一种改进的视频数据特征映射方法

摘要

本发明涉及一种改进的视频数据特征映射方法，在第一次将测试视频数据的第一种特征映射到第二种特征后，从测试的视频数据第一种特征中选出与训练集中第一种特征最相关的特征加入到训练集中，同时从测试视频数据第二种特征中选出与训练集中第二种特征最相关的特征加入到训练集中，然后利用训练集中的特征重新计算映射关系，并利用映射关系重新将测试视频数据的第一种特征重新映射到第二种特征上，得到测试视频数据的第二种特征。本发明提出的方法，能够利用测试视频数据的特征信息建立两种特征之间更完备的映射关系，将测试视频数据的第一种特征更准确地映射到第二种特征上，与传统的视频数据特征映射方法相比，可以提高测试视频数据第二种特征的分类准确率。

主权项

一种改进的视频数据特征映射方法，其特征在于步骤如下：步骤1：将训练集R₁中的N个视频数据特征Y₁，Y₂，…，Y_N写成矩阵形式：$Z=\left[\begin{array}{c}{Y}_1\\ Y_2\\ ...\\ Y_N\end{array}\right]=\left[\begin{array}{c}{y}_{1,1},y_{1,2},...,y_{1,n}\\ y_{2,1},y_{2,2},...,y_{2,n}\\ \mathrm{...}\\ y_{N,1},y_{N,2},...,y_{N,n}\end{array}\right];$其中，R₁表示N个视频数据特征Y₁，Y₂，…，Y_N和特征X₁，X₂，…，X_N构成的集合；Y₁，Y₂，…，Y_N和X₁，X₂，…，X_N表示N个视频数据的两种特征；y_1，1，y_1，2，…，y_1，n表示Y₁中的n个元素；y_2，1，y_2，2，…，y_2，n表示Y₂中的n个元素；y_N，1，y_N，2，…，y_N，n表示Y_N中的n个元素；n∈[0，100000]；N表示训练集中视频数据个数，N＞0；步骤2：利用计算矩阵Z的第h列元素y_1，h，y_2，h，…，y_N，h的映射矩阵W和基函数φ(X₁)，φ(X₂)，…，φ(X_N)中参数μ_j和s_j；其中，h＝1，2，…，n；y₁，y₂，…，y_N表示矩阵Z中的一列元素；所述W表示利用计算得到的映射矩阵；上标T表示矩阵转置；φ(X₁)＝[φ_j(x_1，j)]，j＝1，2，…，M表示X₁中第j个元素的标号，x_1，j表示X₁中的第j个元素；φ(X₂)＝[φ_j(x_2，j)]，j＝1，2，…，M表示X₂中第j个元素的标号，x_2，j表示X₂中的第j个元素；φ(X_N)＝[φ_j(x_N，j)]；j＝1，2，…，M表示X_N中第j个元素的标号，x_N，j表示X_N中的第j个元素；M表示X₁，X₂，…，X_N中元素的个数；$r(X_i,X_k)=\frac{{\Sigma }_{t=1}^M\left[(x_{i,t}-{\bar{X}}_i)\right]·\left[(x_{k,t}-{\bar{X}}_k)\right]}{\sqrt{{\Sigma }_{t=1}^M{(x_{i,t}-{\bar{X}}_i)}^2{\Sigma }_{t=1}^M{(x_{k,t}-{\bar{X}}_k)}^2}};$利用下式计算Y₁，Y₂，…，Y_N和Y_N+1，Y_N+2，…，Y_N+P中每两个特征的相关性系数r(Y_i，Y_k)，$r(Y_i,Y_k)=\frac{{\Sigma }_{q=1}^n\left[(y_{i,q}-{\bar{Y}}_i)\right]·\left[(y_{k,q}-{\bar{Y}}_k)\right]}{\sqrt{{\Sigma }_{q=1}^n{(y_{i,q}-{\bar{Y}}_i)}^2{\Sigma }_{q=1}^n{(y_{k,q}-{\bar{Y}}_k)}^2}}$若r(X_i，X_k)＞T₁且r(Y_i，Y_k)＞T₂，则将Y_k、X_k加入R₁；其中，r(X_i，X_k)表示视频数据特征X_i和X_k的相关性系数；t＝1，2，…，M；i＝1，2，…，N；k＝N+1，N+2，…，N+P；x_i，t表示X_i中第t个元素；表示X_i的均值；x_k，t表示X_k中第t个元素；表示X_k的均值；T₁，T₂∈[‑1，1]表示阈值；r(Y_i，Y_k)表示Y_i和Y_k的相关性系数；q＝1，2，…，n；y_i，q表示Y_i中第q个元素；表示Y_i的均值；y_k，q表示Y_k中第q个元素；表示Y_k的均值；步骤5：将R₁中视频数据的特征Y₁，Y₂，…，Y_N，Y_k和X₁，X₂，…，X_N，X_k按照步骤1、步骤2和步骤3重新计算得到P个测试视频数据的特征Y′_N+1，Y′_N+2，…，Y′_N+P。pb pnum="2" />