动态视频编辑中的背景特征点识别方法及装置与流程

技术特征：

1.一种动态视频编辑中的背景特征点识别方法，其特征在于，包括：

S1、将视频划分为多个重叠的时间窗口，对每个时间窗口内的特征点进行基于运动特征的分类；

S2、通过将每个时间窗口内的特征点类视为一个图节点，在相邻时间窗口中具有的相同特征点的数量不小于第一数值的图节点之间加入边构建加权有向图，并通过动态规划算法在图模型找到一条边权重之和最小的全局最优路径，其中，所述加权有向图的边的权重取决于运动轨迹矩阵的秩和相同特征点的数目；

S3、根据颜色和空间特征，对非背景点再分类，将与已有背景点运动一致的点添加至背景点集中。

2.根据权利要求1所述的方法，其特征在于，在所述对每个时间窗口内的特征点进行基于运动特征的分类之前，还包括：

采用KLT方法提取所述视频中的特征点；

对于每一个时间窗口，将该时间窗口中出现时长超过0.5W帧的特征点添加到该时间窗口的特征点集中，其中，每个时间窗口时长W帧，重叠帧数为W/2。

3.根据权利要求2所述的方法，其特征在于，所述第一数值为10个。

4.根据权利要求2所述的方法，其特征在于，从第k个时间窗口的图节点i指向第k+1个时间窗口的图节点j的边的权重的计算公式为

$w_{k,k+1}^{i,j}=e^{-{\mathrm{\αS}}_{k,k+1}^{i,j}}{r}_{k,k+1}^{i,j},$

其中，α为常数，为图节点i和图节点j中相同特征点的数量，为图节点i和图节点j中相同特征点构成的运动轨迹矩阵的秩。

5.根据权利要求1所述的方法，其特征在于，所述根据颜色和空间特征，对非背景点再分类，包括：

对于每个时间窗口，排除该时间窗口中存在于所述全局最优路径中的特征点，并根据颜色特征和空间特征采用manifold mean shift cluster方法将剩余特征点再分类，其中，所述颜色特征使用该时间窗口被排除的特征点周围邻域的平均Luv颜色值，所述空间特征，使用该时间窗口从初始帧到终止帧里该被排除的特征点在所有帧上归一化后的空间位置求平均得到。

6.根据权利要求1所述的方法，其特征在于，所述将与已有背景点运动一致的点添加至背景点集中，包括：

对于每个时间窗口，根据该时间窗口被排除的特征点集估算出单应矩阵，再根据所述单应矩阵计算出该时间窗口中的平均映射误差，然后对于该时间窗口剩余每一个特征点类，计算该特征点类的平均误差，若判断获知该平均误差小于所述平均映射误差，则将该类中的特征点添加至该被排除的特征点集中。

7.一种动态视频编辑中的背景特征点识别装置，其特征在于，包括：

分类单元，用于将视频划分为多个重叠的时间窗口，对每个时间窗口内的特征点进行基于运动特征的分类；

寻找单元，用于通过将每个时间窗口内的特征点类视为一个图节点，在相邻时间窗口中具有的相同特征点的数量不小于第一数值的图节点之间加入边构建加权有向图，并通过动态规划算法在图模型找到一条边权重之和最小的全局最优路径，其中，所述加权有向图的边的权重取决于运动轨迹矩阵的秩和相同特征点的数目；

添加单元，用于根据颜色和空间特征，对非背景点再分类，将与已有背景点运动一致的点添加至背景点集中。

8.根据权利要求1所述的装置，其特征在于，从第k个时间窗口的图节点i指向第k+1个时间窗口的图节点j的边的权重的计算公式为

$w_{k,k+1}^{i,j}=e^{-{\mathrm{\αS}}_{k,k+1}^{i,j}}{r}_{k,k+1}^{i,j},$

其中，α为常数，为图节点i和图节点j中相同特征点的数量，为图节点i和图节点j中相同特征点构成的运动轨迹矩阵的秩。

9.根据权利要求1所述的装置，其特征在于，所述添加单元，用于：

对于每个时间窗口，排除该时间窗口中存在于所述全局最优路径中的特征点，并根据颜色特征和空间特征采用manifold mean shift cluster方法将剩余特征点再分类，其中，所述颜色特征使用该时间窗口被排除的特征点周围邻域的平均Luv颜色值，所述空间特征，使用该时间窗口从初始帧到终止帧里该被排除的特征点在所有帧上归一化后的空间位置求平均得到。

10.根据权利要求1所述的装置，其特征在于，所述添加单元，用于：

对于每个时间窗口，根据该时间窗口被排除的特征点集估算出单应矩阵，再根据所述单应矩阵计算出该时间窗口中的平均映射误差，然后对于该时间窗口剩余每一个特征点类，计算该特征点类的平均误差，若判断获知该平均误差小于所述平均映射误差，则将该类中的特征点添加至该被排除的特征点集中。