态目标提取方法，包括如下步骤：(1)对视频数据进行预处理，编码成视频序列矩阵Y；(2)以视频序列矩阵Y为输入，建立FSSR聚类模型；(3)使用增广拉格朗日函数和交替方向乘子法对聚类模型进行优化，获得最优系数矩阵Z*；(4)使用公式(|Z*|+|Z*T|)/2，计算关联矩阵S；(5)使用规范化分割算法对关联矩阵S进行分割，根据聚类结果获取动态目标图像。本发明具有运行效率高、数据适应性强、准确度高、运动一致性强等的优点，非常适合高维特征视频数据的目标提取。

主权项

一种基于特征选择与光滑表示聚类的视频动态目标提取方法，包括如下步骤：步骤1，视频序列数据预处理；假设视频序列为f＝[1,2,…,F]，共F帧，选取N个像素点，对每一帧的N个像素点进行提取和跟踪；这样就得到N条链，又称为像素轨迹，每条链表示为一个长度为2F的向量N条像素轨迹组合成一个2F×N的矩阵Y＝[y1,y2,…,yN]∈R2F×N；步骤2，以视频序列矩阵Y为输入，建立FSSR聚类模型minZ,p12||diag(p)(Y-YZ)||F2+λtr(ZLZT)]]>s.t.pT1＝1 pi≥0其中Z是表示系数矩阵，p是特征选择向量，L是拉普拉斯矩阵，L＝D–W，D是对角度矩阵，W＝(wij)为相似图，wij＝||yi‑yj||2代表两个数据点之间的距离相似度，采用0‑1权重来构造k近邻图W，λ为正则项系数，tr(·)是矩阵的迹；步骤3，使用增广拉格朗日函数和交替方向乘子法对函数模型优化；引入虚变量J＝Z，根据增广拉格朗日函数可以使目标模型转化为如下形式Lρ(J,Z,Θ)=12||diag(p)(Y-YJ)||F2+λtr(ZLZT)+ρ2||J-Z+Θ/ρ||F2]]>s.t.pT1＝1 pi≥0最优表示系数矩阵Z*的求解过程如下：输入：视频序列矩阵Y，参数值λ，ρ和κ，最大迭代数tmax初始化：Z，J，p，Θ，t＝0；迭代31–34：31.根据式(1)计算辅助变量J；J＝(YTdiag2(p)Y+ρI)‑1(YTdiag2(p)Y+ρZ‑Θ)  (1)32.根据式(2)计算表示系数矩阵Z；Z＝(ρJ+Θ)(2λL+ρI)‑1  (2)33.根据式(3)计算特征权值p；p＝PM(p)  (3)设则p的初始解为当设定特征选择参数M后，根据p的初始值对pi进行降序排序p1≥p2≥,...,≥pM≥pM+1≥,...,≥pd≥0，当i≤M时，pi保持初始值不变；当i>M时，pi置为0，PM是表示这一关系的算子；34.根据式(4)迭代Θ和ρ；Θ=Θ+ρ(J-Z)ρ=min(ρκ,ρ‾)---(4)]]>其中κ>1控制收敛速度，用于防止ρ变得过大，设置为108；t＝t+1直至t≥tmax或函数收敛，输出Z*；步骤4，由步骤3求得表示系数矩阵Z*之后，利用公式S=(|Z*|+|Z*T|)2---(5)]]>求关联矩阵S；步骤5，利用规范化分割算法对关联矩阵S进行分割，根据聚类结果最终提取出动态目标。