稀疏子空間聚類算法及其在運動分割中的應(yīng)用研究.pdf

1、如今社會，人們不滿足于僅僅播放多媒體信息，轉(zhuǎn)向基于視頻對象的訪問、檢索和操作，于是基于視頻的運動分割技術(shù)成為了研究重點。運動分割是將視頻中有著不同運動的物體分開，是基于對象的視頻編碼、視頻檢索、多媒體交互的基石。傳統(tǒng)的運動分割算法采用運動目標檢測和目標跟蹤,在利用幀差法和光流法對運動目標檢測時，極易受到噪聲的影響，目標跟蹤又涉及目標的遮擋、扭曲和變形等問題，于是復(fù)雜場景下進行運動分割很難得到理想效果。通過轉(zhuǎn)換問題的角度，采用稀疏子空間聚

2、類算法，避開運動檢測和目標跟蹤遇到的難題，來實現(xiàn)復(fù)雜場景下的運動分割。
　　基于同一運動的特征點軌跡在同一線性流形上，于是可以利用稀疏子空間聚類算法對特征點軌跡進行聚類來實現(xiàn)運動分割。稀疏子空間聚類算法在處理高維數(shù)據(jù)時，能夠?qū)⒏呔S數(shù)據(jù)分割到所屬的低維子空間中去，揭示高維數(shù)據(jù)所在本質(zhì)子空間，算法可以同時處理奇異點和噪聲對聚類的影響，針對稀疏子空間算法的研究，本文做了如下工作：
　　(1)通過對比k-means算法，深入研究自適

3、應(yīng)譜聚類算法。
　　由于稀疏子空間聚類算法是基于譜聚類，對譜聚類的相關(guān)基礎(chǔ)和理論知識做了深入研究，分析譜聚類的研究成果和應(yīng)用現(xiàn)狀，針對譜聚類需要手動輸入聚類數(shù)目的缺點，本文依據(jù)矩陣的擾動理論，同時計算矩陣的特征間隙，從而實現(xiàn)聚類算法自動確定聚類數(shù)目。為了證明譜聚類算法能處理任意樣本形狀的數(shù)據(jù)集，而且不陷入局部最優(yōu)，本文選取各種形狀的樣本集進行實驗，同時用k-means算法處理這些樣本集，通過實驗對比，發(fā)現(xiàn)自適應(yīng)譜聚類算法在處理樣本

4、集上的優(yōu)勢。
　　(2)提出混合最小二乘回歸的稀疏子空間聚類算法。
　　針對稀疏子空間聚類算法如何構(gòu)造真實合理反映數(shù)據(jù)集的相似度矩陣的問題，相似度矩陣既要類間稀疏又要內(nèi)類均勻，這樣才能保證屬于同一個類的數(shù)據(jù)點相似度最大，屬于不同類的數(shù)據(jù)點相似度最小，對于樣本集存在各種噪聲點、奇異樣本點和孤立點，本文采用數(shù)據(jù)項矩陣來處理噪聲的影響，通過分析稀疏子空間聚類專注于每一個數(shù)據(jù)表示系數(shù)的最大稀疏性，缺乏對數(shù)據(jù)集全局結(jié)構(gòu)的描述;低秩子空