本發(fā)明涉及的是一種3d運(yùn)動目標(biāo)檢測方法。

背景技術(shù)：

機(jī)器視覺中的一項(xiàng)重要目標(biāo)是實(shí)現(xiàn)運(yùn)動目標(biāo)檢測，乃至實(shí)現(xiàn)圖像或者視頻的分析與理解。運(yùn)動目標(biāo)檢測是機(jī)器視覺領(lǐng)域的重要方向，有著廣泛的應(yīng)用范圍，比視頻監(jiān)控、人機(jī)交互、場景分析等涉及圖像或者視頻分析理解方向的基礎(chǔ)技術(shù)。靜態(tài)背景運(yùn)動目標(biāo)檢測的經(jīng)典方法有減除背景法、幀間差分法和光流法。背靜減除法通過背景建模的方式提取出運(yùn)動目標(biāo)，但是這種方法對環(huán)境變化特別敏感。幀間差分法是對相鄰的兩幀或者三幀作差的到運(yùn)動目標(biāo)，但是這種方法要求物體運(yùn)動時(shí)，有明顯的像素變化，否則會產(chǎn)生漏檢等現(xiàn)象。光流法是一種目標(biāo)檢測的重要工具，該方法計(jì)算光流矢量，根據(jù)運(yùn)動目和背景運(yùn)動矢量的差別來檢測運(yùn)動目標(biāo)，在動態(tài)背景下，該方法也能取得較好的效果，但是當(dāng)物體運(yùn)動是朝著攝相機(jī)方向的運(yùn)動時(shí)，而從造成目標(biāo)檢測錯(cuò)誤。上述的這些方法都沒有場景的深度信息的二維檢測方法，3d運(yùn)動目標(biāo)檢測能夠更準(zhǔn)確檢測出運(yùn)動目標(biāo)，在車輛輔助駕駛等領(lǐng)域有重要應(yīng)用。

光流在三維空間中的擴(kuò)展，以場景流(sceneflow)來表示，其表示場景中真實(shí)的運(yùn)動速度，相對于光流，更能真實(shí)描述物體運(yùn)動。場景流描述3維運(yùn)動估計(jì)，是3維稠密運(yùn)動場，表示場景中每個(gè)表面點(diǎn)的真實(shí)運(yùn)動。場景流表示場景的真實(shí)運(yùn)動場，包含場景的深度信息。因此通過對場景流的分析可得到3維場景的真實(shí)運(yùn)動信息，因此場景流在3d運(yùn)動目標(biāo)檢測領(lǐng)域具有廣泛的應(yīng)用前景

為使場景流能夠很好的運(yùn)動到3d運(yùn)動目標(biāo)檢測中，準(zhǔn)確估計(jì)場景流是一個(gè)至關(guān)重要的問題。場景流求解是一個(gè)病態(tài)問題，需要附加多種假設(shè)約束才能求解。場景流估計(jì)主要分為：基于雙目立體視覺的場景流估計(jì)和深度傳感器的場景流估計(jì)。隨著深度傳感器技術(shù)的發(fā)展和廣泛應(yīng)用，基于彩色圖和深度圖(rgb-d)的場景流估計(jì)，引起了研究者越來越多的關(guān)注。已知場景深度信息的情況下，可結(jié)合對齊的可見光圖像與深度圖施加約束進(jìn)行場景流的求解。準(zhǔn)確的深度信息可直接通過深度傳感器獲得，節(jié)省計(jì)算深度信息的時(shí)間的同時(shí)，還有利于提高場景流計(jì)算精度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種場景流求解更加精確的基于6自由度場景流聚類的3d運(yùn)動目標(biāo)檢測方法。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：

步驟一.利用深度相機(jī)獲取場景的對齊的彩色圖像和深度圖像；

步驟二.構(gòu)建6自由度場景流估計(jì)能量泛函；繞坐標(biāo)軸的旋轉(zhuǎn)運(yùn)動定義為ω(ωx,ωy,ωz)，沿著坐標(biāo)軸的平移動定義為τ(τx,τy,τz)，運(yùn)動用6自由度κ(ω,τ)描述，所述能量泛函由數(shù)據(jù)項(xiàng)ed(κ)和平滑項(xiàng)es(κ)組成，表達(dá)式為e(κ)＝ed(κ)+αes(κ)，α為平衡因子；

步驟三.能量泛函的最優(yōu)求解；

步驟四.根據(jù)場景流的定義，利用旋轉(zhuǎn)向量和平移向量計(jì)算出場景流；

步驟五.根據(jù)場景流信息進(jìn)行初步分析，確定移動目標(biāo)的大體數(shù)目；

步驟六.根據(jù)場景流提取運(yùn)動特征信息，獲取每個(gè)點(diǎn)的特征向量；

步驟七.利用isodata算法對特征向量進(jìn)行聚類分析，提取出運(yùn)動目標(biāo)。

本發(fā)明還可以包括：

1、所述構(gòu)建6自由度場景流估計(jì)能量泛函具體包括：

(1)構(gòu)建能量泛函數(shù)據(jù)項(xiàng)

在圖像域約束求解6自由度κ(ω,τ)，2維空間點(diǎn)x(x,y)和3維空間點(diǎn)x(x,y,z)，把三維點(diǎn)x投影到二維空間，通過定義函數(shù)實(shí)現(xiàn)，同樣二維點(diǎn)到三維點(diǎn)的轉(zhuǎn)換通過定義函數(shù)實(shí)現(xiàn)，設(shè)xt(x,y,z)為3維空間中的一點(diǎn)，運(yùn)動后在第二幀點(diǎn)的位置為xt+1，則

其中是一種指數(shù)形式，

令w(x,κ)表示x1(x,y)點(diǎn)在第2幀估算的位置，則：

利用亮度恒常和深度恒常假設(shè)構(gòu)建能量泛函數(shù)據(jù)項(xiàng)：

ρi(x,κ)＝i2(w(x,κ))-i1(x)

其中：d＝(0,0,1,0)^t，為抑制光流數(shù)據(jù)項(xiàng)中的集外點(diǎn)，同時(shí)保證能量泛函的凸性與可微性引入形如公式的魯棒懲罰函數(shù)；

對數(shù)據(jù)項(xiàng)進(jìn)行局部約束，將約束方程設(shè)定在x的鄰域n(x)內(nèi)成立：

(2)構(gòu)建能量泛函平滑項(xiàng)

κ包括旋轉(zhuǎn)向量和平移向量，首先是對平移向量的平滑，定義自適應(yīng)的全變分平滑項(xiàng)為：

其中τd,d＝1,2,3對應(yīng)于旋轉(zhuǎn)向量的三個(gè)分量：τx,τy,τz，p(x)為全變分自適應(yīng)系數(shù)，定義：

其中z(x)為深度圖,x為深度像素點(diǎn)，

定義旋轉(zhuǎn)向量的平滑項(xiàng)為：

總平滑項(xiàng)為：es(κ)＝es_τ(τ)+es_ω(ω)。

2、所述能量泛函的最優(yōu)求解具體包括：

引入輔助變量κ'(ω'x,ω'y,ω'z,τ'x,τ'y,τ'z)，固定κ'求解κ，則對應(yīng)于基于數(shù)據(jù)項(xiàng)的能量泛函求解，利用高斯牛頓法迭代進(jìn)行求解；固定κ求解κ'，則對應(yīng)于基于平滑項(xiàng)的求解，而平滑項(xiàng)包括旋轉(zhuǎn)向量能量泛函和平移向量能量泛函，基于平滑項(xiàng)的能量泛函求解時(shí)，對旋轉(zhuǎn)向量和平移向量分別極小化；旋轉(zhuǎn)向量能量泛函的極小化利用矢量全變分去噪模型進(jìn)行求解；平移向量能量泛函的極小化符合rof去噪模型，利用映射梯度下降法進(jìn)行求解。

基于數(shù)據(jù)項(xiàng)的求解和基于平滑項(xiàng)的求解都是迭代求解過程，兩者交替迭代求解完成場景流的求解過程。

3、場景流v通過下式得到：

4、所述確定移動目標(biāo)的大體數(shù)目具體包括：首先確定背景區(qū)域的場景流，得到場景流設(shè)為vback，利用vback與所有點(diǎn)的場景流相減，把|v(x)-vback|＞μ1的點(diǎn)在圖像中的像素值設(shè)為255，否則設(shè)為0，得到二值圖后，再利用blob分析，得到團(tuán)塊信息，團(tuán)塊的數(shù)目作為目標(biāo)數(shù)目的粗略估計(jì)，隨后在知道運(yùn)動目標(biāo)大致數(shù)目的情況下，利用動態(tài)聚類的方式進(jìn)行準(zhǔn)確分類。

5、所述獲取每個(gè)點(diǎn)的特征向量具體包括：

假設(shè)場景流為v(vx,vy,vz)，場景流的特征信息具體包括：每個(gè)點(diǎn)場景流的x、y、z三個(gè)方向的分量vx,vy,vz；每個(gè)點(diǎn)場景流的模值；每個(gè)點(diǎn)場景流與xoy平面、xoz平面、yoz平面的夾角；每個(gè)點(diǎn)都用一個(gè)7維特征向量來表示：xn＝(vx,vy,vz,|v|,θx,θy,θz)，對于未計(jì)算場景流的點(diǎn)和場景流值為零的點(diǎn)，定義這些點(diǎn)的特征向量為：xn＝(0,0,0,0,0,0,0)。

本發(fā)明利用深度傳感器獲取對齊的彩色圖和深度圖，提出一種基于6自由度的rgb-d場景流估計(jì)方法，對場景中點(diǎn)的旋轉(zhuǎn)和平移進(jìn)行精確建模，使場景流求解更加精確，也為基于場景流分析的3d運(yùn)動目標(biāo)檢測提供更真實(shí)的底層信息。

本發(fā)明提供了一種基于6自由度場景流聚類的3d運(yùn)動目標(biāo)檢測新方法。所謂6自由度場景流估計(jì)，即利用變分法求解運(yùn)動的旋轉(zhuǎn)向量和平移向量，然后根據(jù)場景流的定義，計(jì)算出場景流。本發(fā)明利用鄰域約束結(jié)合亮度恒常、深度恒常約束構(gòu)建數(shù)據(jù)項(xiàng)；利用全變分平滑對旋轉(zhuǎn)向量和平移向量進(jìn)行平滑約束。完成場景流求解后，利用isodata算法對場景流進(jìn)行聚類分析，提取出3d運(yùn)動目標(biāo)。

附圖說明

圖1是本發(fā)明的流程圖。

圖2是金字塔結(jié)構(gòu)圖。

圖3是isodata算法的流程圖。

具體實(shí)施方式

下面結(jié)合附圖舉例對本發(fā)明進(jìn)行更詳盡的描述。

結(jié)合圖1，本發(fā)明包括如下基本步驟：

s1.在t時(shí)刻和t+1時(shí)刻，利用經(jīng)過配準(zhǔn)的深度傳感器與彩色圖像傳感器獲取對齊的紋理圖像和深度圖像。

s2.構(gòu)建能量泛函求解場景流，通過求解能量函數(shù)的極小值來估計(jì)場景流。本發(fā)明通過施加多種約束條件進(jìn)行求解，點(diǎn)的運(yùn)動包括平移和旋轉(zhuǎn)，繞坐標(biāo)軸的旋轉(zhuǎn)運(yùn)動定義為ω(ωx,ωy,ωz)，沿著坐標(biāo)軸的平移動定義為τ(τx,τy,τz)，點(diǎn)的運(yùn)動可用6自由度κ(ω,τ)描述，能量泛函的表達(dá)式：

e(κ)＝ed(κ)+αes(κ)(1)

由數(shù)據(jù)項(xiàng)ed(κ)和平滑項(xiàng)es(κ)組成，α為平衡因子。求出κ(ω,τ)后根據(jù)公式(2)即可完成場景流的求解。

xt+1＝xt+v(2)

能量泛函數(shù)據(jù)項(xiàng)設(shè)計(jì)。亮度恒常假設(shè)和深度恒常假設(shè)共同構(gòu)建數(shù)據(jù)項(xiàng)。恒常假設(shè)是在圖像域，為在圖像中約束三維流場，數(shù)據(jù)項(xiàng)需要表示成ω(ωx,ωy,ωz)與深度z的函數(shù)。需要將場景流通過透視投影變換映射到二維空間已知2維空間點(diǎn)x(x,y)和3維空間點(diǎn)x(x,y,z)的轉(zhuǎn)換關(guān)系為：

m為攝像機(jī)內(nèi)參數(shù)矩陣，把三維點(diǎn)x投影到二維空間，可通過定義函數(shù)實(shí)現(xiàn)：

同樣二維點(diǎn)到三維點(diǎn)的轉(zhuǎn)換可通過定義函數(shù)實(shí)現(xiàn)：

設(shè)xt(x,y,z)為3維空間中的一點(diǎn)，運(yùn)動后在第二幀點(diǎn)的位置為xt+1，則有

其中:

令w(x,κ)表示x1(x,y)點(diǎn)在第2幀估算的位置，則有：

根據(jù)亮度恒常假設(shè)得到：

i2(w(x,κ))＝i1(x)(9)

其中：i1(x)為x點(diǎn)在第1幀圖像的亮度，i2(w(x,κ))為w(x,κ)點(diǎn)在第2幀圖像的亮度。

根據(jù)深度恒常假設(shè)得到：

z2(w(x,κ))＝z1(x)+vz(x)(10)

其中：z1(x)為x點(diǎn)深度值，z2(w(x,κ))為w(x,κ)點(diǎn)的深度值，vz(x)為場景流v在z方向分量，因此根據(jù)公式(13)和公式(14)可推出殘余項(xiàng)分別為：

ρi(x,κ)＝i2(w(x,κ))-i1(x)(11)

其中：d＝(0,0,1,0)^t，為抑制光流數(shù)據(jù)項(xiàng)中的集外點(diǎn)，同時(shí)保證能量泛函的凸性與可微性引入形如的公式(13)的魯棒懲罰函數(shù)，取ε＝0.001。

進(jìn)一步推出數(shù)據(jù)項(xiàng)：

對數(shù)據(jù)項(xiàng)進(jìn)行局部約束，將約束方程設(shè)定在x的鄰域n(x)內(nèi)成立：

能量泛函平滑項(xiàng)設(shè)計(jì)。κ包括旋轉(zhuǎn)向量和平移向量，旋轉(zhuǎn)向量是定義在李群空間的，平移向量定義在實(shí)數(shù)空間，因此兩者的平滑是有些差別的。首先討論平移向量的平滑，全變分正則化是非常有效的正則化方法，本發(fā)明定義自適應(yīng)的全變分平滑項(xiàng)為：

其中τd(d＝1,2,3)對應(yīng)于旋轉(zhuǎn)向量的三個(gè)分量：τx,τy,τz，p(x)為全變分自適應(yīng)系數(shù)，可定義：

其中z(x)為深度圖,x為深度像素點(diǎn)，深度圖邊界往往與運(yùn)動邊界重合，通過引入深度圖梯度的自適應(yīng)因子，達(dá)到保持運(yùn)動邊緣的目的。

對于在李群空間的旋轉(zhuǎn)向量ω(ωx,ωy,ωz)的平滑可近似為在3d空間的一種矢量差分形式，因此定義旋轉(zhuǎn)向量的平滑項(xiàng)為：

因此總平滑項(xiàng)為：

es(κ)＝es_τ(τ)+es_ω(ω)(19)

s3.6自由度場景流估計(jì)能量泛函的最優(yōu)求解。為解決大位移問題，構(gòu)建5層圖像金字塔求解。對能量泛函在由粗到精的不同分辨率的圖像上進(jìn)行求解，并把該層金字塔求解的值作為下一層的求解初值，金字塔結(jié)構(gòu)圖，如圖2所示。

利用分步求解策略，引入輔助變量分步求解。將能量函數(shù)數(shù)據(jù)項(xiàng)和平滑項(xiàng)分離開來，進(jìn)行分步交替求解，交替求解不僅可以降低計(jì)算難度，還有助于將不同的算法整合到一個(gè)算法框架中。最后得到能量函數(shù)的表達(dá)式：

引入輔助變量κ'(ω'x,ω'y,ω'z,τ'x,τ'y,τ'z)則:

固定κ求解κ':

利用高斯牛頓法進(jìn)行求解，假設(shè)κ'＝κ'+δκ',其中δκ'＝(δω'x,δω'y,δω'z,δτ'x,δτ'y,δτ'z)^t即假設(shè)κ'初始值已知，求δκ'，即通過求其增量的形式求解。

則上式變?yōu)?

進(jìn)行泰勒展開并略去二次及其高次項(xiàng)得：

其中k為對κ'的偏導(dǎo)數(shù)，j為雅可比矩陣。

對于每一個(gè)點(diǎn)x對上式求δκ'的導(dǎo)數(shù)，經(jīng)整理可得：

其中h為hessian的高斯牛頓近似。

其中：e為6×6的單位陣。

固定κ求解κ'，則對應(yīng)于式(29)能量泛函極小化，

其中公式(29)的極小化可以分解成ω和τ分開進(jìn)行極小化，經(jīng)過變形，式(29)的極小化等價(jià)于極小化：

類似rof去噪模型的求解，利用映射梯度下降法求解：

公式(31)相當(dāng)于向量全變分去噪模型，求解方法與映射梯度下降類似：

πk定義為：r的奇異值分解為uσv，其中σ為對角陣，σ+為對角陣的偽逆陣，為σ的映射矩陣單位矩陣。

基于數(shù)據(jù)項(xiàng)的求解和基于平滑項(xiàng)的求解都是迭代求解過程，兩者交替迭代求解即可完成場景流的求解過程。

s4.根據(jù)場景流的定義，利用旋轉(zhuǎn)向量和平移向量計(jì)算出場景流。

場景流v通過下式得到：

s5.根據(jù)場景流信息進(jìn)行初步分析，確定移動目標(biāo)的大體數(shù)目。首先確定背景區(qū)域的場景流，由于攝像機(jī)視角較大，因此背景區(qū)域在圖像中的面積也是最大的，可以得到背景區(qū)域，得到場景流設(shè)為vback，利用vback與所有點(diǎn)的場景流相減，把|v(x)-vback|＞μ1的點(diǎn)在圖像中的像素值設(shè)為255，否則設(shè)為0。得到二值圖后，再利用blob分析，得到團(tuán)塊信息，團(tuán)塊的數(shù)目可初步看作運(yùn)動目標(biāo)的數(shù)目。隨后就可以在知道運(yùn)動目標(biāo)大致數(shù)目的情況下，利用聚類的方式進(jìn)行準(zhǔn)確分類。

s6.根據(jù)場景流提取運(yùn)動特征信息，獲取每個(gè)點(diǎn)的特征向量。場景中每個(gè)表面點(diǎn)對應(yīng)于圖像中的像素點(diǎn)，假設(shè)場景流為v(vx,vy,vz)，場景流的特征信息具體包括：每個(gè)點(diǎn)場景流的x、y、z三個(gè)方向的分量vx,vy,vz；每個(gè)點(diǎn)場景流的模值每個(gè)點(diǎn)場景流與xoy平面、xoz平面、yoz平面的夾角。

場景流與xoy面的夾角可表示為：

場景流與xoz面的夾角可表示為：

場景流與xoy面的夾角可表示為：

因此每個(gè)點(diǎn)都用來一個(gè)七維特征向量來表示：對于未計(jì)算場景流得點(diǎn)和場景流值為零的點(diǎn)，定義這些點(diǎn)的特征向量為：xn＝(0,0,0,0,0,0,0)。

s7.基于6自由度場景流得聚類分析。根據(jù)場景流提取運(yùn)動特征信息，獲取每個(gè)點(diǎn)的特征向量，特征向量為其7維特征向量，具體包括場景流的模值，場景流x、y、z三個(gè)方向的分量，以及場景流與3個(gè)坐標(biāo)平面的角度。利用isodata算法對特征向量進(jìn)行聚類分析，提取出運(yùn)動目標(biāo)。

isodata(iterativeselforganizingdataanalysistechnique)算法是聚類分析中的一種常用算法，稱為動態(tài)聚類或迭代自組織數(shù)據(jù)分析。isodata算法是是一種無監(jiān)督分類的方法，其與在k均值算法有些類似，但是k均值算法適合必須事先設(shè)置聚類數(shù)目，而isodata算法，事先設(shè)置預(yù)期聚類數(shù)目，但可以自動調(diào)節(jié)聚類數(shù)目。能夠?qū)垲愑颍鶕?jù)條件進(jìn)行分列、合并直至滿足要求為止。isodata算法的流程圖如圖3所示。

isodata算法工作原理和基本流程：

步驟1：輸入n個(gè)模式樣本{xi,i＝1,2,...n}確定nc個(gè)初始聚類中心和6個(gè)初始參數(shù)(k,θn,θc,θs,l,i)，其中k為預(yù)期的聚類中心數(shù)目，θn為每一聚類域中最少的樣本數(shù)，θs為一個(gè)聚類域中樣本距離分布的標(biāo)準(zhǔn)差，θc為聚類中心間的最小距離，l為在一次迭代運(yùn)算中可以合并的聚類中心的最多對數(shù)，i為迭代運(yùn)算的次數(shù)。

步驟2：對n個(gè)樣本進(jìn)行類別劃分，如果dj＝min{||x-zi||,i＝1,2,...nc}，即||x-zj||值最小，若用sj表示聚類域，則樣本x屬于sj。

步驟3：若聚類域sj中的樣本數(shù)量小于設(shè)定的閾值θn，那么取消聚類域sj，此時(shí)nc減去1。

步驟4：修正各聚類中心：

步驟5：計(jì)算每個(gè)聚類域sj的zj與聚類域內(nèi)的樣本之間的平均距離：

步驟6：計(jì)算所有聚類中心與其對應(yīng)樣本之間的平均距離：

步驟7：根據(jù)條件判斷是否分裂或者合并，以及是否達(dá)到迭代次數(shù)。

若迭代次數(shù)已達(dá)到設(shè)置的最大迭代次數(shù)i次，則令θc等于0，轉(zhuǎn)至步驟11。

若nc≤0.5k，即聚類域的數(shù)目不大于設(shè)定值k的二分之一，則跳至步驟8。

若nc≥2k，或者運(yùn)行次數(shù)為偶數(shù)次，則不進(jìn)行分裂操作，轉(zhuǎn)至步驟11；否則轉(zhuǎn)至步驟8。

步驟8：計(jì)算每個(gè)聚類中樣本距離的標(biāo)準(zhǔn)差向量：

σj＝(σ1j,σ2j,...,σnj)^t(43)

其中向量的各個(gè)分量為：

式中，i＝1,2,...,n，為特征向量維數(shù)，j＝1,2,...,nc為聚類域的數(shù)量，nj為sj中的樣本數(shù)量。

步驟9：求{σj,j＝1,2,...,nc}的最大值，以{σjmax,j＝1,2,...,nc}表示。

步驟10：在{σjmax,j＝1,2,...,nc}中，如果有σjmax＞θs，又滿足和nj>2(θn+1)，nc≤0.5k，則將聚類域進(jìn)行分裂，對應(yīng)的聚類中心zj為兩個(gè)新的聚類中心和并且nc加1，對應(yīng)的σjmax變?yōu)棣襧max+kσjmax，對應(yīng)的σjmax變?yōu)棣襧max-kσjmax，其中0＜k＜1。如果本步驟完成了分裂運(yùn)算，則跳至步驟二，否則繼續(xù)。

步驟11：分別計(jì)算聚類中心之間距離：

dij＝||zi-zj||，i＝1,2,...,nc-1，j＝i+1,...,nc(45)

步驟12：對聚類中心間的距離dij與設(shè)定閾值θc進(jìn)行比較，將dij≤θc值按增序排列，

步驟13：對dij≤θc的聚類域，進(jìn)行合并操作，距離為的兩個(gè)聚類中心按照下面公式合并為一個(gè)聚類中心：

步驟14：若是迭代次數(shù)達(dá)到最大迭代次數(shù)，則算法停止運(yùn)行，輸出結(jié)果；否則，若用戶改變參數(shù)設(shè)置，跳至步驟1，重新聚類，若輸入?yún)?shù)不變，轉(zhuǎn)至步驟2。運(yùn)行本步驟時(shí)，迭代次數(shù)加1。

介紹完isodata的算法的步驟和基本流程之后，需要將場景中每個(gè)表面點(diǎn)表示成一個(gè)多維特征向量，然后才能利用isodata對所有點(diǎn)的特征向量進(jìn)行聚類分析。

計(jì)算的場景流包括背景區(qū)域的場景流和運(yùn)動目標(biāo)的場景流，兩者的場景流是有明顯差別的。每個(gè)點(diǎn)的場景流在幅值和方向上均會有所不同。故算法將每個(gè)點(diǎn)的場景流方向信息和幅值信息作為該點(diǎn)的特征，組成該點(diǎn)的特征向量，輸入isodata框架進(jìn)行分類。

對具有7維特征向量的點(diǎn)進(jìn)行聚類，得到的聚類區(qū)域包括背景區(qū)域和運(yùn)動區(qū)域，一般情況下，由于攝像機(jī)視角較大，可以判定聚類結(jié)果中，面積最大的區(qū)域且分布范圍較廣的區(qū)域?qū)儆诒尘皡^(qū)域，其他聚類區(qū)域?yàn)橐苿幽繕?biāo)。

利用本發(fā)明提出的場景流估計(jì)算法計(jì)算場景流，然后利用isodata進(jìn)行場景流聚類分析，提取出運(yùn)動目標(biāo)，并將運(yùn)動目標(biāo)在彩色圖像上標(biāo)記出來。