[发明专利]视频流中可形变对象的律动节拍辩识方法及装置

说明书

本发明提供视频流中可形变对象的律动节拍辩识方法及装置，不进行视频流中图像的目标识别，而是识别视频流中的有规律运动的时间频率，从而高效地从视频流中提取特定信号的周期性变化的时间频率。视频流中可形变对象的律动节拍辩识方法，其特征在于，包括：步骤1，用局部匹配和全局筛选方法，提取视频流相邻两帧中相匹配的特征点，并基于此递归计算得到各帧画面中具有一致性的特征点；步骤2，对多帧画面中的特征点进行运动统计分析，将这些特征点进行二分类，一类是具有显著相似的移动规律的背景特征点，另一类是与第一类有明显差异的可形变对象特征点；步骤3，从可形变对象特征点的运动规律中分析识别出其周期性规律与定量节拍。

技术领域

本发明属于视频识别技术领域，具体涉及视频流中可形变对象的律动节拍辩识方法及装置。

背景技术

目前涉及对视频内容识别的算法大多是依靠机器学习，对每帧画面进行主体目标的识别，首先需要大量训练数据集的计算，其次还要解决面对不同的目标尺度导致神经网络识别准确性较差。通过特征工程的目标识别，或者基于深度神经网络的视频流分析等，先对图像中的有限种类的目标进行提取，再进行运动规律分析，可以做到很高精度，但这些基于神经网络的算法，网络参数量大，对装置计算能力要求高，算力高则意味着功耗高。对于电池续航能力有限的移动设备，例如智能手机、平板电脑等，这类基于神经网络的算法虽然可以用，但是耗电快，导致移动设备续航时间非常有限。

具体来说，例如，CN115601688A提出的基于深度学习的视频主体内容检测方法及系统，基于深度学习的视频主体内容检测方法主要是获取视频数据；对视频帧图像中的不同目标进行尺寸调整获取若干第一初始图像，组成扩大数据集，并得到第一标签图像；对扩大数据集推理获取第一目标图像，通过第一目标图像与第一标签图像之间的边缘差异获取各类别在不同尺度信息下的识别准确率，得到各类别的最优推理尺度；通过瓦片分割并识别得到初始推理结果，获取其中各连通域对应的最优推理尺度，调整尺度并得到最优推理结果；计算目标区域的多帧出现程度、综合面积占比及综合居中程度，得到主体程度，进而得到视频主体内容。可见深度学习的算法对设备的算力有较高要求。

还有的技术，例如CN115690657A提出了一种基于视频图像监测的智能计数系统，首先对视频进行数据储存，通过服务器输入模块输入数据，并将输入模块的数据传递给数据储存，数据储存细分为子储存A区间、子储存B区间和子储存C区间，子储存B区间存储视频，通过视频内容捕捉动态视频对象储存，数据储存的子储存A区间用于输入捕捉对象，子储存A区间的捕捉输入对象储存，通过捕捉输入对象储存细化为高度疑似错误参考对象和正确参考对象，通过细化的高度疑似错误参考对象和正确参考对象提供给输入对象参考动态数据捕捉对比，识别目标对象。这样对于图像数据的保存较为完整，但是数据过滤效率较低，数据处理效率也较低。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供视频流中可形变对象的律动节拍辩识方法及装置，不进行视频流中图像的目标识别，而是识别视频流中的有规律运动的时间频率，从而高效地从视频流中提取特定信号的周期性变化的时间频率。

为了实现以上目的，本发明采用了以下方案：

方法

如图1所示，本发明提供视频流中可形变对象的律动节拍辩识方法，包括以下步骤：

步骤1，用局部匹配和全局筛选方法，提取视频流相邻两帧中相匹配的特征点，并基于此递归计算得到各帧画面中具有一致性的特征点；

特征点匹配方式为：对于相邻的两帧，将第一帧视频的角点作为特征点，然后在第二帧视频根据之前第一帧视频的特征点在画面中的位置，以此位置为中心截取一定高度和宽度的矩形区域，在此区域中寻找匹配的角点作为第二帧视频的特征点；按照前述特征点匹配方式对所有帧进行处理，直至迭代到最后一帧；

步骤2，对多帧画面中的特征点进行运动统计分析，将这些特征点进行二分类，一类是具有显著相似的移动规律的背景特征点，另一类是与第一类有明显差异的可形变对象特征点；