一种基于顺序特性和子空间聚类的镜头分割方法

一种基于顺序特性和子空间聚类的镜头分割方法
【技术领域】
[0001] 本发明设及信号处理领域，特别设及一种基于顺序特性和子空间聚类的镜头分割 方法。
【背景技术】
[0002] 现在全世界许多角落都安装了大量摄像头，海量多媒体数据由此产生，该些都属 于有顺序关系的高维数据。在每个视频帖中的像素维数是非常大的，但其内在表示有意义 的维数往往比整个空间的维数小得多，换言之，高维数据可通过同一子空间的低维数据表 示，该不仅减少了处理时所需大量运算和内存，也大大减少了原空间噪声的影响，而且相邻 帖之间存在顺序关系。本发明结合视频信息的该些特点发明了一种基于顺序特性和子空间 聚类的镜头分割方法。

【发明内容】

[0003] 本发明的目的在于提供一种基于顺序特性和子空间聚类的镜头分割方法。
[0004] 为实现上述目的，本发明的技术方案是；一种基于顺序特性和子空间聚类的镜头 分割方法，包括如下步骤， 步骤S1 ;通过摄像头拍摄获取视频帖，并对所获取的视频帖进行帖编号，得到视频帖 序列； 步骤S2 ;对每一视频帖进行提升小波变换处理，并将每个视频帖的小波低频系数矢量 化成单独的列，各列排列形成数据样本矩阵X; 步骤S3 ;通过下述优化目标函数，对步骤S2形成的数据样本矩阵X进行子空间聚类；
式中；E代表高斯噪声；II表示为1范数；IIIlf表示为F范数；数据样本矩阵X二[巧，心;由于数据的自我表达特性，每个列样本均可表示为数据样本矩 阵X自身的一个线性组合，其中，Z= 是大小为兴Xy的系数矩阵，在该表 达方式下，各个列样本可表达为：而此时相邻列样本间的相似性质则体现为系数矩 阵Z中相邻列分量间的相似关系；为确保公式有意义，对上式进行边界扩充，即令為為、 =Z"，2^2"分别表示数据样本矩阵X中的第1列和第n列；上式中的第二项是为了确 保系数矩阵Z是稀疏的，其中，义^为一常数；上式中第S项的惩罚项是为了体现数据的局部 低维子空间属性，其中
为惩罚因子，为常数，PSNR为峰值信噪比， 巧。巧max为最大峰值信噪比，取100 ; 为同时实现对系数矩阵z的稀疏约束和罚函数控制，求解优化结果，采用交错方向乘 子法，在考虑约束条件的情况下，引入新的矩阵变量乏、和M，并使用矩阵方式改写公式 (1)的第S项，即将目标优化函数变为：
通过上式即可求得，每帖视频帖在数据样本矩阵X对应的列所属的聚类，从而得到聚 类结果； 步骤S4 ;将步骤S3得到的聚类结果存储至静态存储器中，即可实现对受攻击视频帖序 列的镜头分割，便于用户分析视频。
[0005] 在本发明一实施例中，所述峰值信噪比PSNR的计算公式如下；
式中，/为源视频帖信号，伪J受攻击后的视频帖信号，且/、姑匀表现为m行n列的数 据矩阵，S表示视频帖信号的峰值。
[0006] 相较于现有技术，本发明具有W下有益效果；本发明方法实现速度较快，无需人工 监督实现聚类，聚类的过程应用PSNR作为惩罚因子，动态微调聚类的结果，便于用户分析 视频。
【附图说明】
[0007] 图1为本发明的流程示意图。
【具体实施方式】
[0008] 下面结合附图，对本发明的技术方案进行具体说明。
[000引如图1所示，本发明的一种基于顺序特性和子空间聚类的镜头分割方法，包括如 下步骤， 步骤S1 ;通过摄像头拍摄获取视频帖，并对所获取的视频帖进行帖编号，得到视频帖 序列； 步骤S2 ;对每一视频帖进行提升小波变换处理，并将每个视频帖的小波低频系数矢量 化成单独的列，各列排列形成数据样本矩阵X; 步骤S3 ;通过下述优化目标函数，对步骤S2形成的数据样本矩阵X进行子空间聚类；
式中；E代表高斯噪声；III表示为1范数；IIIlf表示为F范数；数据样本矩阵 义= [Xi，Xy--Xy]eJ?^Y;由于数据的自我表达特性，每个列样本均可表示为数据样本矩 阵X自身的一个线性组合，其中= 是大小为并X的系数矩阵，在该表 达方式下，各个列样本可表达为；A',. 此时相邻列样本间的相似性质则体现为系数矩 阵Z中相邻列分量间的相似关系；为确保公式有意义，对上式进行边界扩充，即令Zp二马、Z。*! =Zn，马，Z。分别表示数据样本矩阵X中的第1列和第n列；上式中的第二项是为了确 保系数矩阵Z是稀疏的，其中，A为一常数；上式中第S项的惩罚项是为了体现数据的局部 低维子空间属性，其中，
为惩罚因子，為为常数，PSNR为峰值信噪比， 巧为最大峰值信噪比，取100 ; 为同时实现对系数矩阵Z的稀疏约束和罚函数控制，求解优化结果，采用交错方向乘 子法，在考虑约束条件的情况下，引入新的矩阵变量乏、。和M，并使用矩阵方式改写公式 (1)的第S项，即将目标优化函数变为：
通过上式即可求得，每帖视频帖在数据样本矩阵X对应的列所属的聚类，从而得到聚 类结果； 步骤S4 ;将步骤S3得到的聚类结果存储至静态存储器中，即可实现对受攻击视频帖序 列的镜头分割，便于用户分析视频。
[0010] 式中，功源视频帖信号，伪受攻击后的视频帖信号，且/、姑匀表现为m行n列 的数据矩阵，S表示视频帖信号的峰值。
[0011] W下具体讲述本发明的技术方案。
[0012] 本发明方法；首先由摄像头拍摄得到视频帖，然后一方面将受到攻击后的视频帖 与源视频帖进行峰值信噪比PSNR计算，根据所得到的峰值信噪比PSNR使用动态方式设定 惩罚因子；另一方面对每个视频帖进行提升小波变换，然后把每个视频帖的小波低频系数 矢量化成单独的列，排列于一处的形成数据样本矩阵X，在动态存储器SDRAM中依据基于顺 序特性的子空间聚类算法进行镜头分割，然后将分割后的结果存储至静态存储器，受到攻 击后的视频帖则直接存储至静态存储器。
[0013] 上述所述在在动态存储器SDRAM中依据基于顺序特性的子空间聚类算法进行镜 头分割的具体实施方法如下： 视频中相邻帖间的数据在时间上存在连贯关系。如果我们把每个视频帖的小波低频系 数矢量化成单独的列，排列于一处的形成数据样本矩阵X，此类顺序关系反映到系数矩阵中 互相邻近的列与列之间，其变化将较为微小且连续，为了找到体现有上述特征的各样本相 对于整体样本集稀疏线性表示，我们提出了下列优化目标函数：
该里￡代表了高斯噪声，II|表示为1范数，I|^表示为F范数，数据样本矩阵 乂二[巧，X,，--由于数据的自我表达特性[1，2]，每个列样本均可表示为数据X自 身一个线性组合，其中，2 = [21，2,，--2^]是系数矩阵（大小为^>:^)。在该表达方式下， 各个列样本均可表达为：巧。此时相邻样本间的相似性质则体现为系数矩阵中相邻 列分量间的相似关系。为确保公式有意义，我们进行边界扩充，即令為二马、，该 里為，分别表示数据样本矩阵X的第1列和第n列；该相当于在第1列中和在第n列中， 优化方式与空间子空间聚类方法相同。目标函数中的第二项即为了确保系数矩阵是稀疏 的，为了体现数据的局部低维子空间属 性，我们应用的第S项惩罚项。与-7:_1，的关 系不仅保证了相似性且允许有微小变化。从矩阵化形式来看(如M矩阵所示)，此种形式模 版往往用于检测线，我们使用该个惩罚项来突出聚类的边界。
[0014] 我们还使用动态方式设定惩罚因子。一般用于衡量信号降质程度的指标是峰值信 噪比，假设I为源信号，K为受到噪声污染的信号，则其峰值信噪比表示为：
(2) 式中，/、A均表现为m行n列的数据矩阵，S表示视频帖信号的峰值。
[0015] 一般来说当数据噪声较小时惩罚因子可较小，在没有噪声干扰时 (/?&\3=^ 5??^"3^^)，稀疏子空间聚类（SSC)方法就能获取良好效果，可不需此惩罚 项；当数据噪声较大时，惩罚因子可变大；如果无法求出峰值信噪比，我们可W设置 -PSA0? = -PSA單胃，该样可同时实现对系数矩阵的稀疏约束和较强的罚函数控制。我们采用 2 采用交错方向乘子法巧]，在考虑约束条件的情况下，引入新的矩阵变量Z、[7和M，使用矩 阵方式改写第=项，目标优化函数变成： (3) 其中
本发明方法对数据样本矩阵X进行子空间聚类具体过程如下： 输入；数据样本矩阵X，参数馬^ f52V1胃，巧式靈 输出；聚类结果finalcluster Begin 1、 初始化：令z-i" = 0,u=0,G=0,F=0,巧=!，it=l，且最大迭代次数; 2、 给M赋值
Repeat 3、 固定2,U，通过
更新Z; 4、 矩阵Z的对角线元素为0, diag狂)=0 ; 5、 固定Z，U，通过下列公式来更新Z;
10、 通过Z构建相似性矩阵 11、 对数据样本矩阵X进行N-cut分割[4](即获取每帖视频帖在数据样本矩阵X对应 的列所属的聚类） 12、 输出最终聚类结果finalcluster end 上述过程中，1-9步为了求出公式（3)的优化结果，10-12步通过Z构建相似性矩阵然 后进行N-cut分割，然后将最终聚类的结果finalcluster存储至静态存储器，就可W实现 对受到攻击的视频序列镜头的分割，帮助用户分析视频。
[0016] W下为本发明的参考文献：
[1]Tierney S, GAO JB, Guo Y. Subspace clustering for sequential data. ComputerVisionandPattern民ecognition, 2014:
[2]ElhamifarE,Vidal民.Sparsesubspaceclustering:algorithm,theory, andapplications.PatternAnalysisandMachineIntelligence,IEEET民，2013， 35(11): 2765-2781.
[3]BoydS,ParikhN，ChuE，etal.Distributedoptimizationandstatistical learningviathealternatingdirectionmethodofmultipliers[J].Foundations andTrendsinMachineLearning，2011,3(1): 1-122.
[4]Georghiades,AthinodorosS,Belhumeur,PeterN. :Kriegman，DavidJ.From fewtomany: Illuminationconemodelsforfacerecognitionundervariable lightingandpose[J].IEEETransactionsonPatternAnalysisandMachine Intelligence. 2001，. 23 ( 6) :643 - 660.。
[0017] 臥上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作 用未超出本发明技术方案的范围时，巧属于本发明的保护范围。
【主权项】
1. 一种基于顺序特性和子空间聚类的镜头分割方法，其特征在于：包括如下步骤， 步骤Sl :通过摄像头拍摄获取视频帧，并对所获取的视频帧进行帧编号，得到视频帧 序列； 步骤S2 :对每一视频帧进行提升小波变换处理，并将每个视频帧的小波低频系数矢量 化成单独的列，各列排列形成数据样本矩阵X ; 步骤S3 :通过下述优化目标函数，对步骤S2形成的数据样本矩阵X进行子空间聚类；式中：E代表高斯噪声；I I1表示为1范数；I Ijr表示为F范数；数据样本矩阵 I = = ;由于数据的自我表达特性，每个列样本均可表示为数据样本矩 阵父自身的一个线性组合，其中，2 =【21;2:: - \；|是大小为災><，的系数矩阵，在该表 达方式下，各个列样本可表达为：；=Ii，此时相邻列样本间的相似性质则体现为系数矩 阵Z中相邻列分量间的相似关系；为确保公式有意义，对上式进行边界扩充，即令Z 0 =召、 ΖΛ+1 = ΖΛ，Zi3Z/分别表示数据样本矩阵X中的第1列和第η列；上式中的第二项是为了确 保系数矩阵Z是稀疏的，其中，A i为一常数；上式中第三项的惩罚项是为了体现数据的局部 低维子空间属性，其中，》为惩罚因子，为常数，PSNR为峰值信噪比， PSYlmas为最大峰值信噪比，取100 ; 为同时实现对系数矩阵Z的稀疏约束和罚函数控制，求解优化结果，采用交错方向乘 子法，在考虑约束条件的情况下，引入新的矩阵变量2、！；和Μ，并使用矩阵方式改写公式 (1)的第三项，即将目标优化函数变为：通过上式即可求得，每帧视频帧在数据样本矩阵X对应的列所属的聚类，从而得到聚 类结果； 步骤S4 :将步骤S3得到的聚类结果存储至静态存储器中，即可实现对受攻击视频帧序 列的镜头分割，便于用户分析视频。2. 根据权利要求1所述的一种基于顺序特性和子空间聚类的镜头分割方法，其特征在 于：所述峰值信噪比PSNR的计算公式如下：式中，/为源视频帧信号，尤为受攻击后的视频帧信号，且ΛΑ均表现为m行η列的数 据矩阵，s表示视频帧信号的峰值。
【专利摘要】本发明涉及一种基于顺序特性和子空间聚类的镜头分割方法。该方法，首先由摄像头拍摄得到视频帧，然后一方面将受到攻击后的视频帧与源视频帧进行峰值信噪比PSNR计算，根据所得到的峰值信噪比PSNR使用动态方式设定惩罚因子；另一方面对每个视频帧进行提升小波变换，然后把每个视频帧的小波低频系数矢量化成单独的列，排列于一处的形成数据样本集X，在动态存储器SDRAM中依据基于顺序特性的子空间聚类算法进行镜头分割，然后将分割后的结果存储至静态存储器，受到攻击后的视频帧则直接存储至静态存储器。
【IPC分类】G06T7/00
【公开号】CN104881880
【申请号】CN201510339050
【发明人】陈丽萍, 郭躬德
【申请人】福建师范大学
【公开日】2015年9月2日
【申请日】2015年6月18日