为了在动态场景图像序列中准确地完成全局运动估计, 实现对运动背景的补偿, 提出了基于均值聚类和几何关系的运动背景估计算法。首先, 利用Harris算法提取两帧图像的特征点, 建立特征点匹配对。其次, 利用K-means聚类算法去除在匹配过程中存在的明显错误的特征点对。再次, 利用三角几何关系去除位于运动目标上的特征点。最后, 利用随机样本一致(RANdom SAmple Consensus, RANSAC)算法和最小二乘方法求出运动参数。分析实验结果得出: 本文算法比原始算法的峰值信噪比提高了5%左右, 所耗时间减少了50 ms。实验结果表明: 该算法能更加精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。
Harris特征点 K均值聚类 三角几何关系 随机样本一致 运动背景估计 Harris feature point K-means clustering triangulation RANSAC moving background estimation
针对运动背景下运动目标分割定位困难的问题, 提出了融合背景补偿与均值漂移的运动背景下目标分割定位算法。该算法首先在运动背景补偿的基础上, 利用帧间差分法得到差分图像。其次, 对差分图像中非零像素点建立多特征描述子, 运用均值漂移算法对其进行聚类。最后, 利用均值聚类得到的非零像素点来对运动目标进行分割定位。实验结果充分表明, 该算法可以比较精确地进行运动背景下移动目标的分割定位。
运动背景 目标分割定位 背景补偿 均值漂移 moving scenes segmentation and location of object background compensation mean shift