买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：一种基于深度超图聚类的事件相机运动分割方法。通过充分挖掘事件的运动信息，并结合事件的时空特性构建时空运动超图。该时空运动超图保留了事件流的时间分辨率，能表示事件在时间间隔内的高阶数据结构，提高事件数据的高阶表征能力；增强时序信息在算法中的利用，其对运动分割任务至关重要。将基于事件的运动分割问题转化为超图切割问题，实现基于深度超图聚类的事件相机的运动分割方法。根据运动分割后的事件簇类间距离小，类内距离大的标准，利用自设计的深度超图聚类模块完成聚类，即实现输入事件序列的运动分割。本发明方法即利用图卷积神经网络学习节点的特征嵌入表示，又通过自训练的图聚类增强同一簇节点之间的内聚性，提高算法的泛化性。

主权项：1.一种基于深度超图聚类的运动分割方法，其特征在于，步骤如下：1构建融合运动特征的事件时空运动超图假定给定事件序列数据 其中，xk,yk是事件的像素坐标，tk是事件的时间戳，pk＝±1是事件的极性，k表示事件序列数据中的第k个事件点；超图节点的构建结合每个事件点的时间戳tk、极性信息pk、时空信息xk,yk,tk以及从中挖掘的运动信息；基于光流和运动速度属性来定义单个事件点的运动模型Mkuk,vk,nxk,nyk,nzk；则，获得的事件超图所有节点的特征嵌入表示如下： 其中，uk,vk分别表示单个事件点即单个节点在水平方向和竖直方向上的光流信息，表示单个事件点在组成的局部事件表面上的速度速度属性；给定所有节点的特征嵌入构建事件时空运动超图G＝{V,E,W}，其中节点V表示样本，超边E表示包含可变数量样本的样本集合，Wvi,vj表示超边上任意两点之间的权重；通过随机选择时间间隔内的事件作为节点并使用K最近邻算法选择K个最近邻构成超边，遍历所有节点，形成超图的超边集合生成完整的时空运动超图G＝{V,E,W}； Adjv＝{e1,e2,…,eM}4Cone＝{v1,v2,…,vN}5其中，Cone表示超边e的顶点集，Adjv表示包含顶点v的所有超边组成的超边集，N和M是超边e中的顶点数和包含顶点v的超边数；2基于深度超图聚类的运动分割根据运动分割后的事件簇“类间距离小，类内距离大”的标准，设计一种深度超图聚类方法，通过一种自训练的图聚类增强同一簇节点之间的内聚性，完成聚类，提高算法的泛化性；形式上，获的事件时空运动超图G＝{V,E,W}后；从事件时空运动超图G构造出样本和超边之间的关联，定义为关联矩阵即，如果vi∈ei，则否则聚类算法利用超图拉普拉斯矩阵的特征向量来进行；具体来说，超图拉普拉斯矩阵的第二小的特征值及其对应的特征向量用来识别数据中的自然分割，从而实现聚类；事件时空运动的超图拉普拉斯矩阵定义为： 其中，DV和DE分别是节点和超边的度矩阵；其中，超图拉普拉斯矩阵分解得到：Lh＝UΛU-15其中，U＝[u1,...,un]代表n个基向量，Λ＝diagλ1,..λq,..,λn是一个对角阵，λq的大小反应基向量的平滑程度，超图上的“平滑程度”则反映相邻节点的相似程度；基于深度超图聚类的运动分割则基于上述构建的事件时空运动超图以及对应的关联矩阵H，通过事件时空运动的超图拉普拉斯矩阵分解来实现运动分割的目的。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于深度超图聚类的事件相机运动分割方法