[发明专利]融合单帧特征和动态纹理模型的极光序列分类方法

摘要

本发明公开了一种融合单帧特征和动态纹理模型的极光序列分类方法。主要解决现有技术特征提取不全面，对极光序列分类准确率不高的问题。实现步骤为：1.获取训练极光序列和测试极光序列；2.提取测试极光序列的单帧词袋BOW-SIFT特征，组成特征序列；3.根据特征序列分别提取测试极光序列的特征观测矩阵和特征状态转移矩阵；4.根据特征观测矩阵和特征状态转移矩阵求测试极光序列到训练极光序列的马丁距离；5.根据马丁距离，对测试极光序列进行最近距离分类。本发明能实现对四类极光序列的计算机自动分类，且具有分类准确率高的优点，可用于图像序列的特征提取和识别。

主权项

一种融合单帧特征和动态纹理模型的极光序列分类方法，包括如下步骤：(1)从已标记类别的极光序列数据库中任取N个序列组成训练集{S₁,S₂,...,S_j,...,S_N}，S_j是第j个训练集样本，j＝1,2,...,N，将剩余极光序列组成测试集，从测试集中取一个样本作为测试极光序列St，其中St＝{I₁,I₂,...,I_t,...,I_τ}，I_t表示极光序列St的第t帧图像，t＝1,2,...,τ，τ表示序列长度；(2)提取极光序列St中任意帧图像I_t的单帧词袋BOW‑SIFT特征y_t，组成特征序列F＝{y₁,y₂,...,y_t,...,y_τ}；(3)根据特征序列F提取极光序列St的特征观测矩阵C和特征动态纹理矩阵X；(4)用得到的特征动态纹理矩阵X，计算极光序列St的特征状态转移矩阵A，$\begin{array}{c}A=\arg \min \left|\right|X_{2,...,\mathrm{\τ}}-{\mathrm{AX}}_{1,...,\mathrm{\τ}-1}|{|}_F^2\\ =\left(X_{2,...,\mathrm{\τ}}{X}_{1,...,\mathrm{\τ}-1}\right){\left(X_{1,...,\mathrm{\τ}-1}{X}_{1,...,\mathrm{\τ}-1}^T\right)}^{-1}\end{array},$式中X_1,...,τ‑1表示特征动态纹理矩阵X的第1列到第τ‑1列所组成的矩阵；X_2,...,τ表示矩阵X的第2列到第τ列所组成的矩阵；表示求矩阵的F范数；(5)根据特征观测矩阵和特征状态转移矩阵，求测试极光序列St到训练集样本S_j的马丁距离d²(St,S_j)；(6)将步骤(5)中得到的N个马丁距离d²(St,S_j)按从小到大的顺序排列，取出最小的马丁距离对应的极光序列S_min，并将与该极光序列S_min形态相似的测试极光序列St分为与极光序列S_min同一类，完成对测试极光序列St的分类。