基于堆栈降噪自动编码模型的动态纹理分类方法.docVIP

基于堆栈降噪自动编码模型的动态纹理分类方法 　　摘 要： 针对以往动态场景分类中需要手动提取动态特征描述符以及特征维数过高的问题，提出利用深度学习网络模型进行动态纹理特征的提取。首先利用慢特征分析法（SFA）预先学习每个视频序列的动态特征，将该特征作为深度学习网络模型的输入数据进行学习，进一步得到信号的高级表示，深度网络模型选用堆栈降噪自动编码模型，最后用SVM分类法对其进行分类。实验证明该方法所提取的特征维数低，并且能够有效地表示动态纹理。 　　关键词： 动态纹理分类; 慢特征分析; 深度学习; 堆栈降噪自动编码网络模型 　　中图分类号： TN919?34 文献标识码： A 文章编号： 1004?373X（2015）06?0020?05 　　Dynamic texture classification method based on stacked denoising autoencoding model 　　WANG Cai?xia， WEI Xue?yun， WANG Biao 　　（School of Electronics and Information Engineering， Jiangsu University of Science and Technology， Zhenjiang 212003 China） 　　Abstract： To overcome the shortcomings of extracting the feature descriptors by manual operation and too high feature dimension for dynamic scene classification， a deep learning network model is proposed to extract dynamic texture features. Firstly， the slow feature analysis method is used to learn dynamic characteristics of each video sequence through before hand， and the learned feature is used as input data of deep learning to get the advanced representation of the input signal. The stacked denoising autoencoding model is selected for the deep learning network mode. SVM classification method is used for its classification. The experimental result proves that the feature dimension extracted by this method is low and can effectively describe dynamic textures. 　　Keywords： dynamic texture classification; slow feature analysis; deep learning; stacked denoising autoencoding model 　　0 引 言 　　动态纹理是指具有空间重复性、并随时间变化的视觉模式，这种模式形成了一系列在时间域上具有某种不变性的图像序列[1]。不同的动态纹理可能具有相似的外观，但是却具有不同的运动形式，所以表观和运动是动态纹理特征的两大方面。在目前的动态视频分析系统中，最关键的步骤是如何提取有效的动态纹理特征描述符。在过去几十年里，对纹理的研究大部分都集中在静态纹理特征的研究，动态纹理的研究相对静态纹理而言起步要晚的多。动态纹理的研究最早始于20世纪90年代初，由Nelson和Polana采用建立线性系统模型的方法对其进行研究[2]，并且将视觉运动划分为三类[3]：行为、运动事件以及动态纹理。随后，Szummer 和 Picard提出采用时空自回归模型（Spatio?Temporal Auto Regressive，STAR）[4]对动态纹理序列进行建模。基于光流的识别法是目前比较流行的动态纹理识别法，因为其计算效率高，并且以一种很直观的方式来描述图像的局部动态纹理特征，Fazekas和Chetverikov总结出，正则性（Regulated）全局流与普通流（Normal Flow）相比，普通流可以同时包含动态特性和形状特性