[发明专利]基于AR模型功率谱的动态场景分类方法及装置

说明书

本发明提供一种基于AR模型功率谱的动态场景分类方法及装置。该方法包括：获取多段动态场景视频每段各自的空域特征、时域特征和自回归AR模型功率谱频域特征；通过词袋模型分别对上述各域的特征进行统计分析，得到各域的词频直方统计图特征；将各域的多个词频直方统计图特征按域映射到核空间中，得到各域的核函数，得到各域的核函数的权重，根据权重对各域的核函数进行特征融合，得到分类特征，根据分类特征对多段动态场景视频进行分类。本发明提供的动态场景分类方法及装置，提高了具有周期性运动的动态场景的分类准确率，进一步提高了总的动态场景的分类能力。

技术领域

本发明涉及动态场景分类技术，尤其涉及一种基于AR模型功率谱的动态场景分类方法及装置。

背景技术

在视频处理中，动态场景分类在许多领域有着广泛的应用，例如视频监控、基于内容的检索、事件监控、机器人导航以及目标识别等。但是由于动态场景的拍摄环境差异较大，在光照、拍摄角度、拍摄方式等方面存在不同，使得动态场景呈现多样性，从而难以对其进行准确分类。

目前，对于动态场景分类的研究主要包括两方面。一方面是根据动态场景的空间信息进行分类，例如提取纹理、光谱以及梯度方向特征等空间信息，这方面的研究通过对动态场景外观及空间分布情况进行描述，以此来对动态场景进行分类。另一方面是根据动态场景的时间信息进行分类，一般采用光流特征对动态场景的速度场进行描述，通过场景中物体的运动方向和大小变化来对动态场景进行分类。

现有的动态场景分类方法大多通过动态场景的时间、动态场景的空间对动态场景进行分类，或者将动态场景的时间和空间信息相结合，利用时空结合特征来对动态场景进行分类。然而在一些特殊的动态场景下，例如包含了很多周期运动或准周期运动的动态场景，现有方法仅仅考虑时间和空间信息，导致对这类包含周期运动的动态场景，其分类准确率较低。

发明内容

本发明提供一种基于AR模型功率谱的动态场景分类方法及装置，用于解决现有技术对包含周期运动的动态场景分类准确率较低的问题。

本发明一方面提供一种基于AR模型功率谱的动态场景分类方法，包括：

获取多段动态场景视频每段各自的空域特征、时域特征和自回归AR模型功率谱频域特征；

通过词袋模型分别对每个所述空域特征、所述时域特征和所述AR模型功率谱频域特征进行统计分析，得到对应的空域的词频直方统计图特征、时域的词频直方统计图特征和AR模型功率谱频域的词频直方统计图特征；

将各域的词频直方统计图特征按域映射到核空间中，得到各域的核函数，并采用多核学习方法得到所述各域的核函数的权重，根据所述权重对所述各域的核函数进行特征融合，得到分类特征，根据所述分类特征对所述多段动态场景视频进行分类。

本发明另一方面提供一种基于AR模型功率谱的动态场景分类装置，包括：

域特征获取模块，用于获取多段动态场景视频每段各自的空域特征、时域特征和自回归AR模型功率谱频域特征；

直方统计图特征获取模块，用于通过词袋模型分别对每个所述空域特征、所述时域特征和所述AR模型功率谱频域特征进行统计分析，得到对应的空域的词频直方统计图特征、时域的词频直方统计图特征和AR模型功率谱频域的词频直方统计图特征；

特征融合模块，用于将各域的词频直方统计图特征按域映射到核空间中，得到各域的核函数，并采用多核学习方法得到所述各域的核函数的权重，根据所述权重对所述各域的核函数进行特征融合，得到分类特征，根据所述分类特征对所述多段动态场景视频进行分类。