dbscan聚类算法_一种视频人群流的轨迹聚类方法

---

tags: KLT光流法,K-means聚类算法,DBSCAN聚类算法

---

方法简介

运动轨迹是一种在视频场景中捕捉复杂时间动态的有效方法。因此，我们将人流分割问题转化为一个轨迹提取和聚类任务。该方法分为以下步骤：(1)轨迹提取：检测视频中的跟踪块或区域，提取轨迹。(2)轨迹聚类：开发一种适合高密度轨迹的聚类算法，该算法使用邻域内轨迹模式的形状、位置和密度作为特征。(3)流分割：根据每个像素的运动模式对其进行标记，生成最终的运动片段。

方法实现

1. 轨迹提取

当一段视频中移动的物体相当密集并且很小的时候，一些标准的目标检测和跟踪算法会处理的很差，因为从这些对象上提取的特征点往往会被遮挡。因此本方法中关注的是视频帧中的跟踪块。我们将一帧划分成若干个16*16的无重叠块，对每个无重叠块使用Harris角点检测一组特征点，然后使用标准的KLT跟踪算法对每个块内的特征点所对应的质心进行跟踪，从而得到每个块的轨迹。

随着时间的推移，会有新的运动物体出现在视频帧中。对这些新出现的对象，我们在每40帧后刷新现有的块集，将已经离开视频帧的块去除，并且把新出现对象的块增加进来。

由于视频本身的原因可能导致得到的轨迹当中夹杂着噪声，所以对KLT跟踪得到的轨迹进行去噪处理，只保留轨迹长度大于30的轨迹。

KLT跟踪结果如下图所示。

2. 轨迹表示

本方法中，轨迹的量化表示形式为一个高维特征向量。 设一条轨迹在第s帧出现，在第e帧消失，将第s帧与第e帧之间每一帧中得到的特征点坐标组成一条几何意义上的轨迹