[发明专利]一种基于线性动态系统的时空局部特征的提取方法

说明书

技术领域

本发明涉及图像处理及计算机应用技术领域，特别涉及一种基于线性动态系统的时空局部特征的提取方法。

背景技术

随着社会经济和科学技术的飞速发展，视频已被广泛地应用于各种场所，例如，在银行、机场、居民生活区等地区安装用于安防的监控系统，每天产生大量的监控视频数据；再例如，在互联网上存储着海量的视频节目，而且每时每刻还在不断地高速增长。如何在如此海量的视频数据中快速准确地检索到我们所期望的内容，是一个具有重要研究价值和巨大应用价值的实际问题，这一问题的有效解决将对相关产业的深入发展起到重要的促进和推动作用。

视频内容分析技术的首要环节是提取视频的特征，然后对这些特征进行描述，将其表示为一个向量。在视频特征提取上，时空局部特征因为具有旋转、尺度、光照以及遮挡等不变性的优点而得到广泛的应用。在视频特征描述上，目前常用的方法包括梯度方向直方图(HOG)、光流直方图(HOF)和运动边界直方图(MBH)等。梯度方向直方图通过计算时空局部特征中每帧图像的梯度方向信息来描述局部特征。这种方法注重特征的静态表观信息，但忽略了特征中帧与帧之间的运动信息。光流直方图着重考虑了特征中帧与帧之间的运动信息，但这种方法很难处理镜头自身运动的情况。运动边界直方图在光流直方图的基础上，通过计算光流场的梯度信息，能有效过滤镜头自身运动的信息，因此能更好地描述视频中感兴趣目标的运动信息。

在实际的视频内容分析系统中，一个具有共识的观点是：特征的静态表观信息和运动信息在描述视频特征方面，具有同等重要的地位。为此目的，一部分研究工作通过融合上述的特征描述方法(HOG、HOF和MBH)来实现。研究结果也表明融合方法在大多数情况下要优于单个特征描述方法。本发明公开的方法与已有方法不同，本发明方法通过将时空局部特征看作线性动态系统的输出，反求出线性动态系统的模型参数，并将该模型参数作为时空局部特征的描述子。这种全新的描述子能够同时表达时空局部特征的静态表观信息和运动信息，因此不需要进行复杂的融合操作。在计算结果上，这种描述子的区分判别能力也优于上述单个方法、甚至多种方法的融合。

发明内容

有鉴于此，本发明的主要目的是提供一种基于线性动态系统的时空局部特征的提取方法，该方法将时空局部特征看作线性动态系统的输出，反求出线性动态系统的模型参数，并将该模型参数作为时空局部特征的描述子来同时刻画特征的静态表观信息和动态信息。

为达到上述目的，本发明提出一种基于线性动态系统的时空局部特征提取方法，该方法包括以下步骤：

步骤1：收集待处理的视频数据文件；

步骤2：对于所述待处理的视频数据文件，提取大小为N×N×L的三维时空局部特征；

步骤3：对于每一个三维时空局部特征，沿空间维度展开得到二维时空局部特征Y；

步骤4：将所述二维时空局部特征Y作为线性动态系统的输出，学习得到所述线性动态系统的模型参数，作为所述二维时空局部特征Y的描述子。

根据上述技术方案，本发明具有以下有益效果：

1、在本发明提供的基于线性动态系统的时空局部特征提取方法中，将时空局部特征看作线性动态系统的输出，用模型参数作为时空局部特征的描述子。这种全新的描述子能够同时表达时空局部特征的静态表观信息和运动信息，从一个全新的角度解决了如何同时捕捉视频表观信息和运动信息的难题。

2、本发明所采用的稳态最小二乘的模型参数学习方法，能够以非常小的计算代价学习得到模型参数的次优闭合解。

因此，本发明可以广泛应用在视频内容检索，敏感视频检测与过滤以及智能视频监控等业务中。

附图说明

图1为本发明提供的一种基于线性动态系统的时空局部特征提取方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1为本发明提供的一种基于线性动态系统的时空局部特征提取方法的流程图，如图1所示，所述方法包括以下步骤：

步骤1：收集待处理的视频数据文件；

步骤2：对于所述待处理的视频数据文件，提取大小为N×N×L的三维时空局部特征；

所述步骤2进一步包括以下步骤：

步骤21，计算每帧视频图像的兴趣点和光流场；

其中，所述兴趣点可以是SIFT，MSER等局部稀疏兴趣点，也可以是根据等间隔采样得到的稠密兴趣点。