一种基于混沌特征量视频运动模态分割和交通状况的识别方法，包括步骤：第一步，计算特征向量矩阵；第二步，视频分割；第三步，比较聚类结果；第四步，视频检索；第五步，视频分类。本发明专利技术通过提取视频的特征量，并组成新的特征向量可以很好的描述视频的动态信息，可广泛应用于视频监控系统、视频会议系统、工业产品检测系统、机器人视觉导航系统、军事目标检测分类系统等各类民用及军用系统中，具有广阔的市场前景和应用价值。
【技术实现步骤摘要】
本专利技术涉及的是一种计算机模式识别
的分类方法，具体地说，涉及的是一种基于混沌特征量来对视频分割和交通状况识别的算法。
技术介绍
视频分割是计算机视觉与模式识别领域的研究热点。将视频中不同的运动模式准确分类在民用和军用上均具有广泛的应用前景。如通过视频监控，对不同的交通情况(拥塞，中度拥堵，车流较少)进行分类。针对视频分割这个问题，国内外学者提出了很多方法。视频分割的主要方法有基于运动信息，基于模型和基于时空信息的方法。基于运 动信息的有光流法和变化检测法。光流法是通过计算帧与帧之间像素变化，来得到光流场。但是它受到局部运动约束，因此对于低纹理无纹理物体的运动，物体内部的运动场会丢失，即前后两帧中原来被遮盖的背景由于前景运动显现出来，影响光流计算。变化检测由全局运动估计模块，自适应阈值决策模块，基本分割模块组成。基于模型的方法主要有混合高斯法，基于随机场模型模型分割法。混合高斯法假设图片背景的每个像素值是符合高斯分布的，因而可以计算出背景的均值和方差，从而建立起背景的高斯模型。当有运动物体进入图像时，该物体的颜色值与背景有较大的差异，此时物体所在区域就不符合高斯模型，于是物体就可以当做前景分离出来。基于随机场模型模型分割法是将最大后验概率准则-马尔科夫随机场(MAP-MRF)的标记问题转化为图论的最小割问题。传统的识别交通状况的算法是通过对视频里面车辆分割，跟踪，通过得到视频中车的数目以及车的速度来判断交通状况。这种方法的缺点是将车辆从视频中一个个分割出来比较困难，特别是视频低分辨率，气候条件不好如雨天，或者车很多的时候等情况，这些都会影响到分割的结果。而车辆跟踪并计算出车辆的速度这个问题也不容易解决。经对现有技术文献的检索发现，B. B. Chaudhuri等在《IEEE Trans, on PatternAnalysis and Machine Intelligence〉〉(pp. 72 - 77,1995)上发表“Texture segmentationusing fractal dimension”(基于分形维数的纹理分割，IEEE智能分析和机器智能)和Antoni B. Chan 等在《IEEE Trans, on Pattern Analysis and Machine Intelligence》(pp. 909-926，2008)上发表“Modeling, clustering, and segmenting video with mixturesof dynamic textures”(基于混合动态纹理对视频建模,分类和分割，IEEE智能分析和机器智能)。第一篇文章指出了可以用分形维数来对图像分割。第二篇文章指出描述纹理的线性动态系统是可以用来对视频分割的。线性系统受制于马尔科夫性质，即当前状态量只由前一时刻的状态量决定。现实生活中很多系统并不是线性系统，这就限制了线性系统的应用。混沌理论能够更好描述现实系统，而且已经应用在动作识别上，使用的混沌特征不变量是最大李雅普诺夫指数。但是最大李雅普诺夫指数不适合用来做视频分割。
技术实现思路
本专利技术的目的在于针对现有方法中存在的不足，提出一种改进的分割视频的运动模式和识别交通状况的算法，主要的创新点包括1)将视频每个位置随时间变化的像素看作混沌时间序列。应用混沌理论来得到混沌时间序列的相关特征量，并组成一个新的特征向量来描述混沌时间序列。视频就可以用一个特征矩阵来描述；2)通过实验验证，本文提出的特征向量能够很好的用来描述视频中的运动模式并分割视频中的运动模式；3)我们采用isodata算法来对特征矩阵聚类。Iosdata算法是一种软性分类，而传统的聚类划分是硬性的划分。软性分类可以认识到大多数分类对象在初始认知或者初始分类时不太可能显示的最本质属性。这种模糊聚类的过程以一种逐步进化的方式来逼近事物的本质，可以客观的反映人们认识事物的过程，是一种更科学的聚类方式；4)用基于地球移动距离earthmover’s distance (EMD)来对特征向量聚类。EMD算法作为度量概率数据相似性的标准具 有抗噪性好，对概率分布间的微小偏移不敏感等优良特性，广泛的用于各种图像分类，视频检索和视频分类中。本专利技术是通过以下技术方案实现的，一种基于混沌特征量视频运动模态分割和交通状况的识别方法，其特点在于，该方法包括如下步骤第一步，计算特征向量矩阵将视频里面每个随时间变化的像素点看作一个混沌时间序列。计算每个混沌时间序列的嵌入维数，嵌入时间延迟，盒维数，信息维数，关联维数，平均值和方差。将上面计算得到的特征向量组成一个新的特征向量，视频的每个像素点位置就由这个特征向量来表示。这样一个视频就变成了一个特征向量矩阵；第二步，视频分割根据第一步中得到的特征向量矩阵，利用Isodata算法对这个特征向量矩阵聚类。Isodata算法可以简要概括如下Ca)设置聚类分析控制参数，(b)初始分类，(C)按照控制参数给定的要求，将前一次获得的聚类进行分裂和合并处理，以获得新的聚类中心和分类集，Cd)迭代计算各项指标，判别聚类结果是否符合要求，以此反复经过多次迭代计算，直至得到理想的聚类结果。由于每个特征向量矩阵代表一个视频，因此对向量矩阵的聚类结果，即为对视频聚类的结果，即完成了视频分割；第三步，比较聚类结果利用第二步得到的聚类结果，用EMD来比较聚类结果。EMD算法是一种比较某个特定区域里面两个概率分布距离的度量。即如果两个分布被看作在某个特定区域上两种不同方式堆积一定数量的山堆，那么EMD就是把一堆变成另一堆所需要移动单位小块最小的距离之和。分别计算每个特征向量矩阵与其它特征向量矩阵的EMD距离，从而得到一个EMD比较结果矩阵。由于每个特征向量矩阵代表一个视频，因此这个EMD比较矩阵中的每个数值即为相应的横向坐标代表的视频和纵向坐标代表的视频之间的距离，距离越小，代表两个视频越接近。每个视频跟自己的EMD距离为零；第四步，视频检索JfEMD比较结果矩阵中的每个值作为高斯函数的核，得到一个新的训练矩阵。将训练矩阵每行的数值按照从大到小的顺序排列，则可以找到行数代表的视频跟其它视频的相似度，这样可以达到视频的功能。第五步，视频分类将得到的训练矩阵，采取先训练再分类的方法来对交通状况分类。训练方法是，每次我们选出一个视频来作为待分类的视频，其余视频全部用来训练，且已经知道用来训练的视频属于哪一类。然后将训练矩阵按照待分类的视频和其它视频之间的相似度按照从高到低来排序，则待分类的视频和相似度最高的视频分为同一类型。依次将每个视频作为待分类视频，即完成了对待分类视频的分类。与现有技术相比，本专利技术的技术效果是用混沌时间序列来模拟随时间变化的像素值。混沌时间序列对数据的描述优于线性系统，能够更好的描述像素值随时间的变化。Isodata聚类算法在无需聚类个数的情况下能够自动对非高斯数据进行聚类。本专利技术能够较好的对视频中的运动模式进行分类。本专利技术中的特征向量能够很好的描述视频中的动态信息，通过EMD算法来比较不同的交通状况，相比以往的通过分割再检测然后跟踪来得到交通状况的算法更加简单，比用线性系统来描述交通视频更加准确稳健。本专利技术可应用于视频分割、交通视频检索、交通视频识别本文档来自技高网...
【技术保护点】
一种基于混沌特征量视频运动模态分割和交通状况的识别方法，其特征在于，该方法包括如下步骤：第一步，计算特征向量矩阵：将视频里每个随时间变化的像素看作一个混沌时间序列，计算每个混沌时间序列的嵌入维数，嵌入时间延迟，盒维数，信息维数，关联维数，平均值和方差，并组成一个特征向量，视频的每个像素点位置就由这个特征向量来表示，得到特征向量矩阵；第二步，视频分割：根据第一步中得到的特征向量矩阵，利用Isodata算法对这个特征向量矩阵聚类；第三步，比较聚类结果：利用EMD方法对第二步得到的聚类结果进行比较，得到EMD比较结果矩阵；第四步，视频检索：将第三步得到的EMD比较结果矩阵中的每个值作为高斯函数的核，计算得到一个新的训练矩阵，将训练矩阵每行的数值按照从大到小的顺序排列，找到行数代表的视频跟其它视频的相似度；第五步，视频分类：将第四步得到的训练矩阵，每次选出一个视频来作为待分类的视频，其余视频全部用来训练，且已经知道用来训练的视频属于哪一类；然后将训练矩阵按照待分类的视频和其它视频之间的相似度按照从高到低来排序，则待分类的视频和相似度最高的视频分为同一类型，依次将每个视频作为待分类视频，完成对待分类视频的分类。...
【技术特征摘要】
1.一种基于混沌特征量视频运动模态分割和交通状况的识别方法，其特征在于，该方法包括如下步骤 第一步，计算特征向量矩阵将视频里每个随时间变化的像素看作一个混沌时间序列，计算每个混沌时间序列的嵌入维数，嵌入时间延迟，盒维数，信息维数，关联维数，平均值和方差，并组成一个特征向量，视频的每个像素点位置就由这个特征向量来表示，得到特征向量矩阵； 第二步，视频分割根据第一步中得到的特征向量矩阵，利用Isodata算法对这个特征向量矩阵聚类； 第三步，比较聚类结果利用EMD方法对第二步得到的聚类结果进行比较，得到EMD比较结果矩阵； 第四步，视频检索将第三步得到的EMD比较结果矩阵中的每个值作为高斯函数的核，计算得到一个新的训练矩阵，将训练矩阵每行的数值按照从大到小的顺序排列，找到行数代表的视频跟其它视频的相似度； 第五步，视频分类将第四步得到的训...
【专利技术属性】
技术研发人员：胡士强，王勇，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。