基于多源正则化消费视频事件检测模糊回归模型构建方法技术

本发明专利技术涉及视频检测技术领域，公开了基于多源正则化消费视频事件检测模糊回归模型构建方法，通过获取目标消费视频集和多源视频数据集，并对多源视频数据集以及目标消费视频集的视频数据的图像进行特征提取，并根据目标消费视频集得特征值获得消费视频事件的关联属性因素；消费视频事件的关联属性因素的特征向量作为输入数据集，利用模糊回归算法获得关联属性因素的初始权重，构建消费视频事件的模糊集；加入正则化项，对消费视频事件的模糊集进行优化，得到消费视频事件的检测模型，可以有效规避统计数据不准确和多源数据的关联属性因素较多存在的模糊性，提高了在多源条件下对消费视频事件识别、检测的可靠性。

【技术实现步骤摘要】
基于多源正则化消费视频事件检测模糊回归模型构建方法
本专利技术涉及视频检测
，具体涉及基于多源正则化消费视频事件检测模糊回归模型构建方法。
技术介绍
在视频检索应用中，视频语意内容分析是一项关键的学习任务。视频事件检测(或概念识别)是一种从视频序列(或视频关键帧)中分析视频语义内容的机器学习方法，在许多计算机视觉应用(如基于内容的视频搜索和索引、人机交互等)中，视频事件检测(或概念识别)是一项基本的学习任务。从大量不同的视频源(如新闻视频、消费视频以及Web视频等)中检测视频事件是一项具有挑战性的工作，且逐渐得到许多研究者的关注和研究。当前的视频内容分析研究主要关注于视频概念(如活动、场景、对象等)的识别，而视频事件的检测更具有挑战性。目前，虽然消费视频概念识别研究已取得一些有益进展，但消费视频事件尤其是复杂事件的检测研究尚处于初级阶段，且大多囿于短视频的异常事件或模式重复事件的识别与检测，却鲜有关于复杂环境下消费视频事件检测技术报到。
技术实现思路
基于以上问题，本专利技术提供基于多源正则化消费视频事件检测模糊回归模型构建方法，本专利技术通过将多源视频数据和目标消费视频数据进行特征提取，以目标消费视频的时长、分辨率、图形物品、图形物品显示帧数等关联属性作为自变量，消费视频事件作为因变量进行模糊回归拟合得到模糊集，再通对模糊集正则化处理，得到优化的消费视频事件的检测模型，可以有效规避统计数据不准确和多源数据的关联属性因素较多存在的模糊性，提高了在多源条件下对消费视频事件识别、检测的可靠性。为实现上述技术效果，本发采用了以下技术方案：基于多源正则化消费视频事件检测模糊回归模型构建方法，包括如下步骤：S1、获取目标消费视频集，并从多源数据库中获取多源视频数据集，均存入本地数据库中；S2、对本地数据库中多源视频数据集以及目标消费视频集的视频数据的图像进行特征提取，并根据目标消费视频集得特征值获得消费视频事件的关联属性因素；S3、消费视频事件的关联属性因素的特征向量作为输入数据集，利用模糊回归算法获得关联属性因素的初始权重，构建消费视频事件的模糊集；S4、加入正则化项，对消费视频事件的模糊集进行优化，得到消费视频事件的检测模型。进一步地，步骤S3中模糊回归算法的具体方法为：A1、定义是一个对称三角模糊数，则它的隶属函数为：其中，a为对称中心，δ为模糊度，且δ＞0；A2、确定消费视频事件的关联属性因素有m个，根据三角隶属度函数建立消费视频事件的拟合值yk与关联属性因素的多元回归关系：其中，A0、A1、A2、…、Am为m+1个待估权重参数，为m个关联属性因素，εk为随机变量，k＝1，2，…，m；A3、消费视频事件的关联属性因素的特征向量作为输入数据集，以约束条件为每个拟合值yk满足μAi(yk)≥h，(0≤h≤1)，其中h为水平截集，对Ai进行求解，i＝1，2，…，m，获得模糊集中关联属性因素的初始权重。进一步地，步骤S4中正则化项对模糊集的优化流程为：B1、提取目标消费视频集中各个视频中的音频数据和文本数据，并将音频数据也转换为文本数据；B2、对目标消费视频集中所有文本数据进行分词、标注词性处理后，将目标消费视频集中预定词性的词语作为L1范数惩罚项，采用L1范数惩罚对消费视频事件的模糊集进行优化，获得消费视频事件的检测模型。进一步地，步骤S2中的消费视频事件的关联属性因素包括视频的时长、分辨率、图形物品、图形物品显示帧数。与现有技术相比，本专利技术的有益效果是：本专利技术通过将多源视频数据和目标消费视频数据进行特征提取，以目标消费视频的时长、分辨率、图形物品、图形物品显示帧数等关联属性作为自变量，消费视频事件作为因变量进行模糊回归拟合得到模糊集，再通对模糊集正则化处理，得到优化的消费视频事件的检测模型，可以有效规避统计数据不准确和多源数据的关联属性因素较多存在的模糊性，提高了在多源条件下对消费视频事件识别、检测的可靠性。附图说明图1为实施例中基于多源正则化消费视频事件检测模糊回归模型构建方法流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本专利技术作进一步的详细说明，本专利技术的示意性实施方式及其说明仅用于解释本专利技术，并不作为对本专利技术的限定。实施例：参见图1，基于多源正则化消费视频事件检测模糊回归模型构建方法，包括如下步骤：S1、获取目标消费视频集，并从多源数据库中获取多源视频数据集，均存入本地数据库中；S2、对本地数据库中多源视频数据集以及目标消费视频集的视频数据的图像进行特征提取，并根据目标消费视频集得特征值获得消费视频事件的关联属性因素；本实施例中的消费视频事件的关联属性因素包括但不限于视频的时长、分辨率、图形物品、图形物品显示帧数。S3、消费视频事件的关联属性因素的特征向量作为输入数据集，利用模糊回归算法获得关联属性因素的初始权重，构建消费视频事件的模糊集；具体方法为：A1、定义是一个对称三角模糊数，则它的隶属函数为：其中，a为对称中心，δ为模糊度，且δ＞0；A2、确定消费视频事件的关联属性因素有m个，根据三角隶属度函数建立消费视频事件的拟合值yk与关联属性因素的多元回归关系：其中，A0、A1、A2、…、Am为m+1个待估权重参数，为m个关联属性因素，εk为随机变量，k＝1，2，…，m；A3、消费视频事件的关联属性因素的特征向量作为输入数据集，以约束条件为每个拟合值yk满足μAi(yk)≥h，(0≤h≤1)，其中h为水平截集，本实施例中取h＝0.5，对Ai进行求解，i＝1，2，…，m，获得模糊集中关联属性因素的初始权重。S4、加入正则化项，对消费视频事件的模糊集进行优化，得到消费视频事件的检测模型。优化流程为：B1、提取目标消费视频集中各个视频中的音频数据和文本数据，并将音频数据也转换为文本数据；B2、对目标消费视频集中所有文本数据进行分词、标注词性处理后，将目标消费视频集中预定词性的词语作为L1范数惩罚项，采用L1范数惩罚对消费视频事件的模糊集进行优化，获得消费视频事件的检测模型。在本实施例中，通过将多源视频数据和目标消费视频数据进行特征提取，以目标消费视频的时长、分辨率、图形物品、图形物品显示帧数等关联属性作为自变量，消费视频事件作为因变量进行模糊回归拟合得到模糊集，再通对模糊集正则化处理，得到优化的消费视频事件的检测模型，可以有效规避统计数据不准确和多源数据的关联属性因素较多存在的模糊性，提高了在多源条件下对消费视频事件识别、检测的可靠性。如上即为本专利技术的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述专利技术验证过程，并非用以限制本专利技术的专利保护范围，本专利技术的专利保护范围仍然以其权利要求书为准，凡是运用本专利技术的说明书及附图内容所作的等同结构变化，同理均应包含在本本文档来自技高网...

【技术保护点】
1.基于多源正则化消费视频事件检测模糊回归模型构建方法，其特征在于，包括如下步骤：/nS1、获取目标消费视频集，并从多源数据库中获取多源视频数据集，均存入本地数据库中；/nS2、对本地数据库中多源视频数据集以及目标消费视频集的视频数据的图像进行特征提取，并根据目标消费视频集得特征值获得消费视频事件的关联属性因素；/nS3、消费视频事件的关联属性因素的特征向量作为输入数据集，利用模糊回归算法获得关联属性因素的初始权重，构建消费视频事件的模糊集；/nS4、加入正则化项，对消费视频事件的模糊集进行优化，得到消费视频事件的检测模型。/n

【技术特征摘要】
1.基于多源正则化消费视频事件检测模糊回归模型构建方法，其特征在于，包括如下步骤：
S1、获取目标消费视频集，并从多源数据库中获取多源视频数据集，均存入本地数据库中；
S2、对本地数据库中多源视频数据集以及目标消费视频集的视频数据的图像进行特征提取，并根据目标消费视频集得特征值获得消费视频事件的关联属性因素；
S3、消费视频事件的关联属性因素的特征向量作为输入数据集，利用模糊回归算法获得关联属性因素的初始权重，构建消费视频事件的模糊集；
S4、加入正则化项，对消费视频事件的模糊集进行优化，得到消费视频事件的检测模型。


2.根据权利要求1所述的基于多源正则化消费视频事件检测模糊回归模型构建方法，其特征在于，步骤S3中模糊回归算法的具体方法为：
A1、定义是一个对称三角模糊数，则它的隶属函数为：



其中，a为对称中心，δ为模糊度，且δ＞0；
A2、确定消费视频事件的关联属性因素有m个，根据三角隶属度函数建立消费视频事件的拟合值yk与关联属性因素的多元回归关系：



其中...

【专利技术属性】
技术研发人员：陶剑文，何颂颂，但雨芳，
申请(专利权)人：宁波职业技术学院，
类型：发明
国别省市：浙江;33