基于混沌特征向量的動態(tài)紋理識別.pdf

1、動態(tài)紋理識別是計算機視覺領域的核心問題之一，廣泛地應用于軍事和民事領域中。本文利用混沌特征向量對動態(tài)紋理進行描述，實現(xiàn)了動態(tài)紋理的準確識別。在對識別算法的研究中，本文設計了優(yōu)化算法來提高識別效果。為了更好的描述動態(tài)紋理，本文研究了將低層特征通過深度學習得到高層特征的算法，并將動態(tài)紋理識別方法應用于智能交通流的分類。論文的主要工作和創(chuàng)新點有：
　　1.針對動態(tài)紋理的建模問題，本文提出了用像素時間序列作為描述動態(tài)紋理的基本特征方法。該

2、方法將像素時間序列看作一個整體特征向量，可以得到更多的時間信息。實驗結果表明，像素時間序列對動態(tài)紋理具有一定的描述能力。
　　2.針對像素時間序列中存在的自相似性，本文提出了用混沌特征來描述像素時間序列的方法。不同于以往用于計算機視覺領域的混沌特征向量。在動態(tài)紋理中，分形特性相當重要。本文提出的混沌特征向量是描述動態(tài)紋理的局部特征，經過詞袋模型表示之后，能夠較好的表示動態(tài)紋理，取得較高的識別率。通過實驗表明，本文選擇的混沌特征在識

3、別效果上優(yōu)于其它特征。
　　3.針對詞袋法出現(xiàn)的量化問題，提出了基于內容的動態(tài)紋理識別方法。該方法首先對每個像素時間序列提取混沌特征向量，然后對每幅視頻分割，得到前景和背景。接著通過地球移動距離（earth mover’s distance，EMD）來比較兩幅視頻之間的相似性，來實現(xiàn)動態(tài)紋理識別。該算法可以用于交通視頻流識別。
　　4.針對常規(guī)的識別算法中，沒有考慮特征之間的關系，本文提出了多任務學習方法來獲取訓練特征之間的

4、關系，并用alternating direction method of multipliers（ADMM）優(yōu)化算法來得到更高的識別率。本文給出的多任務學習模型，能夠很好的獲取多任務（特征）之間的共性信息和個性信息。同時ADMM算法可以很好的保證這個優(yōu)化問題能夠快速準確的求解。
　　5.針對直方圖特征的描述性不足，本文采用了深度學習方法，通過對大量數(shù)據(jù)的學習，得到更具有描述性的特征。本章提出的算法框架，通過將詞袋法得到的直方圖特征