参考文献 Traffic Video Segmentation and Key Frame Extraction Using Improved Global K-Means Clustering ISISE 2010
与上一篇文章的思路类似，提取运动信息特征，进行分段，对每分段参取一定策略提取关键帧．
运动信息特征：当前帧图像与背景图像的Dissimilarity.
根据Dissimilarity的大小衡量当前帧的运动信息量．
分段策略：利用滑动窗口统计当前帧的运动趋势，根据运动趋势的改变，来进行分段．滑动窗口大小为2L.
Fti和Fti-1异号时，则该点可作为分段候选点．即相连两帧的运动趋势不同时，作为分段候选点．
进一步确定分段点：利用前景目标进入和退出图像判断，从而候选点中选取最终分段点．
1).划定检测线，检测线内的区域属于检测区．
2).统计检测区内的进出运动信息量.
3).根据进出运动信息量，判断前景目标进出的状态．
4).选择具有进出状态的候选分段点作为最终的候选点．
Senter和Sexit表示对应的进出状态．
关键帧选取策略：聚类的方法，Improved Global K-Means Clustering
选取每个分段中，存在候选分段点的个数作为聚类的K值．具体方法参考原文．
分段聚合：若存在过度分段现象，则需要进行分段取合．
当分段中存存的帧数小于Tn = 50，则需要对当前分段与相连的分段进行聚合．
计算当前分段，与前后两段视频的相似度，相似度用当前帧与前后两段的关键帧的相似度来衡量．
与相似度大的一段合并，直到不存在过度分段的现象．
可借鉴之处：
1).滑动窗处的使用，分段点的选择策略．
2).虚拟检测线的设置，判断前景目标运动状态的方法
(文中提到的方法，不一定靠谱，但提供了判断前景目标运动状态的思路)
3).解决过度分段的思想．