基于子空間聚類的運動分割方法研究.pdf

1、運動分割是視頻序列場景分析和理解的基礎，是計算機視覺、模式識別等領域的重要研究內容，廣泛應用于自動導航，治安監(jiān)控，智能交通等等。近些年來，隨著人類世界信息量急劇膨脹，高維數(shù)據(jù)的不斷涌入，運動分割的研究方法也在不斷完善和不斷適應新環(huán)境，傳統(tǒng)的運動分割方法面對高維數(shù)據(jù)，噪聲干擾，相機移動等問題大都存在這樣那樣的問題，很難達到理想的分割效果。這樣的背景下，基于子空間聚類的運動分割方法迅速上位，成為處理運動分割問題最有效的方法之一。相比傳統(tǒng)運動

2、分割方法，該類方法有很多優(yōu)勢，尤其是基于譜聚類的低秩表示子空間聚類和稀疏表示子空間聚類，它們兼容高維數(shù)據(jù)，而且對于噪聲干擾、相機移動等問題具有很好的魯棒性?；谧涌臻g聚類的運動分割方法首先根據(jù)相關的優(yōu)化算法找到一個測度數(shù)據(jù)點兩兩之間相似程度的相似度矩陣，它描述為同一子空間內的數(shù)據(jù)點保持較大相似性測度，不同子空間里的數(shù)據(jù)點保持較小相似性測度。然后基于所找的相似度矩陣，構建一個相似度圖，數(shù)據(jù)點對應圖結點，數(shù)據(jù)點之間的相似性測度對應邊權重。最

3、后利用相關的譜聚類方法，將這個相似度圖里的節(jié)點聚類到不同子空間來實現(xiàn)簇的劃分并最終完成運動分割。
　　本文提出一種新的基于一致性稀疏子空間聚類的運動分割方法。稀疏子空間聚類通過尋求數(shù)據(jù)點關于其他數(shù)據(jù)點的稀疏表示來提取高維數(shù)據(jù)中的低維子結構，沒有考慮不同特征點隸屬同一子空間的可能性，忽略了特征點間的運動一致性信息。本文針對這一問題，基于視頻中跟蹤點運動的一致程度，定義―“致性度量模型”，該模型在求解數(shù)據(jù)的稀疏表示之前準確度量了數(shù)據(jù)點

4、隸屬于同一子空間的可能性；根據(jù)這一模型本文又提出一種采用子空間聚類處理運動分割問題的算法：一致性稀疏子空間聚類算法（CSSC）。CSSC算法將運動的一致程度引入到稀疏優(yōu)化模型的目標函數(shù)中，得到帶有一致性約束的稀疏優(yōu)化模型，采用交替方向乘子法求解新模型，在最小化約束下，新模型更有利于分離出稀疏表示系數(shù)中的大系數(shù)，特征點軌跡更有利于被隸屬于同一運動物體的其他特征點軌跡線性表示，從而得到更優(yōu)的稀疏表示。實驗結果表明，本文所提模型能夠得到更優(yōu)的