基于区域分割的视频显著性检测方法

摘要

本发明公开了一种区域分割的视频显著性检测方法，主要解决现有视频显著性检测方法检测准确率低的问题，其步骤是：1.对视频帧进行线性迭代聚类，得到超像素块，提取超像素块静态特征；2.利用变分光流法，得到超像素块的动态特征；3.将静态特征和动态特征进行融合得到特征矩阵，再对特征矩阵进行K‑means聚类；4.对每一类分别进行线性回归模型训练，得到回归模型，5.用回归模型重建测试集样本与显著性程度的映射关系得到测试集超像素块的显著值，进而得到测试序列的显著图。本发明相较于传统的视频显著性算法，增强了特征空间和时间表征能力，降低了光照对检测效果的影响，可用于视频目标跟踪、视频分割的前期预处理。

主权项

一种基于区域分割的视频显著性检测方法，包括如下步骤：(1)输入待检测的视频帧，提取每一帧图像的静态特征和动态特征；(1a)对输入的图像进行线性迭代聚类，得到超像素块，求取每一个超像素块中所包含像素点的颜色特征值、直方图特征值和纹理特征值，并用这三个特征的均值组成特征向量作为该超像素块的静态特征；(1b)将相邻两帧视频图像的纹理特征值用光流法进行差分处理，得到前一帧图像的光流场特征值；(1c)将每一帧图像的光流场特征值分解为水平方向vx和垂直方向vy两个特征；(1d)计算每一个超像素块所包含像素点水平方向vx和垂直方向vy的特征均值,并用这两个特征的均值组成特征向量作为该超像素块的动态特征；(2)将步骤(1)中得到的超像素块静态特征和动态特征进行融合，得到每一个超像素块的特征向量，对视频序列所有超像素块的特征向量进行归一化，得到特征向量集F，将视频序列前15帧图像所有超像素块特征向量F₁作为训练样本进行K‑means聚类，得到k＝5个训练样本以及对应的聚类中心；(3)把聚类得到的5个训练样本分别输入到支持向量机中，训练得到5个SVR回归模型；(4)取特征向量集F中剩余部分向量F₂作为测试样本，分别计算F₂中每个向量与k个聚类中心的欧式距离，寻找最邻近的类，并用与该最邻近的类相对应的SVR回归模型测试得到样本F₂中每一个超像素块对应的显著值，构成显著值向量；(5)将得到的显著值向量依次映射到测试样本中的所有超像素块上，得到测试序列显著图。