一种基于静态纹理模型聚集的动态纹理识别方法

摘要

本发明公开了一种基于静态纹理模型聚集的动态纹理识别方法，提出了识别动态纹理并不需要对整个复杂的运动过程建模，可以绕开对运动模式进行数学建模这一瓶颈，直接将动态纹理视为若干帧静态纹理图像的聚集，从而将其转化为静态纹理分类问题，最后通过聚集静态纹理模型识别动态纹理。而关于静态纹理识别目前有很多成熟有效的算法。本发明利用现有的静态纹理模型算法，将其拓展至动态纹理识别的应用，建立基于静态纹理模型聚集的动态纹理识别框架，推动了动态纹理识别技术发展，实现了高效快速识别动态纹理。

主权项

一种基于静态纹理模型聚集的动态纹理识别方法，其特征在于，包括以下步骤：步骤1：从动态纹理视频中随机采样m帧图像，其中m≥3；步骤2：对采样的m帧图像，采用静态纹理模型建立其纹理描述，获得所述的动态纹理视频的静态纹理模型聚集体；所述的采用静态纹理模型建立其纹理描述，对于不包含明显几何结构的简单的动态纹理视频，采用传统的纹理描述算子LBP、Gabor建立每帧图像的静态纹理模型；对于包含明显几何结构的复杂场景的动态纹理，采用稳定性更强的静态纹理模型ScatNet和SCOP；将一个动态纹理视频转换成一组静态纹理图像之后，采用静态纹理模型形状共生模式SCOP提取每帧图像的纹理特征，然后将这组静态纹理模型聚集体用来描述动态纹理；所述静态纹理模型聚集体表示为STM(I₁),STM(I₂),STM(I₃),…，STM(I_i),其中I_i表示第i帧图像，i≤m；步骤3：利用分类器，对采样的m帧图像的静态纹理分类，得到帧纹理的类别标号，对于静态纹理模型聚集体则会有多个类别标号，采用投票法确定动态纹理的唯一类别标号；所述的分类器，是kNN或者SVM分类器；步骤4：对采样的m帧图像进行动态纹理识别，其具体实现过程包括以下子步骤：步骤4.1：模型训练；随机选取若干个动态纹理视频作为训练样本，用每个动态纹理的真实类别标号标记属于该动态纹理视频的每帧静态纹理图像，将提取的静态纹理模型聚集体和对应的类别标号送入分类器进行训练；步骤4.2：识别测试；对某个未知类别的动态纹理样本按照步骤1和步骤2所述，建立其对应的静态纹理模型聚集体，然后通过训练得到的分类器判别、并采用投票法预测类别标号，从而完成动态纹理识别的任务。