《核可鉴别的特征分块稀疏表示的视频语义分析》.pdfVIP

第 26卷第 8期 计算机辅助设计与图形学学报 Vo1．26No．8 2014年 8月 JournalofComputer—AidedDesign ComputerGraphics Aug．2014 核可鉴别的特征分块稀疏表示的视频语义分析 詹永照，田华锋，毛启容 (江苏大学计算机科学与通信工程学院 镇江 212013) (yzzhan@ujs．edu．cn) 摘 要 ：针对视频特征的多样性和稀疏字典的冗余特点，提 出一种基于核可鉴别的特征分块稀疏表示 的视频语义分 析方法．首先按照实际需求提取视频段多种特征，并根据各种特征的维数大小分别建立其分块稀疏字典，对每个分 块字典在 K—SVD算法基础上加入核可鉴别准则进行优化 ，使各种特征的稀疏表示特征具有更好 的类别鉴别能力； 在对视频段进行语义分析时，使用优化字典求解各种特征的稀疏表示特征，并对各种特征的稀疏表示特征采用加权 KNN算法进行类别分类分析 ，最后依据各种特征对决策分析 的支持度进行视频段 的语义融合分析．实验结果表 明， 该方法有效地提高了视频语义分析的准确性和分析速度． 关键词 ：视频语义分析 ；核可鉴别性 ；特征分块稀疏表示 ；融合分析 中图法分类号 ：TP391 VideoSemanticAnalysisBasedon KernelDiscrim inativeFeatures—BlockedSparse Representati0n ZhanYongzhao，TianHuafeng，andMaoQirong (SchoolofComputerScienceandCommunicationEngineering，JiangsuUniversity，Zhenjiang 212013) Abstract：Forthecharacteristicsofvideofeaturediversityandsparsedictionaryredundancy，amethod ofvideosemanticsbasedon discriminativefeatures—blocked sparserepresentation ispresented in this paper．Firstly，variousfeaturesareextracted from video segmentsasactualrequirement．Then each blockeddictionaryforthesparserepresentation isconstructedin termsofthedimensionalsizeofeach feature．ThedictionariesareoptimizedbyembeddingdiscriminativecriterionintoK—SVD algorithm in orderto improve category identification ability of sparse representation feature． In the semantic analysisforvideosegment，thesparsefeaturesofanykindsofprimitivefeaturesareobtainedbythe optimized dictionaries． The weighted KNN is adopted for classification analysisof these sparse features．Finally，thevideo segmentsemantic isanalyzedby fusinganalysisofthe sparse features accordingtothedecision supportdegrees．Theexperimentalresultsshow thattheproposedmethod caneffectivelyimprovetheaccuracyandspeedofvideosemanticanalysis． Keywords~video semanticanalysis；kerneldiscriminative；features—blocked sparserepresentation； fusinganalysis