[发明专利]一种基于静态纹理模型聚集的动态纹理识别方法

说明书

技术领域

本发明属于视频处理与分析领域，特别涉及用于动态纹理视频的分类，是一种通过聚集静态纹理模型实现动态纹理识别的方法。

相关背景

动态纹理(dynamic texture)是指在时间上具有统计的规律性和重复性的图像序列或视频片段，可以视为多帧时间上连续的静态纹理组成的图像序列。动态纹理在自然界中广泛存在，比如火焰、烟雾、流动的河流、随风摆动的树叶或者多个目标对象的整体运动(如：鸟群、车流或人群)。

纹理识别则是通过对纹理进行特征提取、描述和分析，将不同类别的未知纹理正确地归类到已知的纹理类型。动态纹理识别(dynamic texture recognition)，顾名思义就是分辨出不同类型的动态纹理，它是视频分析中的一项关键技术，也是计算机视觉中一个极具挑战性的课题。同时，动态纹理识别有着广泛的应用前景，它使我们不仅能够分辨燃烧的火焰和摆动的树叶，还能分辨汹涌的海浪和流淌的河流，或者通过观察树叶而检测到狂风的存在。通过动态纹理的识别技术，我们可以进行远程监控，如：监控森林中有无火灾，从而阻止自然灾害的发生；监控交通堵塞状况。我们还能够从录像中分辨出真正自然的和人为的类似周期性的视觉过程。结合对周期性行为的检索、识别技术，可以实现如“查找呈现一个人在小河边的火焰旁挖洞的视频”这样的任务。因此，动态纹理识别技术的研究具有重要的理论价值和实践意义。

现有的动态纹理识别方法可以归纳为四类：基于运动的方法、基于模型的方法、基于统计的方法以及基于滤波器的方法。然而这些方法受到动态纹理变化的运动方向以及速度的限制，因此难以对动态纹理的运动模式建立合适的模型，制约了传统的动态纹理识别技术发展。

发明内容

为了解决上述的技术问题，本发明提出一种基于静态纹理模型聚集的动态纹理识别方法，通过研究动态纹理在时间上和空间上呈现的同质特性，尤其在时间上表现为动态纹理视频的图像帧之间具有自相似性，使得图像序列位于某种连续的流形结构；因此对于动态纹理，随机抽取几幅图像就足以表达整个视频的信息，这样通过聚集一组静态纹理模型，就能够将动态纹理识别的问题转换为静态纹理图像分类，从而实现高效快速识别动态纹理。

本发明所采用的技术方案是：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；

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；

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。

作为优选，步骤2中所述的采用静态纹理模型建立其纹理描述，对于不包含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场景复杂的动态纹理，采用稳定性更强的静态纹理模型ScatNet和SCOP。

作为优选，步骤3中所述的分类器，是kNN或者SVM分类器。

本发明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。