基于概率潛在語義分析模型的動態(tài)紋理識別和定位方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種計算機(jī)模式識別技術(shù)領(lǐng)域的分類和定位方法，尤其設(shè)及一種基于 概率潛在語義分析模型的動態(tài)紋理識別和定位方法。
【背景技術(shù)】
[0002] 傳統(tǒng)的動態(tài)紋理建模方法可W分為=類；基于物理特征，基于圖像特征和基 于統(tǒng)計模型，其中前兩種方法主要是針對某個特定的動態(tài)紋理類別，而統(tǒng)計模型則是 通過學(xué)習(xí)動態(tài)紋理之后得到一個生成模型，因此可W針對大量的動態(tài)紋理。在文獻(xiàn) (Saisan, P. , Doretto, G. , Wu, Y. N. , and Soatto, S. , Dynamic texture recognition,in IEEE Conference on Computer Vision and Pattern Recognition, 2, 2001, pp. 58-63.)里 面，提出了用線性動態(tài)模型來對動態(tài)紋理建模，并用系統(tǒng)辨識的方法來對參數(shù)辨識，其中文 中給出了 UCLA數(shù)據(jù)庫，該個數(shù)據(jù)庫含有200個視頻，目前已廣泛用于動態(tài)紋理識別的方法 中。
[0003] 然而目前已有的文獻(xiàn)多是來對動態(tài)紋理識別和分割，很少有文獻(xiàn)分析如何對動態(tài) 紋理定位。動態(tài)紋理定位是一個重要的問題，并且其可W應(yīng)用在計算機(jī)視覺的很多領(lǐng)域，比 如，可W應(yīng)用到視頻里面的模型結(jié)構(gòu)（動態(tài)紋理的分布等），進(jìn)而可W應(yīng)用在動態(tài)紋理的檢 測，視頻模態(tài)總結(jié)，遠(yuǎn)程監(jiān)控自然災(zāi)害等各種場合中。
[0004] 主題模型通過潛在主題來達(dá)到對目標(biāo)定位的功能，其已經(jīng)應(yīng)用在文本分析 里面，在計算機(jī)視覺里面，也得到了廣泛的應(yīng)用，如目標(biāo)定位。文獻(xiàn)（Fei-Fei，L.，and Perona, P. , ABayesian hierarchical model for learning natural scene categories, In Proceedings of the 2005 IEEE computer society conference on computer vision and pattern recognition(pp.524 - 531).Los Alamitos:IEEE Computer Society.)給出了概率潛在語義分析方法。文獻(xiàn)（Sivic，J.，Russell，B.C.，Efros，A. A.,Zisserman, A. , &Freeman, W. T, Discovering objects and their location in images, In Proceedings of the tenth IEEE international conference on computer vision, (pp. 370 - 377), October. Los Alamitos: I邸E Computer Society, (200巧.）利用 概率潛在語義分析模型，并用詞袋的框架，達(dá)到了目標(biāo)識別的功能。文獻(xiàn)（J.C.Niebles，H. Wang and L.Fei-Fei, Unsupervised learning of human action categories using spatial-temporal words, International Journal of Computer Vision. 79(3):299-318. (2008).)利用詞袋表示和產(chǎn)生模型，結(jié)合概率潛在語義分析方法，達(dá)到了對人體動作識別 和定位，但當(dāng)前尚無將主題模型用來動態(tài)紋理分析上，其原因是，尚沒有很好的特征來描述 動態(tài)紋理，大部分動態(tài)紋理都是動態(tài)的，像素時間序列存在一定的連續(xù)性，因此，可W用像 素時間序列來描述動態(tài)紋理。然而，目前用像素時間序列來描述動態(tài)紋理還存在困難；首先 是配準(zhǔn)問題，比較不同的像素時間序列需要先配準(zhǔn)；其次像素時間序列對動態(tài)紋理就好比 像素相對圖像的功能一樣，像素可W表示圖像的所有信息，但是，在圖像分析里面還是提出 了很多圖像特征來對圖像分析，而不是用像素點(diǎn)。現(xiàn)在已經(jīng)有很多分析時間序列的方法，如 autoregressive模型，moving average模型等，然而辨識動態(tài)紋理中的大量像素時間序列 是一個很繁重的工作。

【發(fā)明內(nèi)容】

[0005] 為解決上述技術(shù)問題，本發(fā)明的目的是提供一種基于概率潛在語義分析模型的動 態(tài)紋理識別和定位方法，其具有的良好的分類能力，對輕微的物理噪聲和角度變化具有一 定的魯椿性，另外，還具有能夠?qū)討B(tài)紋理定位的功能。
[0006] 本發(fā)明的一種基于概率潛在語義分析模型的動態(tài)紋理識別和定位方法，包括如下 步驟：
[0007] S1;利用混濁理論對視頻中的像素時間序列計算，W提取多個特征，并將所述多個 特征組成混濁特征向量，將混濁特征向量組成混濁特征向量矩陣；
[000引 S2 ;利用K-均值算法對步驟S1中的混濁特征向量矩陣進(jìn)行計算W得到直方圖； 通過期望最大值化算法對直方圖進(jìn)行學(xué)習(xí)，W建立概率潛在語義分析模型；利用概率潛在 語義分析模型能夠?qū)植刻卣鳒?zhǔn)確建模的特點(diǎn)，實(shí)現(xiàn)動態(tài)紋理識別；
[0009] S3 ;利用步驟S2中所得到的概率潛在語義分析模型中的主題特點(diǎn)，實(shí)現(xiàn)動態(tài)紋理 定位。
[0010] 進(jìn)一步的，所述步驟S1之前還包括；對視頻中的像素時間序列插值，W得到統(tǒng)一 長度的像素時間序列。
[0011] 進(jìn)一步的，在所述步驟S1中，所述混濁特征向量為F = [ T，m，Db，mean]，其中Db 表示盒維數(shù)，T和m分別表示嵌入時間延遲和嵌入維數(shù)，mean表示像素時間序列的平均值。
[0012] 進(jìn)一步的，所述步驟S2具體包括：
[001引 S21 ;生成聚類中屯、；利用K-均值算法，用歐式距離來得到k個聚類中心形成代 碼本；
[0014] S22 ;生產(chǎn)直方圖；每個動態(tài)紋理里面的特征映射到相應(yīng)的聚類中屯、，當(dāng)一個動態(tài) 紋理視頻里面的所有特征都映射完之后，產(chǎn)生代碼本的直方圖；
[0015] S23;通過期望最大值化算法對直方圖進(jìn)行學(xué)習(xí)，W建立概率潛在語義分析模型；
[0016] S24;利用概率潛在語義分析模型對局部特征準(zhǔn)確建模的特點(diǎn)，實(shí)現(xiàn)動態(tài)紋理識 別。
[0017] 進(jìn)一步的，所述步驟S21中所述K-均值算法具體包括如下步驟：
[0018] S211 ;從視頻中的混濁特征向量隨機(jī)選取k個混濁特征向量作為初始聚類中屯、；
[0019] S212;對于視頻中的混濁特征向量，計算其與該k個聚類中屯、的歐式距離，根據(jù)最 近鄰原則，將每個混濁特征向量分別劃分到相應(yīng)的類別；
[0020] S213 ;對于通過步驟S212所得到的k個類別，分別在每個類別中計算混濁特征向 量的平均值，并將該平均值設(shè)為新的聚類中屯、，從而得到k個新的聚類中屯、；
[002US214 ;重復(fù)步驟S212和步驟S213,直到均方差收斂到小于設(shè)定的闊值后停止迭 代。
[0022] 進(jìn)一步的，所述步驟S23中所述期望最大化算法具體包括如下步驟：
[0023] S231 ;期望步驟，即隱含參數(shù)的估計；
[0024] S232;最大化步驟，即確定實(shí)際參數(shù)，然后最大化似然估計，其中，選用最近鄰策 略，度量選用歐氏距離。
[0025] 進(jìn)一步的，所述步驟S24中，采用如下公式實(shí)現(xiàn)動態(tài)紋理識別；video categcxry = argmaXkP(zJttest)，其中 P(ZkIttest)代表視頻。
[0026] 借由上述方案，本發(fā)明至少具有W下優(yōu)點(diǎn)：本發(fā)明的基于概率潛在語義分析模型 的動態(tài)紋理識別和定位方法，其具有的良好的分類能力，對輕微的物理噪聲和角度變化具 有一定的魯椿性，另外，還具有能夠?qū)討B(tài)紋理定位的功能，可應(yīng)用于場景識別定位、軍事 目標(biāo)跟蹤識別系統(tǒng)等各類民用及軍用系統(tǒng)中，具有廣泛性的應(yīng)用。
[0027] 上述說明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段， 并可依照說明書的內(nèi)容予W實(shí)施，W下W本發(fā)明的較佳實(shí)施例并配合附圖詳細(xì)說明如后。
【附圖說明】
[002引圖1為【具體實(shí)施方式】中基于概率潛在語義分析模型的動態(tài)紋理識別和定位方法 的流程圖；
[0029]圖2為概率潛在語義分析的圖模型；
[0030] 圖3為圖1中所用到的數(shù)據(jù)庫；
[003U 圖4為對UCLA-9識別結(jié)果；
[003引圖5為代碼本對識別UCLA-9數(shù)據(jù)庫的識別率的影響；
[003引 圖6為對NewDT-10識別結(jié)果；
[0034] 圖7為代碼本對識別UCLA-9數(shù)據(jù)庫的識別率的影響；
[003引 圖8為試驗比較；
[0036] 圖9(a)為對蠟燭定位；
[0037] 圖9化）對火焰定位；
[003引圖10為檢測火焰的動態(tài)紋理；
[0039] 圖11為多動態(tài)紋理的定位。
【具體實(shí)施方式】
[0040] 下面結(jié)合附圖和實(shí)施例，對本發(fā)明的【具體實(shí)施方式】作進(jìn)一步詳細(xì)描述。W下實(shí)施 例用于說明本發(fā)明，