(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211043029.9 (22)申请日 2022.08.29 (71)申请人 西安汇智 信息科技有限公司 地址 710075 陕西省西安市高新区科技 三 路57号融城云谷A座5 08室 (72)发明人 黄鹤　惠晓滨　熊武　黄莺　崔颢　 罗望　韩亚东　梁浩锋　任雪妮　 马海洋　杨莎　李昌群　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 贺小停 (51)Int.Cl. G06V 20/40(2022.01) G06V 20/56(2022.01) G06V 10/56(2022.01)G06V 10/762(2022.01) G06V 10/82(2022.01) G06F 17/16(2006.01) G06N 3/00(2006.01) G06N 3/08(2006.01) (54)发明名称 基于AOCFS-AP聚类的行车视频关键帧提取 方法 (57)摘要 本发明提供一种基于AOCFS ‑AP聚类的行车 视频关键帧提取方法， 输入视频帧数据， 通过 MobileNet将视 频帧数据矢量化， 得到矢量数据； 利用ISCHMTP对矢量数据进行初 始化， 得到AOC FS 算法的初始解矩阵， 即AOCFS算法投放的初始浸 没物体位姿状态； 初始化AP聚类算法的归属度矩 阵和隶属度矩阵； 计算浸没物体适应度值， 对适 应度值进行排序得到局部最优解； 根据局部最优 解更新AP聚类算法的归属度矩阵和隶属度矩阵； 根据AOCFS更新机制对浸没物 体运动状态进行更 新； 若所得浸没物体位姿不再发生更新或达到最 大迭代次数， 则跳出循环， 依据归属度矩阵和隶 属度矩阵输出最优聚类结果， 否则循环； 将最优 聚类结果转换到数据帧序列， 输出得到的关键帧 数据。 权利要求书4页 说明书11页 附图7页 CN 115410125 A 2022.11.29 CN 115410125 A 1.基于AOCFS ‑AP聚类的行 车视频关键帧提取 方法， 其特 征在于， 包括以下步骤： 步骤1： 输入视频帧数据， 通过Mobi leNet将视频帧数据矢量 化， 得到矢量数据； 步骤2： 利用ISCHMTP对矢量数据进行初始化， 得到AOCFS算法的初始解矩阵， 即A OCFS算 法投放的初始浸没物体位姿状态， 所述浸没物体为某一帧图像； 初始化AP聚类算法的归属 度矩阵和隶属度矩阵； 步骤3： 计算浸没物体适应度值， 对适应度值进行排序得到局部最优解； 步骤4： 根据局部最优解更新AP聚类算法的归属度矩阵和隶属度矩阵； 步骤5： 根据AOCFS更新机制对 浸没物体运动状态进行 更新； 步骤6： 若步骤5所得浸没物体位姿不再发生更新或达到最大迭代次数， 则跳出循环， 依 据步骤4所 得结果输出最优聚类结果， 否则执 行步骤3； 步骤7： 将最优聚类结果 转换到数据帧序列， 输出 得到的关键帧数据。 2.根据权利 要求1所述的基于AOCFS ‑AP聚类的行车视频关键帧提取方法， 其特征在于， 步骤1中将 视频帧数据转换为标准大小后输入MobileNet， 通过共享层卷积和可分离卷积操 作获得具有图像空间特征的矩阵数据， 再利用平均池化对数据降维、 去除冗余操作， 通过全 连接层建立特征向量和特征信息的连接， 得到1 ×1000的特征向量， 最后， 通过Softmax层 对 特征向量进行归一 化操作； 利用主成分 分析对归一化后的数据降维处 理， 得到矢量数据。 3.根据权利 要求1所述的基于AOCFS ‑AP聚类的行车视频关键帧提取方法， 其特征在于， 步骤2中利用ISC HMTP对矢量数据进行初始化， 具体为： 步骤2.1： 采用scipy.spatial库中的Voronoi函数， 分别在Seed， CMC， Iris， 和Wine数据 集上利用中垂线构建法构建泰 森多边形； 步骤2.2： 利用线扫描确定各个泰 森多边形边界坐标， 得到泰 森多边形位姿； 步骤2.3： 投放原始种群， 根据泰森多边形构建原理， 每个泰森多边形仅包含一个离散 点数据， 利用求坐标均值， 将浸没物体位姿映射到构建完成的泰森多边形内， 得到初始映射 备选解； 步骤2.4： 计算初始映射备选解适应度 值， 对初始备选解进行初次筛选， 得到AOCFS算法 的初始解矩阵。 4.根据权利 要求3所述的基于AOCFS ‑AP聚类的行车视频关键帧提取方法， 其特征在于， 步骤2.3中映射 规则如下： 1)对泰森多边形求 坐标均值， 得到泰 森多边形的伪中心， 如下式所示； 式中， d为多边形顶点个数， Vpi表示多边形第i个顶点所在坐标的向量； C_polyi表示多 边形伪中心所在坐标； 2)以泰森多边形的伪中心为中心， 通过Lo gistic混沌映射在中心附近映射出多个初始 备选解如下： 权　利　要　求　书 1/4 页 2 CN 115410125 A 2式中， 表示第t次映射的Logistic值； μ为Logistic映射的分支参数， Map表示映射到 样本空间的初始备选解 坐标。 5.根据权利 要求3所述的基于AOCFS ‑AP聚类的行车视频关键帧提取方法， 其特征在于， 步骤2.4中对初始备选解进行初次筛 选， 具体如下表示： E＝σ *(GbestF ‑GworstF) 式中， σ 表示种群密度控制量， GbestF和GworstF分别表示初始投放种群适应度最优个 体和最劣个体， E为有效映射系数， F表示备选解的适应度值， 高于有效映射系数则 保留， 低 于则做删除处 理， Obnew表示 最后得到保留的映射 解； 通过初次筛选， 完成初始化映射， 初始化AO后得到在d维空间内n个浸没物体的位置矩 阵表示如下： X表示浸没物体位姿矩阵， 对 浸没对象的体积和密度进行初始化， 表示如下： 式中， deni和voli分别表示第i个浸没物体的密度和体积； 最后， 初始化第i个浸没对象的加速度ac c， 如下： acci＝lbi+rand*(ubi‑lbi) 式中， acci表示第i个浸没物体的加速度， lb和ub分别表示数据向量 化的下界和上界。 6.根据权利 要求5所述的基于AOCFS ‑AP聚类的行车视频关键帧提取方法， 其特征在于， 步骤3具体包括： 步骤3.1： 采用颜色聚合矢量描述图像特征， 具体方法为： 将图像转换到HSV空间， 对色 彩进行非均匀量 化， 将色调空间H分为8份， 饱和度空间S和亮度空间V分为3份； 步骤3.2： 把颜色 分量合成一维特 征矢量， 规则如下 所示： W＝9H+3S+V 式中， W表示颜色量化级数， 计算 图像的量化级数矩阵， 生成W的计数直方图， 生成的72 维特征向量即为视频帧的向量表示， 提取到的关键 帧有效代表整个视频内容， 信息熵处于 同一水平时， 越少的关键帧数据对于后 期视频处理更为有效， 因此， 在欧式空间相似性衡量 的基础上提出一种针对视频数据聚类的适应度衡量算法， 其代表性机制的适应度函数计算 如下：权　利　要　求　书 2/4 页 3 CN 115410125 A 3