基于K―means视频智能存储算法.docVIP

基于K―means视频智能存储算法 　　智能存储是指将视频序列分割成几个完整的部分，方便客户回溯、查找可疑信息和视频后期处理，对于纯背景画面或者是那些长时间几乎没有变化的画面，选择放弃存储，在节约存储代价的同时也精简了视频序列。以摄像头异常检测为基础，在视频监控阶段提取视频图像的特征，利用K-means聚类算法将帧图像分门别类、然后将其存储到事先准备好的标签下，形成标准的视频文件。其过程包括动态特征提取、利用聚类算法进行聚类、将视频帧图像分类存储。 　　【关键词】动态特征提取 K-means聚类算法 信息增益比率 智能存储 　　1 引言 　　监控设备的普遍性带来了视频信息的爆发式增长，将这些海量信息分门别类、做上标记，然后将其选择性的储存，这一需求随之变得越来越迫切，因为这样不但能够帮助用户有效的检索相关信息和迅速的获取感兴趣的视频信息，而且能够节省大量的内存，但是这项工作需要一个能够对这些海量视频进行自动分析和处理的智能监控系统来完成。 　　通过智能监控系统可以将视频流分为三类选择性的存储： 　　（1）有运动目标的视频序列，可以用来实现人群密度估计、运动目标检测等。 　　（2）放弃纯背景的视频序列，节省内存。 　　（3）恶意遮挡摄像头、扭动摄像头的视频序列，方便对异常事件的定性并报警。 　　视频智能存储算法一般是在摄像头异常检测算法的基础上完成的，摄像头异常检测的基础主要是背景建模或特征提取。背景建模主要有单高斯模型、码本模型、混合高斯模型等，上述算法缺乏实时性，因此不适合应用到视频智能存储算法上去。文献[3]中首次将轮廓波应用到摄像头干扰异常检测中，通过比较背景图像与视频图像的特征函数做出判断，虽然该算法缺少自适应性，但可以借鉴特征提取的方法。 　　2 视频序列分割原理及特征提取 　　为提取视频流的特征，借鉴文献[4]中的方法，将摄像头拍摄到的视频流截成两段，分别存储到两个不同长度的缓存区中去，即长缓存区和短缓存区。帧图像顺序被存放在短缓存区中，若短缓存区中已满，则将短缓存区中最先进来的那一帧视频图像存放到长缓存区中去，若长缓存区中也已满，则将长缓存区中最先进来的那一帧视频图像丢弃。其存储流程如图1所示。 　　每一次抽样检测时，长短缓存区都会被比较然后判断异常是否发生。短缓存区中的每一帧都要和长缓存区中的每一帧进行比较，取其比较结果的中值，记为Dbetween。将长缓存区中的任意两帧视频图像进行比较，取其比较结果的中值，记为Dlong。 　　图2是在拍摄的几段视频中，随机抽取的一段视频，其中含有的事件个数为8个，分别是：有运动目标的3个（比较高的3个红线）、被扭动的2个（比较低的2个红线）、被遮挡的3个（蓝绿混合的3个突出的线）。数据没有做对数变换。 　　从图2可以看出直方图的绝对差能够准确的反映出来帧图像序列的变化，当视频画面出现明显的变化时，相应的数值分量会达到不同的峰值，然后可以借助于聚类技术将相同范围内的数据峰值聚类到一起（尤其是K-means聚类算法具有很好的实时性，其复杂度为O（n），n为对象个数）以这些峰值点为依据，将缓存区中前后连续的帧图像序列存储到事先准备好的标签下面，完成视频的智能存储。 　　3 以信息增益比率的加权距离计算方法为基础的K-means聚类算法 　　K-means聚类算法是把n个数据对象划分为k个类别，使每个类别中的数据点到该类的聚类中心的距离的平方和最小，算法具体流程如图3所示。 　　全部对象每被分配完一次就会被重新计算聚类中心，不断重复，直到标准测度函数收敛为止，一般采用均方差作为标准测度函数： 　　E为数据集合中所有对象的均方差之和，P为任一对象数据点，mi为类别Ci的均值。 　　在计算对象到各个聚类中心的距离计算中，欧氏距离是常用的计算方法，而权值信息能够完全的反映各个特征分量在聚类或者分类过程中对未知类别的倾向程度。所以准确的权值为提高聚类质量提供了一个可能，若每一变量均可被赋予一个权值，以表示其所代表属性的重要性。那么带权值的欧氏距离计算公式为： 　　在统计属性中，信息增益是衡量属性价值的一个好的定量标准。因此属性的信息增益值决定了属性在分类过程中的贡献大小，而在聚类算法中，相似度的度量使用的是距离的计算方法，特征属性作为距离计算中的一个子量，所以它的信息增益值可以作为权值表示该属性在距离计算过程中的贡献大小。 　　现假设样本数据集合为X={x1，x2，…，xN}，其属性集合为A={A1，A2，…，Aq}，设Ai（1≤i≤q）具有v个值，利用属性Ai将X划分为v个子集{X1，X2，…，Xv}，设分类属性具有m个值，根据分类属性将样本集合划分成m个子集{C1，C2，…，Cm}，设Xij为子集Xj中属于类Ci的样本数量。基于信息增益比率的