融合时空多特征表示的无监督视频分割方法

    公开(公告)号:CN107657625A

    公开(公告)日:2018-02-02

    申请号:CN201710810535.9

    申请日:2017-09-11

    CPC classification number: G06T7/215 G06T7/251 G06T2207/10016 G06T2207/20081

    Abstract: 本发明公开了融合时空多特征表示的无监督视频分割方法,利用目标运动信息,显著性特征及颜色特征的差异,进行目标的特征提取识别,并结合高斯混合模型实现对目标的稳定准确分割。该方法包括超像素分割,光流匹配,优化匹配结果,建立图模型并求解超像素等级的分割结果,利用分割结果训练高斯混合模型参数,求解像素等级分割结果,结合已有的超像素及像素等级分割结果,得到最终的分割结果。对每一帧图像进行超像素分割极大地降低了运算的复杂度,而利用非局部时空信息对光流得到的匹配信息进行优化则可以提高分割的鲁棒性。混合高斯模型的引入弥补了超像素分割过程中边缘匹配误差大的不足,显著性特征则进一步提高了分割结果的准确度及可信度。

    一种基于非局部时空特征学习的无监督视频分割方法

    公开(公告)号:CN107016675A

    公开(公告)日:2017-08-04

    申请号:CN201710130587.1

    申请日:2017-03-07

    CPC classification number: G06T2207/10016 G06T2207/20081

    Abstract: 本发明公开了一种基于非局部时空特征学习的无监督视频分割方法,包括获取所需分割的视频序列,利用超像素分割处理视频序列,利用光流进行前后帧信息匹配,根据视频序列相邻帧的信息获取运动目标的范围作为图模型初始化输入,利用全局信息对匹配结果进行优化,建立图模型并利用图割算法求解分割结果,以及视频分割所得运动目标的输出。通过对输入视频中的每一帧图像进行超像素分割可以极大地降低运算的复杂度,而利用非局部时空信息对光流得到的匹配信息进行优化则可以提高分割的鲁棒性,降低噪声的影响。无需任何人工干预,可以完全基于视频图像的自身信息获得较准确的分割结果。

Patent Agency Ranking