[发明专利]基于粘性流体粒子运动模型的视频序列分类方法

说明书

本发明公开了一种基于粘性流体粒子运动模型的视频序列分类方法，主要解决现有技术无法利用运动特征对极光序列进行分类的问题。其实现步骤为：1)对输入的极光序列进行预处理；2)运用粘性流体力学模型计算预处理后的极光粒子的运动场；3)提取极光粒子运动场的局部二值模式特征，作为极光序列的动态特征P₁；4)提取极光序列每帧极光图像像素值的局部二值模式特征，作为极光序列的静态特征P₂；5)将P₁与P₂相结合，得到能够表征不同形态极光序列的特征P＝(P₁,P₂)，将这些不同形态极光序列的特征P输入到支持向量机分类器中完成分类。本发明能实现对极光序列的自动分类，且分类准确率高、速度快，可用于场景分类与目标识别。

技术领域

本发明属于图像处理技术领域，更进一步涉及视频序列的分类方法，可用于场景分类与目标识别。

背景技术

视频序列分类是图像处理和模式识别中非常关键的技术之一，它是利用计算机对视频进行定量分析，根据视频信息中所反映的不同特征，把不同类别的目标区分开，从而以代替人的视觉判读。极光是各种磁层动力学过程最为直观的电离层踪迹，合理有效的极光分类对研究各类极光现象及其与磁层动力学过程之间的关系尤为重要。

早期的极光分类研究以肉眼观察为基础，手工实现标记和分类工作，然而由全天空数字摄像仪所捕获的极光图像每年数以百万计，人工进行分类标记的方式已经不再满足对大规模数据进行客观分类的要求。直到2004年在文献“M.T.,andDonovan E.F.,Diurnal auroral occurrence statistics obtained via machinevision.Annales Geophysicae,22(4):1103-1113,2004.”中才将图像处理技术引入到极光自动分类。利用极光的纹理特征对弧形，斑块型和欧米伽型三类极光进行了分类，该方法仅对形状特征明显的弧状极光效果良好，但此方法仅适用于形态较为单一的弧状极光，不具备很好的泛化能力和图像表征算法的推广性。2007年，Wang等人在文献“Q.Wang,J.M.Liangand X.B.Gao,Appearance based aurora classification.Proc.the 12th Conf.onphysics of Sun-Earth space,71,2007.”中使用主成分分析法PCA对极光视频序列的灰度特征进行提取，提出了一种基于表象的极光分类方法，在冕状极光分类研究方向取得了一定进展。2008年，Gao等人在文献“X.B.Gao,and J.M.Liang.,AdaBoost algorithm fordayside aurora detection based on sample sele-ction.Journal of Image andGraphics,15(1):116-121,2010.”中提出基于Gabor变换的极光分类方法，采用了局部Gabor滤波器提取图像特征，在确保计算精度的情况下降低了特征冗余信息，取得了较好的分类效果。2010年，Wang在文献“Wang Y,Gao X.,Fu R.,et al.,Dayside Corona AuroraClassification Based on X-Gray Level Aura Matrices.Proc.ACM Int.Conf.Imageand Video Retrieval,282-287,2010.”中根据极光形态的特点对GLAM的邻域形状进行改进，提出了一种基于X-GLAM特征的日侧极光分类算法，大大提高了分类准确性，但该方法由于进行较大规模的像素运算，因而较为耗时。后续的相关研究还有：Han等人在文章“BingHan,Xiaojing Zhao,Dacheng Tao,et al.Dayside aurora classification via BIFs-based sparse representation using manifold learning.International Journal ofComputer Mathematics.Published online:12Nov 2013.”中又提出基于生物激发BIFs特征和C均值聚类的极光分类方法，取得了较高的分类准确率。然而上述已有的极光分类方法都是基于极光静态特征的，对于形态复杂多变的极光序列来说，仅仅考虑其静态特征是不够的，因此还需对极光的动态特征进行研究。