[發明專利]基于概率潛在語義分析模型的動態紋理識別和定位方法

在審

• 申請號: 201510306492.1
• 申請日: 2015-06-08
• 公開（公告）號: CN104951786A
• 公開（公告）日: 2015-09-30
• 發明（設計）人: 羅新斌;王勇
• 申請（專利權）人: 蘇州珂銳鐵電氣科技有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62
• 代理公司: 蘇州市中南偉業知識產權代理事務所(普通合伙) 32257
• 代理人: 楊明

技術領域

本發明涉及一種計算機模式識別技術領域的分類和定位方法，尤其涉及一種基于概率潛在語義分析模型的動態紋理識別和定位方法。

背景技術

傳統的動態紋理建模方法可以分為三類：基于物理特征，基于圖像特征和基于統計模型，其中前兩種方法主要是針對某個特定的動態紋理類別，而統計模型則是通過學習動態紋理之后得到一個生成模型，因此可以針對大量的動態紋理。在文獻(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，提出了用線性動態模型來對動態紋理建模，并用系統辨識的方法來對參數辨識，其中文中給出了UCLA數據庫，這個數據庫含有200個視頻，目前已廣泛用于動態紋理識別的方法中。

然而目前已有的文獻多是來對動態紋理識別和分割，很少有文獻分析如何對動態紋理定位。動態紋理定位是一個重要的問題，并且其可以應用在計算機視覺的很多領域，比如，可以應用到視頻里面的模型結構(動態紋理的分布等)，進而可以應用在動態紋理的檢測，視頻模態總結，遠程監控自然災害等各種場合中。

主題模型通過潛在主題來達到對目標定位的功能，其已經應用在文本分析里面，在計算機視覺里面，也得到了廣泛的應用，如目標定位。文獻(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(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:IEEE?Computer?Society,(2005).)利用概率潛在語義分析模型，并用詞袋的框架，達到了目標識別的功能。文獻(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).)利用詞袋表示和產生模型，結合概率潛在語義分析方法，達到了對人體動作識別和定位，但當前尚無將主題模型用來動態紋理分析上，其原因是，尚沒有很好的特征來描述動態紋理，大部分動態紋理都是動態的，像素時間序列存在一定的連續性，因此，可以用像素時間序列來描述動態紋理。然而，目前用像素時間序列來描述動態紋理還存在困難：首先是配準問題，比較不同的像素時間序列需要先配準；其次像素時間序列對動態紋理就好比像素相對圖像的功能一樣，像素可以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。現在已經有很多分析時間序列的方法，如autoregressive模型，moving?average模型等，然而辨識動態紋理中的大量像素時間序列是一個很繁重的工作。

發明內容

為解決上述技術問題，本發明的目的是提供一種基于概率潛在語義分析模型的動態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棒性，另外，還具有能夠對動態紋理定位的功能。

本發明的一種基于概率潛在語義分析模型的動態紋理識別和定位方法，包括如下步驟：

S1：利用混沌理論對視頻中的像素時間序列計算，以提取多個特征，并將所述多個特征組成混沌特征向量，將混沌特征向量組成混沌特征向量矩陣；