运动分割

计算机科学、仪器科学、通信工程等行业术语

运动分割是指在序列特征多种运动中，标记出与每一独立运动相关联的像素，并对这些像素按照各自所属的媒体对象进行聚类，其主要目的是从静止背景之中提取出作为前景的运动物体。基于二维运动估计的运动分割是处理该问题的最常用的方法之一。

相关概念

简介

运动分割是指在序列特征多种运动中，标记出与每一独立运动相关联的像素，并对这些像素按照各自所属的媒体对象进行聚类，其主要目的是从静止背景之中提取出作为前景的运动物体。基于二维运动估计的运动分割是处理该问题的最常用的方法之一。这是因为大部分真实的图像序列都包含有多种运动或多个运动物体，而由各种运动导出的光流场通常表现出非连续性

目前，对于运动分割算法的研究主要集中在变化检测模板或静态图像的边缘检测与运动估计的结合等方法。

基于图像时空梯度信息，结合静态图像的“分水岭(watershed)”算法，提出了一种运动序列的自动分割方法；在对全局动动估计的基础上，提出了基于变化检测模板的方法和基于边缘检测的运动分割算法，该方法要求作为前景的运动目标必须具有丰富的纹理特征。应用Bayes理论的最大后验概率方法也是研究运动图像分割问题的方法之一。还有一种光流估计与运动分割的同时处理算法。

背景问题

运动分割的难点在于对背景的判断，包括消除噪声运动区域、运动目标的阴影以及纳入背景的物体3种假象前景。

对于背景的自适应问题，国内外学者作了大量的研究，总结国内外的研究成果，目前比较通用的方法可以分成3大类：混合高斯方法，非参数统计方法和最大可能性像素值的方法。限制前2种方法使用的最大问题是资源占用大，包括内存和处理器占用，越是精确的统计，越是需要更多的内存空间和处理器时间。最大可能性像素值方法运算速度快，但难以确定观察时间，因为并不是观察时间越长效果就越好，背景值往往与最近出现的观察值更接近。

运动前景还可能包括目标的阴影，在实际应用中，考虑到速度的要求，大部分系统都不对阴影进行检测，这都是建立在光线比较均匀分布的假设基础上，但实际上阴影所造成的误差往往会导致后续操作的错误。

运动分割方法

长程背景更新

背景往往不是静止的，存在一些噪声运动区域，特别是监控室外场景时，会遇到一些干扰运动物体，例如随风摆动的树木、闪烁的显示器等。可进一步将检测出的前景划分为目标、阴影和鬼影(ghosts)，鬼影即当背景发生变化时，由于背景更新不能消除该改变，从而导致一直误认为是前景目标。当背景中的噪声区域面积较大时，很难通过后面数学形态学进行处理，而建立复杂的模型估计每个像素值的分布会耗费大量的计算时间。实际上在一般场景中，大部分背景区域的像素点分布都遵从单高斯分布。综合考虑以上问题，采用一种两次背景更新的方法，背景更新属于长时间操作(一般在150帧以上)，用于检测噪声运动区域和鬼影，并通过像素值平均获得长程背景。

短程背景更新

如果只采用长程背景更新，则背景像素的更新不能及时反映背景的变化，会导致检测的误差。当一个周期长程背景操作完成，噪声运动区域以外的像素可以看作遵从单高斯分布，利用IIR滤波器方法对背景进行短程更新，即对每个像素的均值和方差进行更新。

阴影消除

利用像素的强度值(Intensityvalue)变化已经可以找到大部分阴影区域，但同时会将真实目标区域中的某些与背景颜色相近的区域也误识为阴影。受到基于HSI颜色空间消除阴影算法的启发，使用颜色向量与强度值相结合的方法来消除阴影，由于从RGB空间转换成HSI运算量较大，因此不适合实时应用，应采用归一化的RGB颜色空间。i=(R+G+B)/3为强度值，r=R/(R+G+B)，g=G/(R+G+B),b=B/(R+G+B)为归一化颜色值。

投影分割

由于场景中可能会出现多个目标，需要对各个目标所处的区域(通常是外界矩形)进行划分，通常采用连通域标记的方法，如W4系统。简单起见采用一种基于投影的分割方法，可以取得较好的效果，同时投影所获得信息还可以用于后面的目标轮廓分析。该方法进行3次投影，第1次对X轴进行投影，计算出X坐标范围后，再在该范围内对Y轴进行第2次投影，获取连通区域的Y坐标范围，此时再对该区域进行X轴投影，获得连通区域的X坐标范围，最终计算出连通区域的外接矩形坐标值。

人体运动分割

意义

人体运动包含着丰富而细致的自然信息，现已广泛应用于影视、动画制作，以及各种体育运动项目的训练、运动康复等相关领域。在人体运动捕获的过程中，需要把人体运动的时间序列分割成有意义的动作单元以用于有特定语义的运动片段，进而对人体运动进行编排合成、识别及检索等。

人体运动时间序列分割是十分重要又有意义的工作。人体运动序列是高维时间序列，通过分割可以在更高层次上描述时间序列，并使时间序列得到简化，进而为时间序列建立索引、聚类和分类提供支持。另外，人体运动的合成需要不同的分割单元，合成的效果需要考虑合成后动作的连贯性，连贯性越好合成的效果越佳，人体运动的合成也需要对人体运动时间序列进行分割。

方法

目前，人们已提出许多人体运动时间序列分割方法，它们以不同的角度去研究人体运动的本质。例

如，考虑到不同的运动片段在时空上属于不同的类，以聚类算法来揭示其运动本质；但此方法由于

时间序列本身具有时序性且往往不等长，因而分割效果并不好。还可用动态规整核拓展核Kmeans聚类算法得到聚类优化函数，并利用坐标下降法求解分割点，这种方法对分割起到了很好的效果；但由于坐标下降法对下降方向有所限制，故不能沿最优方向进行寻优，导致算法在迭代过程中收敛缓慢甚至不收敛。Barbic等从概率分布的角度入手，假设不同类服从不同的高斯分布，得到解决该问题的高斯混合模型，为了提高算法的效率，采用主成分分析对原始运动数据进行降维预处理，再用EM算法估计高斯混合模型所需要的参数；同时提出了基于PCA本征维数的分割算法，考虑动作的变化必然导致数据本征维数的变化来判定运动时间序列的分割点，但PCA等线性算法对非线性的人体运动数据很难奏效；他们还提出了基于概率主成分分析的分割方法。此外，采用聚类的方法对运动序列进行分割；但聚类的分割方法破坏了原序列的时序性，同时数值相似的帧不一定有时序的相似性。Sakamoto等利用SOM建立姿态空间，抽取动作单元开始及结束的姿态寻找分割点；但该方法不能反映人体运动的动力学特征，无法处理速度不同的动作片段。

关键

对人体运动序列进行分割的关键是寻找不同动作之间的分割特征。分割点的寻找是一个复杂的问题，同样的运动序列在不同的环境背景下可能会得到不同的分割结果。

全国各地天气预报查询

上海市

云南省

云南省

云南省

云南省