[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

摘要

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。

主权项

1.一种基于粘性流体粒子运动模型的视频序列分类方法，包括：(1)输入不同种类的极光视频序列，并采用掩膜处理方法对每帧极光图像进行边缘去噪 的预处理；(2)计算预处理后不同种类的极光视频序列的运动场：(2a)按照粘性流体力学模型，将预处理后的每帧极光图像的每一个像素点看作是粘性流体粒子，并以相邻两帧极光图像对应位置上像素点的灰度差作为内力其中表示像素点的位置，t表示视频序列中的第t帧图像；(2b)将内力代入到粘性流体力学运动方程中并对其进行求解，得到不同种类极光粒子的运动场(2b1)定义一个具有边界的容器，假定每个单元容器以速率η补充或析取流体，单元内力为容器表面压力张量为则粘性流体力学方程式为：其中，ρ代表流体的密度，代表流体的速度，d代表微分运算，代表散度运算；根据Navier‑Poisson牛顿模型，将式<1>改为：其中，λ和μ代表粘性系数，代表梯度运算，▽p为容器所受到的压强梯度；(2b2)当流体雷诺系数远远小于1时，忽略式<2>右边的压力梯度▽p和惯性项将式<2>改为：(2b3)取式<3>中的λ＝0，μ＝1，得到可适用于极光粒子的运动方程：(2b4)将极光粒子的内力及运动场代到<4>中，得到极光粒子的运动方程：(2b5)将<5>式中的运动场及内力进行空间和时间离散化，得到偏微分方程：其中分别表示运动场的x分量和y分量，分别表示内力的x分量和y分量，为偏微分运算；(2b6)采用九点差分格式对<6>式和<7>式进行离散，得到离散后的方程：v₁(i+1,j+1)+v₁(i‑1,j+1)+v₁(i+1,j‑1)+v₁(i‑1,j‑1)+10v₁(i+1,j)+…10v₁(i‑1,j)+4v₁(i,j‑1)+4v₁(i,j+1)+6v₂(i+1,j+1)+…6v₂(i,j)‑6v₂(i,j+1)‑6v₂(i+1,j)‑32v₁(i,j)＝‑f₁(i,j)<8>v₂(i+1,j+1)+v₂(i‑1,j+1)+v₂(i+1,j‑1)+v₂(i‑1,j‑1)+10v₂(i+1,j)+…10v₂(i‑1,j)+4v₂(i,j‑1)+4v₂(i,j+1)+6v₁(i+1,j+1)+…6v₁(i,j)‑6v₁(i,j+1)‑6v₁(i+1,j)‑32v₂(i,j)＝‑f₂(i,j)<9>其中，i＝2,3,…m‑1，j＝2,3,…n‑1，m、n分别为每帧极光图像的宽度和高度，v₁(i,j)为运动场在像素点(i,j)处的x分量，v₂(i,j)为运动场在像素点(i,j)处的y分量，f₁(i,j)为内力在像素点(i,j)处的x分量，f₂(i,j)为内力在像素点(i,j)处的y分量；(2b7)对式<8>和式<9>设置边界条件：当j＝1,2,…,n时，v₁(1,j)＝0，v₁(n,j)＝0，v₂(1,j)＝0，v₂(n,j)＝0；当i＝1,2,…,m时，v₁(1,i)＝0，v₁(m,i)＝0，v₂(1,i)＝0，v₂(m,i)＝0；(2b8)对设置边界后的式<8>和式<9>运用超松弛SOR方法解出极光粒子在x方向的速度v₁(i,j)及y方向的速度v₂(i,j)，得到极光粒子的运动场(3)提取运动场的局部二值模式特征，作为不同种类极光序列的动态特征P₁；(4)对步骤(1)中预处理后的每帧极光图像的像素值提取局部二值模式特征，作为不同种类极光序列的静态特征P₂；(5)将不同形态极光序列的动态特征P₁与静态特征P₂相融合，得到能够表征不同种类极光序列的特征P＝(P₁，P₂)，运用支持向量机SVM分类器对不同种类的极光序列特征P进行分类。