基于动态纹理模型表征的极光视频分类方法

摘要

本发明公开了基于动态纹理模型的极光视频分类方法。其技术方案是利用极光视频帧之间的重复相关性，从极光视频帧之间的动态变化特性入手，对四类形态极光视频进行普适性建模并提取特征，对极光视频进行分类。实现步骤是：(1)获取训练极光视频和测试极光视频；(2)提取测试极光视频的动态纹理特征；(3)提取测试极光视频的状态转移矩阵；(4)求测试极光视频到训练集样本的马丁距离；(5)根据极光视频间的马丁距离，对测试极光视频进行最近距离分类。本发明能实现对四类极光视频的计算机自动分类，且具有分类准确率高的优点。可用于极光视频的特征提取和计算机图像识别。

主权项

一种基于动态纹理模型表征的极光视频分类方法，包括如下步骤：(1)从已标记类别的极光视频数据库中任取N个视频组成训练集{y₁,y₂,...,y_k,...,y_N}，y_k是第k个训练集样本，k＝1,2,...,N，将剩余极光视频组成测试集，从测试集中取一个样本作为测试极光视频y_test；(2)提取极光视频的动态纹理特征；(2a)将测试极光视频y_test表示为y(t)，y(t)∈R^m，m＝I₁×I₂，I₁为当前视频帧像素矩阵的行数，I₂为当前视频帧像素矩阵的列数，t＝1,...,τ，τ是视频总帧数；(2b)用观测到的极光视频帧y(t)减去所有帧的均值得到视频矩阵Y：$Y=[y\left(1\right)-\bar{y},y\left(2\right)-\bar{y},...,y\left(t\right)-\bar{y},...,y\left(\tau \right)-\bar{y}];$(2c)对视频矩阵Y进行SVD分解，即Y＝USV^T，其中，U∈R^m×n为左基矩阵；S∈R^n×n为奇异值矩阵；V∈R^n×τ为右基矩阵；(2d)用左基矩阵U表示极光视频的观测矩阵C，即C＝U，并求极光视频的动态纹理特征矩阵X＝SV^T，这里X∈R^n×τ，提取动态纹理特征矩阵X的每一列作为动态纹理特征帧x(t)，即X＝[x(1),x(2),...,x(t),...,x(τ)]；(3)用得到的动态纹理特征矩阵X，计算第t个动态纹理特征帧x(t)到第t+1个动态纹理特征帧x(t+1)的状态转移矩阵A，$\begin{array}{c}A=\arg \min \left|\right|X_{2,\mathrm{...},\tau }-{\mathrm{AX}}_{1,\mathrm{...},\tau -1}|{|}_F^2\\ =\left(X_{2,\mathrm{...},\tau }{X}_{1,\mathrm{...},\tau -1}\right){\left(X_{1,\mathrm{...},\tau -1}{X}_{1,\mathrm{...},\tau -1}^T\right)}^{-1}\end{array},$式中X_1,...,τ‑1＝[x(1),x(2),...,x(t),...,x(τ‑1)]；X_2,...,τ＝[x(2),x(3),...,x(t),...,x(τ)]；表示求矩阵的F范数；(4)求测试极光视频y_test到训练集样本y_k的马丁距离：(4a)用计算测试极光视频y_test的观测矩阵C和状态转移矩阵A的方法，计算训练集{y₁,y₂,...,y_k,...,y_N}中训练集样本y_k的观测矩阵C_k和状态转移矩阵A_k，得到观测矩阵集{A₁,A₂,...,A_k,...,A_N}和状态转移矩阵集{C₁,C₂,...,C_k,...,C_N},其中k＝1,2,...,N；(4b)根据观测矩阵以及状态转移矩阵，计算测试极光视频y_test到训练集样本y_k的马丁距离d²(y_test,y_k)，k＝1,2,...,N；(5)根据极光视频间的马丁距离，对测试极光视频y_test进行最近距离分类：将步骤3中得到的N个马丁距离d²(y_test,y_k)按从小到大的顺序排列，取出最小的马丁距离对应的极光序列y_min，并将与该极光序列y_min形态相似的测试极光视频y_test分为与极光序列y_min同一类，完成对测试极光视频y_test的分类。