[發(fā)明專利]基于混沌不變量的動(dòng)態(tài)紋理識(shí)別方法

無效

• 申請(qǐng)?zhí)枺?/td>: 201210398636.7
• 申請(qǐng)日: 2012-10-18
• 公開（公告）號(hào): CN102915451A
• 公開（公告）日: 2013-02-06
• 發(fā)明（設(shè)計(jì)）人: 胡士強(qiáng);王勇
• 申請(qǐng)（專利權(quán)）人: 上海交通大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 上海新天專利代理有限公司 31213
• 代理人: 張澤純

1.一種基于混沌不變量的動(dòng)態(tài)紋理識(shí)別方法，其特征在于，該方法包括如下步驟：

1）計(jì)算特征向量矩陣：將視頻每個(gè)位置隨時(shí)間變化的像素看作混沌時(shí)間序列，計(jì)算每個(gè)混沌時(shí)間序列的嵌入維數(shù)，嵌入時(shí)間延遲，盒維數(shù)，信息維數(shù)，關(guān)聯(lián)維數(shù)，平均值和方差，并組成一個(gè)特征向量，視頻的每個(gè)像素點(diǎn)位置就由這個(gè)特征向量來表示，得到特征向量矩陣；

2）對(duì)步驟1）中得到的特征向量矩陣進(jìn)行EDM識(shí)別或者BOW識(shí)別。

2.根據(jù)權(quán)利要求1所述的基于混沌不變量的動(dòng)態(tài)紋理識(shí)別方法，其特征在于，所述的EDM識(shí)別具體步驟如下：

首先，將步驟1）中得到的特征向量矩陣，利用meanshift算法對(duì)這個(gè)特征向量矩陣聚類；

然后，分別計(jì)算每個(gè)特征向量矩陣與其它特征向量矩陣的EMD距離，得到一個(gè)EMD比較結(jié)果矩陣，該EMD比較結(jié)果矩陣中相應(yīng)的橫向坐標(biāo)代表視頻、縱向坐標(biāo)代表視頻之間的距離；

將EMD比較結(jié)果矩陣中的每個(gè)值作為高斯函數(shù)的核，得到一個(gè)新的訓(xùn)練矩陣，

最后，對(duì)動(dòng)態(tài)紋理視頻進(jìn)行分類。

3.根據(jù)權(quán)利要求1所述的基于混沌不變量的動(dòng)態(tài)紋理識(shí)別方法，其特征在于，所述的BOW識(shí)別具體步驟如下：

首先，將步驟1）中得到的每個(gè)視頻的特征向量矩陣串聯(lián)合并成一個(gè)特征矩陣，利用kmeans算法聚類，得到各個(gè)聚類中心；

然后，將每個(gè)特征向量矩陣按照聚類中心聚類，得到描述聚類中心的直方圖；

最后，對(duì)動(dòng)態(tài)紋理視頻進(jìn)行分類。

4.根據(jù)權(quán)利要求2或3所述的基于混沌不變量的動(dòng)態(tài)紋理識(shí)別方法，其特征在于，所述的對(duì)動(dòng)態(tài)紋理視頻進(jìn)行分類的具體分類方法是每次選出一個(gè)視頻作為待分類的視頻，其余視頻全部用來訓(xùn)練，且已經(jīng)知道用來訓(xùn)練的視頻屬于哪一類，然后將待分類的視頻的直方圖和訓(xùn)練視頻的直方圖比較歐式距離，待分類視頻和距離最近的訓(xùn)練視頻分為同一類，依次將每個(gè)視頻作為待分類視頻，即完成了對(duì)待分類視頻的分類。

5.根據(jù)權(quán)利要求2或3所述的基于混沌不變量的動(dòng)態(tài)紋理識(shí)別方法，其特征在于，所述的對(duì)動(dòng)態(tài)紋理視頻進(jìn)行分類的方法是每次拿出某個(gè)類型的一半數(shù)目的視頻來做分類的視頻，然后將待分類的視頻的直方圖和訓(xùn)練視頻的直方圖比較歐式距離，待分類視頻和距離最近的訓(xùn)練視頻分為同一類，依次將每個(gè)視頻作為待分類視頻，即完成了對(duì)待分類視頻的分類。