Motion Segmentation by Velocity Clustering with Estimationof Subspace Dimension阅读报告

Motion Segmentation by Velocity Clustering with Estimationof Subspace Dimension阅读报告

 

任务介绍

这篇论文主要的研究是：把视频中几个运动目标的跟踪点（tracked feature points）划分为不同的类组（使用的是hopkins数据集，其中跟踪点已知，运动目标的类数k已知）。

仿射相机模型

W = M * S

W为2F * p 的矩阵，F为视频的帧数，p为跟踪点的个数。

M 为一个motion矩阵 2F * 4的矩阵

S 为struct矩阵 4 *P

噪声的减少

使用速率（velocity）代表跟踪点，即【x1-y1,y1-y2,…,xF-1 – xF, yF-1 - yF】表示跟踪点，实验表明可以很好的降低噪声的影响。

Affinity 测量

采用的是向量间的角度信息来表示相似性。

维数选择

研究表明，最好维数都在【2k, 4k】（k为视频中运动目标的个数，hopkins数据集中已知）之间，

这篇paper的思想是遍历所有的维数，然后根据均根方差（RMSE）最小选择最优的结果：

均方差：（t为注册跟踪点）

 

均根方差：

 

所有跟踪点的均根方差：

 

最后的分割具有最小的均根方差（RMSE）;

算法步骤：

1）简要过程

输入：hopkins中某一场景的ground truth (如：cars1_truth.mat)中所有运动目标跟踪点的三维坐标

输出：跟踪点的分类结果（label）以及该算法的错分率

 

2）具体过程

①求出测量矩阵M（measure）

②求出场景中目标的个数：

③运动聚类分组：

关键算法：

遍历所有的维数2k 到 4k ：

对于每个子空间用算出每一个聚类分组的结果，然后算出每个聚类结果的均根方差（RMSE），取最小的结果当成最后的结果

结果：