[发明专利]基于张量动态纹理模型的极光视频分类方法

权利要求书

1.一种基于张量动态纹理模型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)提取测试极光视频y_test的混合观测矩阵C'：

2a)将测试极光视频y_test表示为y'(t)，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)组成视频张量Y'：

2c)令i＝1,2,3，将极光视频张量Y'按第i维展开，得到展开矩阵Y'_(i)，即Y'₍₃₎∈R^τ×g，其中e＝I₂×τ，f＝I₁×τ，g＝I₁×I₂；

2d)对展开矩阵Y'_(i)进行SVD分解，将其分为三个矩阵，即Y'_(i)＝U⁽ⁱ⁾S⁽ⁱ⁾V^(i)H，其中U⁽ⁱ⁾∈R为左基矩阵，S⁽ⁱ⁾为奇异值矩阵，V⁽ⁱ⁾为右基矩阵；

当i＝1时，左基矩阵为行观测矩阵，对应的奇异值矩阵为右基矩阵为

当i＝2时，左基矩阵为列观测矩阵，对应的奇异值矩阵为右基矩阵为

当i＝3时，左基矩阵为张量动态纹理特征矩阵，对应的奇异值矩阵为右基矩阵为提取张量动态纹理特征矩阵U⁽³⁾的每一列作为张量动态纹理特征帧u(t)，即U⁽³⁾＝[u(1),u(2),...,u(t),...,u(τ)]；

2f)将行观测矩阵U⁽¹⁾和列观测矩阵U⁽²⁾按列组合成混合观测矩阵C'，即C'＝[U⁽¹⁾,U⁽²⁾]；

3)对测试极光视频y_test的混合观测矩阵C'进行优化：

3a)用极光视频张量Y'，行观测矩阵U⁽¹⁾，列观测矩阵U⁽²⁾，张量动态纹理特征矩阵U⁽³⁾，计算视频张量Y'的核张量Ne，即Ne＝Y'×₁U⁽¹⁾×₂U⁽²⁾×₃U⁽³⁾,其中，r₁,r₂,r₃分别表示核张量Ne在长，宽，高3个方向上尺寸,×₁表示张量的1-mode乘积运算，×₂表示张量的2-mode乘积运算，×₃表示张量的3-mode乘积运算；

3b)令核张量Ne在长，宽，高3个方向上尺寸r₁,r₂,r₃均等于等核张量尺寸r，即r₁＝r₂＝r₃＝r；

3c)求当等核张量尺寸r＝2,6,10,14,20,24时，对应的6个合成视频帧y_r(τ+1)，即y₂(τ+1)，y₆(τ+1)，y₁₀(τ+1)，y₂₀(τ+1)，y₂₄(τ+1)，y₁₄(τ+1)；

3d)把得到的6个合成视频帧y₂(τ+1)，y₆(τ+1)，y₁₀(τ+1)，y₁₄(τ+1)，y₂₀(τ+1)，y₂₄(τ+1)均显示为图像，并与原视频帧y(τ)进行人工比对，选取与原视频帧y(τ)相似度最高的合成视频帧y_r(τ+1)对应的最小r值，作为最优等核张量尺寸r'；

3e)用最优等核张量尺寸r'替换步骤2)中核张量在长，宽，高3个方向上尺寸r₁,r₂,r₃，求取测试极光视频y_test的最优混合观测矩阵C”；

4)对SVM支持向量机进行训练，得到训练好的SVM分类器：

4a)用上述计算测试极光视频y_test最优混合观测矩阵C”的方法，计算训练集{y₁,y₂,...,y_k,...,y_N}中训练集样本y_k的最优混合观测矩阵C”_k，得到训练集{y₁,y₂,...,y_k,...,y_N}对应的最优混合观测矩阵集{C”₁,C”₂,...,C”_k,...,C”_N},k＝1,2,...,N；

4b)将每一个训练集样本y_k的最优混合观测矩阵C”_k拉成一个列向量，并将这些列向量连同从训练集样本y_k中对应的类别信息一起输入到SVM支持向量机，对SVM支持向量机的拟合参数进行训练，得到训练好的SVM分类器；

5)对测试极光视频y_test进行分类；

将测试极光视频y_test的最优混合观测矩阵C”输入到训练好的SVM分类器中，完成对测试极光视频y_test的分类。

2.根据权利要求1所述的方法，其中步骤3c)中求当等核张量尺寸r＝2,6,10,14,20,24时，对应的6个合成视频帧y_r(τ+1)，按如下步骤进行：

3c1)对测试极光视频y_test，按照步骤2)获取行观测矩阵列观测矩阵张量动态纹理特征矩阵其中u_r(t)是第t个动态纹理特征帧，t＝1,...,τ；

3c2)用张量动态纹理特征矩阵计算第t个动态纹理特征帧u(t)到第t+1个动态纹理特征帧u(t+1)的张量状态转移矩阵H_r：

H_r＝P₂P₁^T(P₁P₁^T)^-1，

式中，P₁＝[u_r(1),u_r(2),...,u_r(j),...,u_r(τ-1)]，P₂＝[u_r(2),u_r(3),...,u_r(k),...,u_r(τ)]，u_r(j)表示第j个动态纹理特征帧，j＝1,...,τ-1；u_r(k)表示第k个动态纹理特征帧，即u_r(j)＝u_r(t+1)，k＝2,...,τ；

3c3)用第τ个张量动态纹理特征帧u_r(τ)，第τ-1个张量动态纹理特征帧u_r(τ-1)，张量状态转移矩阵H_r，求张量动态纹理模型噪声v_r'，即

3c4)用第τ个张量动态纹理特征帧u_r(τ)，张量状态转移矩阵H_r，张量动态纹理模型噪声v_r'，求合成张量动态纹理特征帧u_r(τ+1)，即u_r(τ+1)＝H_ru_r(τ)+v_r'；

3c5)用极光视频张量Y'，行观测矩阵列观测矩阵张量动态纹理特征矩阵计算核张量Ne_r：

3c6)用核心张量Ne_r，行观测矩阵列观测矩阵以及合成张量动态纹理特征帧u_r(τ+1)，计算合成视频帧:得到r＝2,6,10,14,20,24时对应的6个视频帧：y₂(τ+1)，y₆(τ+1)，y₁₀(τ+1)，y₁₄(τ+1)，y₂₀(τ+1)，y₂₄(τ+1)，即