[发明专利]基于张量动态纹理模型的极光视频分类方法

摘要

本发明公开了一种基于张量动态纹理模型的极光视频分类方法，主要解决现有技术无法直接对极光视频进行分类，只能进行单帧操作，分类准确率和分类效率较低的问题。其实现步骤是：(1)获取训练极光视频和测试极光视频；(2)提取训练极光视频和测试极光视频的混合观测矩阵；(3)对训练极光视频和测试极光视频的混合观测矩阵进行优化；(4)用训练极光视频的最优混合观测矩阵训练支持向量机，得到SVM分类器；(5)用SVM分类器对测试极光视频进行分类。本发明能实现对现有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

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,...,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)提取测试极光视频ytest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ytest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yr(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yr(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ytest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ytest最优混合观测矩阵C”的方法，计算训练集{y1,y2,...,yk,...,yN}中训练集样本yk的最优混合观测矩阵C”k，得到训练集{y1,y2,...,yk,...,yN}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yk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yk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ytest进行分类；将测试极光视频ytest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ytest的分类。