这篇计算机工程论文范文属于参考文献免费优秀学术论文范文,计算机工程方面有关硕士论文开题报告,与基于均值聚类的背景估计算法相关论文参考文献标注。适合计算机工程及参考文献及特征方面的的大学硕士和本科毕业论文以及计算机工程相关开题报告范文和职称论文写作参考文献资料下载。
摘 要 : 本文提出了基于均值聚类的背景估计算法.首先利用提取特征点,然后利用K-means聚类算法去除错误的特征点对.最后利用随机样本一致(RANSAC)算法和最小二乘方法求解运动参数.实验结果表明本文算法比原始算法的峰值信噪比提高.该算法能更加准确的实现运动背景估计,提高了运动背景估计的鲁棒性,同时提高了计算速度.
关 键 词 : 特征点;K-均值聚类;背景估计
0 引言
在军事、交通、监控等方面,运动目标的检测[1]得到广泛的应用.目前,对运动背景进行全局范围内的运动估计和补偿[2]比较常用,在施工该方法时,需要将运动背景转换为静止背景,同时将帧差法[3]提取运动目标[4].
目前有基于残差直方图的方法、基于Fisher线性判别准则的方法[5]以及RANSAC算法[6]等等.
1.特征点提取
选择一个近似于图像密度微分的自相关矩阵作为特征点检测算子:
其中,w等于h等于(n-1)/2.
Cij取值范围是(-1,1),Cij取值越大,则di和dj两个特征点相关程度就越高.
3.特征点预筛选
利用特征点之间的三角几何关系对位于运动目标上的特征点进行剔除处理,如图1所示.
4.运动估计
本文采用的仿射变换模型,表示为:
vixviy等于a1 a2a3 a4uixuiy+a5a6(9)
根据式(9)可知,要得到全局运动参数,理论上只需要3个匹配点对就可以了.本文利用RANSAC算法进行处理,在全体数据中,假设内点的概率为p,则抽取到一个没有外点的子集的概率为pk,在S个子集中,至少有一个子集的数据都是内点的概率为pc等于1-(1-pk)S(10)
式中pc,、S分别为置信概率、最小随机抽样次数.
选择S次随机抽样中内点个数最多时的所有内点进行最小二乘估计,得到运动参数ai(i等于1,2,等,6),即
5.实验仿真
如图3所示为视频序列,其中左边图像为第56帧,右边图像为第57帧;图4为两帧图像用特征点提取的结果.
图5为初始特征点匹配结果,存在明显错误的特征点匹配对;图6为经过K-means聚类处理后特征点匹配结果,运动目标上的特征点仍然存在.
图7本文算法运动背景补偿结果,由于运动目标的特征点被去除,运动背景补偿的效果最好.
6.结论
本文将K-means聚类算法引入到特征点对预筛选中,利用RANSAC算法、最小二乘方法求解全局运动参数.实验结果表明,该方法能更加精确的实现背景估计,效果良好.