[发明专利]基于二分图的动态纹理识别方法

权利要求书

1.一种基于二分图的动态纹理识别方法，其特征在于，包括：

对动态纹理视频中的每个像素时间序列提取混沌特征向量，将视频转化为混沌特征向量矩阵，其中所述的特征向量是：F＝[τ，m，D_i，std]，τ和m分别是嵌入延迟和嵌入维数，D_i是信息维数，std是像素时间序列的标准差。每个像素点都由一个特征向量来表示，因此，整个视频就可以看作特征向量矩阵；

基于混合高斯法对混沌特征矩阵分割，用度量来比较两个动态纹理之间的相似程度，通过这种相似比较，建立起一个二分图模型；

基于匈牙利算法来达到动态纹理识别的目的。

2.根据权利要求1所述的基于二分图的动态纹理识别方法，其特征在于，基于混合高斯法对混沌特征矩阵分割具体包括：

用高斯混合模型来对混沌特征向量矩阵聚类，得到用来描述像素时间序列的混沌特征向量的概率密度函数，该函数表述如下：

P=Σk=1nαkG((F|μk,Σk))---(1)]]>

其中n是分割的区域个数，α_k＞0是权重，且其中函数G如下：

G((F|μk,Σk))=1(2π)d2|Σk|12exp-12(F-μk)T(Σk)-1(F-μk)---(2)]]>

其中μ_k,∑_k是类k的均值和方差；Θ＝{(α₁，μ₁，∑₁)，…，(α_n，μ_n，∑_n)}是混合高斯模型的参数；

公式(2)通过期望最大算法来计算，即先固定其它参数，计算出一个参数，依次计算出其它未知参数；通过多次迭代，从而让所有计算出来的参数达到一个平衡，然后停止计算；

期望步骤：

αm=βmG((F|μm,Σm))Σj=1kβjG((F|μj,Σj))---(3)]]>

最大化步骤：

Θ^t+1＝argmax_ΘQ(Θ，Θ^t) (4)

其中β_m是先验概率，函数Q通过当前模型给出Θ的似然估计。

3.根据权利要求1所述的基于二分图的动态纹理识别方法，其特征在于，所述二分图模型建立具体包括：

两幅视频V₁、V₂表示如下：

{c11,c12,...,c1m}⋐V1,]]>

{c21,c22,...,c2m}⋐V2,]]>

其中c_1i和c_2i分别表示在视频V₁和V₂中的第i个聚类中心；

用χ²统计距离来度量两个聚类中心之间的距离

dX2(V1,V2)=Σi(c1i-mi)2mi---(5)]]> 1

其中

通过两个聚类中心之间的距离来计算两个视频之间的联系这样就组成了一个二分图G₁₂；通过匈牙利算法来计算得到两个视频V₁和V₂之间的相似程度。