[发明专利]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,...,yk,...,yN}，yk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ytest；(2)提取极光视频的动态纹理特征；(2a)将测试极光视频ytest表示为y(t)，y(t)∈Rm，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(1)-y‾,y(2)-y‾,...,y(t)-y‾,...,y(τ)-y‾];]]>(2c)对视频矩阵Y进行SVD分解，即Y＝USVT，其中，U∈Rm×n为左基矩阵；S∈Rn×n为奇异值矩阵；V∈Rn×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＝SVT，这里X∈Rn×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，A=argmin||X2,...,τ-AX1,...,τ-1||F2=(X2,...,τX1,...,τ-1)(X1,...,τ-1X1,...,τ-1T)-1,]]>式中X1,...,τ‑1＝[x(1),x(2),...,x(t),...,x(τ‑1)]；X2,...,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ytest到训练集样本yk的马丁距离：(4a)用计算测试极光视频ytest的观测矩阵C和状态转移矩阵A的方法，计算训练集{y1,y2,...,yk,...,yN}中训练集样本yk的观测矩阵Ck和状态转移矩阵Ak，得到观测矩阵集{A1,A2,...,Ak,...,AN}和状态转移矩阵集{C1,C2,...,Ck,...,CN},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ytest到训练集样本yk的马丁距离d2(ytest,yk)，k＝1,2,...,N：(4b1)用观测矩阵C和Ck以及状态转移矩阵A和Ak，构建扩展观测矩阵:Φtest=[CT,ATCT,(AT)2CT,...,(AT)nCT,...]Φk=[CkT,AkTCkT,(AkT)2CkT,...,(AkT)nCkT,...];]]>(4b2)根据扩展观测矩阵Φtest和Φk之间的第i个特征角θi，计算马丁距离:(5)根据极光视频间的马丁距离，对测试极光视频ytest进行最近距离分类：将步骤(4b)中得到的N个马丁距离d2(ytest,yk)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ymin，并将与该极光序列ymin形态相似的测试极光视频ytest分为与极光序列ymin同一类，完成对测试极光视频ytest的分类。