李 映， 楊 炯

(蘇州大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 蘇州 215006)

?

視頻動(dòng)態(tài)紋理分類創(chuàng)新實(shí)驗(yàn)設(shè)計(jì)

李 映， 楊 炯

(蘇州大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 蘇州 215006)

設(shè)計(jì)了一個(gè)面向?qū)嶋H應(yīng)用場(chǎng)景的創(chuàng)新實(shí)驗(yàn)。該實(shí)驗(yàn)設(shè)計(jì)基于Matlab 2010軟件，以動(dòng)態(tài)紋理視頻為實(shí)驗(yàn)對(duì)象，采用線性動(dòng)態(tài)系統(tǒng)模型參數(shù)進(jìn)行動(dòng)態(tài)紋理特征描述，并將其從低層特征描述轉(zhuǎn)換到中層語(yǔ)義描述，形成視覺(jué)詞典，最后基于現(xiàn)有分類器進(jìn)行動(dòng)態(tài)紋理圖像的分類實(shí)驗(yàn)。該創(chuàng)新實(shí)驗(yàn)涵蓋了“數(shù)字圖像處理與分析”中的絕大部分知識(shí)點(diǎn)，并在此基礎(chǔ)上進(jìn)行了知識(shí)的拓展，使學(xué)生在更加深刻理解課程中重點(diǎn)內(nèi)容的同時(shí)還可以鍛煉自己動(dòng)手解決實(shí)際問(wèn)題的能力，初步培養(yǎng)學(xué)生的創(chuàng)新能力。

動(dòng)態(tài)紋理； 創(chuàng)新實(shí)驗(yàn)設(shè)計(jì)； 視覺(jué)詞典

0 引 言

傳統(tǒng)紋理隨著時(shí)間的演變就形成了動(dòng)態(tài)紋理，因此，動(dòng)態(tài)紋理具有時(shí)間相關(guān)重復(fù)特征，是一類比較特殊的視頻數(shù)據(jù)[1]。其在自然界中廣泛存在，如風(fēng)中飄揚(yáng)的旗子、隨風(fēng)擺動(dòng)的樹木、森林中的大火等動(dòng)態(tài)紋理。由于這些動(dòng)態(tài)紋理是一種空間重復(fù)且隨時(shí)間變化的隨機(jī)過(guò)程，在時(shí)間上具有某種穩(wěn)定特性的圖像序列[2-3]，因此具有時(shí)空的某種自相似性，分類這些含有動(dòng)態(tài)紋理的動(dòng)態(tài)場(chǎng)景非常具有挑戰(zhàn)性，但這類動(dòng)態(tài)場(chǎng)景卻是實(shí)際應(yīng)用中必須解決的一個(gè)關(guān)鍵問(wèn)題。現(xiàn)有動(dòng)態(tài)紋理識(shí)別的方法主要包括基于光流場(chǎng)的方法、基于時(shí)空幾何屬性的方法、基于局部時(shí)空濾波的方法和基于模型參數(shù)的方法[4]?；谀Ｐ偷膭?dòng)態(tài)紋理識(shí)別技術(shù)很多，如混合動(dòng)態(tài)紋理模型[5]與分層動(dòng)態(tài)紋理[6]，基于混沌特征的動(dòng)態(tài)紋理分類方法[7]。目前基于模型動(dòng)態(tài)紋理識(shí)別技術(shù)最經(jīng)常采用的模型之一就是LDS(Linear Dynamical System)動(dòng)態(tài)紋理模型[8]。本文依據(jù)該模型進(jìn)行動(dòng)態(tài)紋理分類的實(shí)驗(yàn)設(shè)計(jì)，利用Ravichandran等[8]提出的算法設(shè)計(jì)并實(shí)現(xiàn)動(dòng)態(tài)紋理分類。該實(shí)驗(yàn)在LDS線性動(dòng)態(tài)系統(tǒng)模型的基礎(chǔ)上，解決了當(dāng)前分類算法無(wú)法解決的變化視角和不同尺寸下動(dòng)態(tài)紋理的分類問(wèn)題。

由于動(dòng)態(tài)紋理分類是后期圖像理解和實(shí)際應(yīng)用的一個(gè)關(guān)鍵環(huán)節(jié)，并且需要綜合應(yīng)用圖像各方面的知識(shí)，在這一動(dòng)態(tài)紋理分類的創(chuàng)新實(shí)驗(yàn)中，學(xué)生可以從系統(tǒng)的角度對(duì)圖像處理、分析和理解有更深入、更準(zhǔn)確的直觀性的認(rèn)識(shí)。在圖像特征提取階段，學(xué)生可以理解和掌握如何將原始圖像數(shù)據(jù)通過(guò)轉(zhuǎn)換變成有利于圖像分類的特征，進(jìn)行數(shù)據(jù)的抽象。在圖像分類解決，學(xué)生還可以學(xué)到如何將提取的特征轉(zhuǎn)換為符合人類表述的語(yǔ)義表達(dá)，通過(guò)抽象的簡(jiǎn)單語(yǔ)義描述進(jìn)行場(chǎng)景分類。最終在這個(gè)創(chuàng)新實(shí)驗(yàn)中貫穿圖像處理與分析的主線：圖像分析→圖像理解的圖像工程線路。因此為了培養(yǎng)和鍛煉學(xué)生學(xué)習(xí)知識(shí)與應(yīng)用知識(shí)兩方面能力的結(jié)合，并將學(xué)習(xí)知識(shí)主動(dòng)轉(zhuǎn)化為對(duì)知識(shí)的應(yīng)用能力，強(qiáng)化學(xué)生將所學(xué)圖像處理知識(shí),綜合應(yīng)用于實(shí)際視頻內(nèi)容理解的能力，利用實(shí)際應(yīng)用中遇到的具有挑戰(zhàn)性的動(dòng)態(tài)場(chǎng)景中的紋理分類設(shè)計(jì)創(chuàng)新實(shí)驗(yàn)，具有非常好的教學(xué)意義。

實(shí)驗(yàn)設(shè)計(jì)具體步驟為：① 使用線性動(dòng)態(tài)系統(tǒng)參數(shù)作為動(dòng)態(tài)紋理的特征描述符；② 將BoF(Bag of Feature)詞袋算法流程擴(kuò)展到動(dòng)態(tài)紋理分類中，形成基于BoS(Bag of System)系統(tǒng)袋的算法流程。

1 實(shí)驗(yàn)設(shè)計(jì)框架

動(dòng)態(tài)紋理具有運(yùn)動(dòng)和外觀的特征，根據(jù)這兩大類特征，現(xiàn)有動(dòng)態(tài)紋理識(shí)別的方法分為兩類，其一是根據(jù)動(dòng)態(tài)紋理的運(yùn)動(dòng)特性進(jìn)行識(shí)別；另一類則是將運(yùn)動(dòng)和外觀結(jié)合得到紋理的有效表達(dá)[9]。

動(dòng)態(tài)紋理識(shí)別主要分為訓(xùn)練階段和預(yù)測(cè)階段。在訓(xùn)練階段，通過(guò)訓(xùn)練集中的視頻獲得詞典BoS與訓(xùn)練視頻序列的特征向量H=[h1,h2,…,hK]T。在預(yù)測(cè)階段，利用訓(xùn)練階段獲得的詞典獲得預(yù)測(cè)視頻的特征向量。通過(guò)前兩個(gè)階段獲取的訓(xùn)練集特征向量與預(yù)測(cè)集特征向量H′，根據(jù)已知的訓(xùn)練集中視頻的類標(biāo)簽，分類得出特征向量的類別。圖1給出了動(dòng)態(tài)紋理分類的整體流程圖。

圖1 動(dòng)態(tài)紋理分類實(shí)驗(yàn)總體框架結(jié)構(gòu)

(1) 訓(xùn)練階段。從訓(xùn)練數(shù)據(jù)集中獲取大量的訓(xùn)練視頻，經(jīng)過(guò)重采樣得到所需尺寸的動(dòng)態(tài)紋理視頻，然后將視頻序列劃分為時(shí)間域和空間域都不重疊的大小為σ×σ×τ時(shí)空體(σ為空間域的大小，τ為時(shí)間域的大小)，接著利用動(dòng)態(tài)紋理模型來(lái)建模時(shí)空體，獲得可以表示該時(shí)空體的模型參數(shù)元組M=(A,C)，利用模型參數(shù)間的馬丁距離來(lái)構(gòu)建時(shí)空體之間的距離矩陣。然后利用高維空間中點(diǎn)間距離的多維標(biāo)度法(Multi-dimensional Scaling，MDS)[10]進(jìn)行降維處理，給出歐氏空間的點(diǎn)集，同時(shí)保留其在高維非歐氏空間的關(guān)系。在降維的過(guò)程中，不會(huì)特別指定降維后歐氏空間的維數(shù)。降維后的空間是歐氏空間，接著使用K-means聚類算法[11]進(jìn)行聚類，獲得歐氏空間中的聚類中心，然而這些聚類中心并不對(duì)應(yīng)到任何一個(gè)原始線性動(dòng)態(tài)系統(tǒng)時(shí)空體。由于從低維內(nèi)嵌空間到原始高維空間并不存在明顯的映射關(guān)系，為了獲得原始高維空間中的碼詞，選擇低維空間中到聚類中心距離最小的點(diǎn)對(duì)應(yīng)的高維空間的系統(tǒng)參數(shù)為高維空間的碼詞，構(gòu)成所需詞典。最后使用詞頻法(Term Frequency，TF)[12-13]表示動(dòng)態(tài)紋理視頻，獲得訓(xùn)練集中表示動(dòng)態(tài)紋理特征向量。

(2) 預(yù)測(cè)階段。預(yù)測(cè)集視頻經(jīng)過(guò)與預(yù)測(cè)階段同樣的重采樣、分割、建模等處理過(guò)程，然后利用馬丁距離獲得特征描述符M=(A,C)與詞典的距離矩陣。在詞典中選擇距離特征描述符距離最小的碼詞作為該特征描述符的碼詞，使用詞頻法TF，獲得預(yù)測(cè)集中動(dòng)態(tài)紋理視頻的特征向量H′。通過(guò)訓(xùn)練階段獲取的訓(xùn)練集特征向量與已知的訓(xùn)練集中視頻的類標(biāo)簽，預(yù)測(cè)得出特征向量H′的類別。

2 具體實(shí)驗(yàn)步驟的實(shí)現(xiàn)

BoF方法[14]應(yīng)用于計(jì)算機(jī)視覺(jué)的靈感來(lái)自于文檔檢索領(lǐng)域。在文檔檢索中，通過(guò)關(guān)鍵詞分布情況的差異性識(shí)別該文檔。在該實(shí)驗(yàn)中，采用類似BoF方法的處理流程，不同之處在于實(shí)驗(yàn)中使用特征描述符的分布取代關(guān)鍵詞的分布。BoF方法典型處理如下：

(1) 從訓(xùn)練集圖片中提取特征和對(duì)應(yīng)的特征描述符；

(2) 通過(guò)使用類似K-means的聚類算法形成字典，聚類中心代表詞典中的字碼；

(3) 用字典表示訓(xùn)練集中的每張圖片；

(4) 選擇一個(gè)分類器，將新圖片詞分布與訓(xùn)練集中已有詞分布進(jìn)行比較，推斷類別。

BoS基本處理流程與BoF方法類似，主要不同點(diǎn)在于用線性動(dòng)態(tài)系統(tǒng)參數(shù)作為特征描述符取代傳統(tǒng)時(shí)空特征，這也造成獲取特征描述符不再處于歐氏空間。因此引入一種新的降維處理方法，使降維后特征處于歐氏空間，并從這些特征描述符中獲取詞典?；贐oS動(dòng)態(tài)紋理分類過(guò)程如圖2所示，包括特征提取、詞典形成、詞典描述和分類。

(a) (b) (c)

2.1 LDS模型參數(shù)計(jì)算

(1)

(2)

其中：z(t)∈Rn是t時(shí)間段的隱藏狀態(tài)；A∈Rn×n代表隱藏狀態(tài)的動(dòng)態(tài)性；C∈Rn×n將隱藏狀態(tài)轉(zhuǎn)換為系統(tǒng)的輸出；C0∈Rp是視頻序列像素值的均值；w(t)～N(0,R)和Bv(t)～N(0,Q)分別是度量和過(guò)程噪聲。隱藏狀態(tài)的維數(shù)n是線性動(dòng)態(tài)系統(tǒng)的序；p是視頻序列或者視頻塊中一幀的像素?cái)?shù)。

實(shí)驗(yàn)中動(dòng)態(tài)模型的參數(shù)(C0,A,C,Q,R)采用主成分分析方法[15]來(lái)求取。該動(dòng)態(tài)模型的優(yōu)點(diǎn)在于它將由C建模的時(shí)空塊外觀特征和由A建模的動(dòng)態(tài)性特征相互分離。因此，給定一動(dòng)態(tài)紋理時(shí)空視頻塊，就可以使用元組M=(A,C)來(lái)表示，既描述了動(dòng)態(tài)紋理的動(dòng)態(tài)性又描述了動(dòng)態(tài)紋理的整體外觀。

2.2 詞典形成

從LDS系統(tǒng)參數(shù)的計(jì)算步驟中，獲得LDS的描述是以元組M=(A,C)來(lái)表達(dá)的。但這個(gè)元組的表示處于非歐氏空間，不能直接用適用于BoF聚類的方法。實(shí)驗(yàn)中采用馬丁距離來(lái)表示元組之間的相似性。

(3)

通過(guò)式(3)可以獲得想要的詞典C={F1,…,FK}，其中Fi=(Ai,Ci)。

2.3 基于詞典的視頻描述

一旦獲得K個(gè)碼詞，每個(gè)視頻序列都可以用這個(gè)詞典來(lái)描述。實(shí)驗(yàn)中采用直方圖H=[h1,h2,…,hK]T∈RK的形式來(lái)實(shí)現(xiàn)視頻的描述。假設(shè)第i個(gè)視頻序列中碼詞k出現(xiàn)cik次，N為所有視頻序列的數(shù)量，Nk為出現(xiàn)碼詞k的視頻序列的數(shù)量。實(shí)驗(yàn)設(shè)計(jì)中將通過(guò)兩種不同的表達(dá)方法來(lái)描述視頻序列。

(1) TF，定義如下：

(4)

其中：k=1,2，…,K；i=1,2，…,N。

(2) 逆文本詞頻法(Term Frequency-Inverse Document Frequency，TF-IDF)，定義如下：

(5)

這兩種方法都有各自的優(yōu)點(diǎn)。TF的表達(dá)形式比較簡(jiǎn)潔，該方法只考慮新的測(cè)試視頻序列中碼詞分布情況；TF-IDF減弱了所有類共有特征的影響，突出了視頻序列具有區(qū)別性特征的影響。一旦計(jì)算出直方圖H后，使用L1范數(shù)進(jìn)行標(biāo)準(zhǔn)化。

2.4 分 類

3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)數(shù)據(jù)集為 “DynTex”數(shù)據(jù)庫(kù)。本文提取該數(shù)據(jù)庫(kù)中8類視頻序列：20個(gè)靜態(tài)水面視頻、20個(gè)旗幟視頻、20個(gè)噴泉視頻、6個(gè)電梯視頻、20個(gè)草地視頻、20個(gè)大海視頻、9個(gè)交通視頻、20個(gè)樹木視頻作為實(shí)驗(yàn)原始數(shù)據(jù)。在實(shí)驗(yàn)中，一半用來(lái)訓(xùn)練，另一半用來(lái)測(cè)試。圖3中展示了數(shù)據(jù)庫(kù)中一些視頻序列的截圖。下面給出在該創(chuàng)新實(shí)驗(yàn)平臺(tái)上的幾個(gè)實(shí)驗(yàn)驗(yàn)證結(jié)果。

湖面

電梯

旗幟

噴泉

草地

大海

交通

樹木

圖3 動(dòng)態(tài)紋理視頻庫(kù)中8類視頻部分截圖示例

3.1 視頻時(shí)空體大小對(duì)分類性能的分析

實(shí)驗(yàn)中首先將視頻序列劃分為時(shí)間域和空間域都不重疊的大小為σ×σ×τ時(shí)空體，σ為空間域的大小，τ為時(shí)間域的大小。對(duì)于σ和τ取不同的值，其中σ∈{20,30,60}，τ∈{15,25}，σ可以取3個(gè)值，τ可以取2個(gè)值，這樣就出現(xiàn)了6種不同的時(shí)空體大小。對(duì)于6種不同的時(shí)空體，使用秩為n的線性動(dòng)態(tài)系統(tǒng)進(jìn)行建模，實(shí)驗(yàn)中n的值取3。對(duì)于6種不同大小時(shí)空體分別獨(dú)立進(jìn)行實(shí)驗(yàn)。為了能夠劃分出不重疊的時(shí)空體，并且在劃分的過(guò)程中不存在剩余視頻未被劃分，需要對(duì)視頻序列空間域進(jìn)行重采樣，使其達(dá)到需求的尺寸。原始數(shù)據(jù)庫(kù)中視頻每一幀的大小為352×288，每個(gè)視頻包含的幀數(shù)都大于100幀。對(duì)視頻每幀進(jìn)行重采樣，重采樣后視頻每幀大小為360×300，這樣就可以完整的利用整個(gè)視頻并且不進(jìn)行重疊的劃分。

圖4給出了不同尺寸時(shí)空體的動(dòng)態(tài)紋理識(shí)別率結(jié)果。在實(shí)驗(yàn)中分別使用了3種不同類別的組合來(lái)進(jìn)行實(shí)驗(yàn)，3組不同的類別分別為：湖面、噴泉、大海；草地、樹木、湖面；電梯、交通、旗幟。圖4給出的動(dòng)態(tài)紋理識(shí)別率是這三組實(shí)驗(yàn)的平均值。從圖4可以看出，識(shí)別率最高的時(shí)空體為20×20×25，最低的為60×60×15，空間尺寸σ變大后識(shí)別率降低，時(shí)間尺寸τ變大后識(shí)別率便上升。根據(jù)上面的分析，可以得出在較小空間尺寸σ較大時(shí)間尺寸τ情況下，識(shí)別率較高，但隨著空間尺寸σ的變小，視頻序列被劃分的時(shí)空體增加，在降維聚類的過(guò)程中耗費(fèi)的時(shí)間也相應(yīng)增加了大約2倍。鑒于識(shí)別率與時(shí)間的綜合考慮，在實(shí)驗(yàn)中選用時(shí)空體尺寸為30×30×25。

圖4 不同時(shí)空體大小動(dòng)態(tài)紋理識(shí)別率

3.2 聚類中心個(gè)數(shù)對(duì)分類性能影響分析

視頻被劃分為不重疊的時(shí)空體后，利用線性動(dòng)態(tài)系統(tǒng)獲得描述時(shí)空體的參數(shù)。但由于獲取的參數(shù)處于非歐氏空間，為了獲得詞典，需要進(jìn)行降維處理，將處于非歐氏空間的參數(shù)降維到歐氏空間。實(shí)驗(yàn)中采用高維空間中點(diǎn)之間距離的多維標(biāo)度法(Multi-dimensional Scaling，MDS)，該方法在給出歐氏空間的點(diǎn)集的同時(shí)保留了其在高維非歐氏空間的關(guān)系。實(shí)驗(yàn)平臺(tái)搭建時(shí)直接使用Matlab中Y=cmdscale(D)函數(shù)實(shí)現(xiàn)降維。在降維的過(guò)程中，不會(huì)特別指定降維后歐氏空間的維數(shù)。然后使用K-means聚類算法進(jìn)行聚類，同樣也是直接調(diào)用Matlab中自帶函數(shù)[IDX,C]=kmeans(Y,K)進(jìn)行聚類，聚類中心數(shù)量K的值取8～96間以8為倍數(shù)的值。

圖5給出了不同聚類中心數(shù)量的動(dòng)態(tài)紋理識(shí)別率結(jié)果。該實(shí)驗(yàn)，仍采用3種不同的類別組合來(lái)進(jìn)行實(shí)驗(yàn)，三組不同的類別分別為：湖面、噴泉、大海；草地、樹木、湖面；電梯、交通、旗幟。圖5顯示的不同聚類中心數(shù)量動(dòng)態(tài)紋理識(shí)別率是這三組實(shí)驗(yàn)的平均值。

從圖5可見(jiàn)，隨著聚類中心的增加分類正確率也在不斷地上升，分類效果最好的聚類中心數(shù)量為96個(gè)。但在聚類中心大于72個(gè)后，其分類正確率增長(zhǎng)幅度就很少了。這樣，在聚類中心大于72個(gè)后，聚類中心的增加對(duì)于分類正確率的影響已經(jīng)很小很小。在接下來(lái)的試驗(yàn)中，將使用的聚類中心數(shù)量為80個(gè)。

3.3 特征描述與分類分析

經(jīng)降維聚類后獲取了詞典，對(duì)于視頻序列的表示

圖5 不同聚類中心數(shù)量下動(dòng)態(tài)紋理識(shí)別率

方法，實(shí)驗(yàn)可以選用前面提到的詞頻法TF與逆文本詞頻法TF-IDF。在分類算法上，可以使用的分類算法有三種：k-最鄰近算法(k-NN)、樸素貝葉斯分類法、內(nèi)核支持向量機(jī)分類算法。圖6給出了不同特征描述結(jié)合不同分類器時(shí)的動(dòng)態(tài)紋理識(shí)別率結(jié)果。該實(shí)驗(yàn)同樣使用與前面相同的3種不同的類別組合來(lái)進(jìn)行實(shí)驗(yàn)。圖6給出的動(dòng)態(tài)紋理識(shí)別率是這三組實(shí)驗(yàn)的平均值。

由圖6可以看出，詞頻的分類正確率要比逆文本詞頻法的分類正確率要高，在分類算法上，樸素貝葉斯算法要比SVM支持向量機(jī)分類算法與K-means最鄰近分類算法。從這個(gè)實(shí)驗(yàn)中發(fā)現(xiàn)分類效果較好的組合是詞頻法的描述與樸素貝葉斯分類算法的結(jié)合。

圖6 不同的特征描述結(jié)合不同的分類器的動(dòng)態(tài)紋理識(shí)別率結(jié)果

3.4 類別數(shù)量對(duì)分類性能的影響分析

圖7給出了類別數(shù)量不同的動(dòng)態(tài)紋理識(shí)別率結(jié)果。在本實(shí)驗(yàn)中測(cè)試了2～6類動(dòng)態(tài)紋理的分類效果。在每類中平均進(jìn)行3次的實(shí)驗(yàn)，動(dòng)態(tài)紋理識(shí)別率是3次實(shí)驗(yàn)的平均值。由圖7可以看出兩類的分類正確率最高，大于95%，最低的分類正確率為6類，僅有約45%。隨著分類種類的增加，分類正確率也在降低。

圖7 不同動(dòng)態(tài)紋理類別識(shí)別率

4 結(jié) 語(yǔ)

該實(shí)驗(yàn)設(shè)計(jì)主要是基于動(dòng)態(tài)紋理模型實(shí)現(xiàn)動(dòng)態(tài)紋理的分類的創(chuàng)新實(shí)驗(yàn)訓(xùn)練。該實(shí)驗(yàn)整體流程主要分為訓(xùn)練和預(yù)測(cè)兩個(gè)階段。實(shí)驗(yàn)的核心在于將BoF詞袋擴(kuò)展到動(dòng)態(tài)紋理分類中，使用類似BoF的步驟進(jìn)行動(dòng)態(tài)紋理分類。在特征提取中，使用線性動(dòng)態(tài)系統(tǒng)的參數(shù)來(lái)取代傳統(tǒng)的時(shí)空特征；在詞典獲取過(guò)程中，因?yàn)楂@取的模型參數(shù)處于非歐氏空間，對(duì)其降維到歐氏空間后，使用K-means算法進(jìn)行聚類，得到聚類中心及詞典中的碼詞。最后給出了具體的實(shí)施細(xì)節(jié)與參數(shù)設(shè)置情況，并針對(duì)較大影響實(shí)驗(yàn)結(jié)果的四個(gè)因素：視頻塊的大小、聚類中心的數(shù)量、視頻描述方法、分類算法分別進(jìn)行討論與實(shí)驗(yàn)對(duì)比。實(shí)驗(yàn)表明，若視頻原始幀大小為352×288，在視頻被劃分為30×30×25的時(shí)空塊，聚類中心選為80個(gè)，用TF詞頻法描述視頻，分類算法選擇樸素貝葉斯分類算法時(shí)，程序運(yùn)行時(shí)間和分類正確率會(huì)取得較好的結(jié)果。

從整個(gè)實(shí)驗(yàn)設(shè)計(jì)到實(shí)現(xiàn)，可以較好地鍛煉學(xué)生的理論與實(shí)踐相結(jié)合的能力，并可以初步培養(yǎng)學(xué)生從學(xué)術(shù)的角度進(jìn)行實(shí)驗(yàn)驗(yàn)證和分析，為進(jìn)一步培養(yǎng)學(xué)生的學(xué)術(shù)創(chuàng)新能力奠定了基礎(chǔ)。

[1] Soatto S, Doretto G, Wu Y N. Dynamic Textures[C]∥Proceedings of the 8th International Conference onComputer Vision. Vancouver, Canada, 2001:439-446.

[2] Chetverikov D,Péteri R. A brief survey of dynamic texture description and recognition [C]∥InternationalConference on Computer Recognition Systems, 2005: 17-26.

[3] Doretto G, Chiuso A, Wu Y N,etal. Dynamic textures [J]. International Journal of Computer Vision, 2003, 51(2): 91-109.

[4] Zhao Guoying, Matti P. Dynamic Texture RecognitionUsing Local Binary Patterns with an Application toFacial Expressions [J]. IEEE Transactions on PatternAnalysis and Machine Intelligence, 2007, 29 (6):915-928.

[5] Chan A B, Vasconcelos N. Modeling, clustering, and segmenting video with mixtures ofdynamic textures [J]. IEEE Trans Pattern Anal Machine Intell, 2008, 30(5):909-926.

[6] Chan A B, Vasconcelos N. Layered dynamic textures [J]. IEEE Trans Pattern Anal MachineIntell, 2009, 31(10):1862-1879.

[7] 王 勇, 胡士強(qiáng). 基于混沌特征的運(yùn)動(dòng)模式分割和動(dòng)態(tài)紋理分類[J]. 自動(dòng)化學(xué)報(bào), 2014, 40(4): 604-614.

[8] Ravichandran A, Chaudhry R, Vidal R. Categorizing dynamic textures using a bag of dynamical systems [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(2): 342-353.

[9] 王 碩. 基于小波變換的動(dòng)態(tài)紋理分類[D]. 哈爾濱：哈爾濱工程大學(xué), 2010.

[10] Cox T F, Cox M A A. Multidimensional Scaling [M]. Chapman andHall, 1994.

[11] MacQueen J B. Some Methods for classification and Analysis of Multivariate Observations [C]∥Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1967: 281-297.

[12] Luhn Hans Peter. A Statistical Approach to Mechanized Encoding and Searching of Literary Information [J]. IBM Journal of Research and Development (IBM), 1957, 1(4): 315.

[13] Sivic J, Zisserman A. Video Google: A Text RetrievalApproach to Object Matching in Videos [C]∥Proc IEEE Int’l Conf Computer Vision, 2003: 1470-1477.

[14] Csurka G, Dance C, Fan L,etal. Visual categorization with bags of keypoints [C]∥Workshop on Statistical Learning in Computer Vision, ECCV. 2004, 1(1-22): 1-2.

[15] Duda R O, Hart P E, Stork D G. Pattern classification[M]. John Wiley & Sons, 2012.

Design of Innovation Experiment for Classifying Dynamic Texture in Video

LIYing，YANGJiong

(School of Computer Science and Technology, Soochow University, Suzhou 215006, China)

The experiment courses of digital image processing and analysis focus on the experiment of low-level image processing, and most experiments are used to verify the results of the methods in image processing. Therefore, we designed an innovation experiment for actual application scenario. Based on Matlab 2010 software and video of dynamic texture, the experimental design adopted the parameter of linear dynamic system model as the feature description of dynamic texture, then transited the low-level features to middle-level semantic description to form the visual dictionary, lastly implemented the dynamic texture image classification experiment using existing classifiers. The experiment covered most knowledge of the digital image processing and analysis, and extended the knowledge of image understanding. So that students could more profound understanding of the key content in the course, as well as improving students’ ability of solving the practical issue, and cultivating students’ preliminary innovation ability.

dynamic texture; design of innovation experiment; visual dictionary

2015-05-06

軟件工程國(guó)家特色專業(yè)建設(shè)點(diǎn)(TS2455)；蘇州大學(xué)計(jì)算機(jī)與信息技術(shù)國(guó)家級(jí)實(shí)驗(yàn)示范中心開(kāi)放性課題——機(jī)器視覺(jué)創(chuàng)新實(shí)驗(yàn)室建設(shè)項(xiàng)目資助

李 映(1976-)，女，江蘇蘇州人，碩士，實(shí)驗(yàn)師，研究方向：圖形圖像處理。Tel.:13962123096; E-mail:youngj@suda.edu.cn

楊 炯(1971-)，男，江蘇蘇州人，碩士，實(shí)驗(yàn)師，研究方向：實(shí)驗(yàn)技術(shù)。Tel.：13962123096; E-mail:youngj@suda.edu.cn

TP 391.41

A

1006-7167(2016)05-0071-06