一種改進(jìn)的基于非線性模型的動(dòng)態(tài)紋理識別算法.pdf

1、動(dòng)態(tài)紋理是在空間上具有重復(fù)性,在時(shí)間上具有連續(xù)性,無限性并符合一定統(tǒng)計(jì)特性的圖像序列。很多自然界的現(xiàn)象,如流淌的河水,隨風(fēng)擺動(dòng)的麥浪,或者飄動(dòng)的旗幟等等,都具有態(tài)紋理的特征。對這些圖像序列的分析、分割、識別、綜合構(gòu)成了動(dòng)態(tài)紋理研究的主要內(nèi)容。其中動(dòng)態(tài)紋理識別技術(shù)在所有對動(dòng)態(tài)紋理的研究中最具理論和實(shí)際意義。本文的研究工作主要集中在基于時(shí)間序列統(tǒng)計(jì)模型的動(dòng)態(tài)紋理識別技術(shù)上,結(jié)合高效實(shí)用的識別算法,完成動(dòng)態(tài)紋理的識別。
　　 無論是對

2、動(dòng)態(tài)紋理進(jìn)行識別還是綜合,都必須首先對動(dòng)態(tài)紋理進(jìn)行建模分析。由于采用的方法不同,對動(dòng)態(tài)紋理的建模也有很多不同的方法。本文首先分析了其中最具代表性和實(shí)用性的線性動(dòng)態(tài)系統(tǒng)LDS模型(LinearDynamicSystemModel),該模型用線性的狀態(tài)方程和輸出方程描述一個(gè)動(dòng)態(tài)紋理,具有一定的合理性,且算法簡便,一經(jīng)提出便在動(dòng)態(tài)紋理識別、分割和綜合等領(lǐng)域獲得了廣泛的應(yīng)用。但由于LDS模型采用的是簡單的線性維數(shù)約減策略,使得它在描述復(fù)雜的、或

3、場景變化較大的動(dòng)態(tài)紋理時(shí)顯得捉襟見肘,因?yàn)檫@些復(fù)雜的圖像流體通常表現(xiàn)出非線性。所以有必要采用一個(gè)非線性的降維方法來描述這類動(dòng)態(tài)紋理。于是,本文在線性PCA的基礎(chǔ)上,重點(diǎn)研究了非線性的核PCA(KemelPCA),這種非線性的降維方法已在人臉識別,虹膜識別等領(lǐng)域獲得了廣泛的應(yīng)用。本文使用KernelPCA的方法為動(dòng)態(tài)紋理建立自回歸模型,得到了對動(dòng)態(tài)紋理更為精確的描述。
　　 本文緊接著分析了一種傳統(tǒng)的,基于AR模型之間Martin

4、距離的動(dòng)態(tài)紋理識別技術(shù),Martin距離相比其他兩種距離算法(KL距離和測地距離)而言具有計(jì)算量較小,識別率較高等優(yōu)點(diǎn)。因此本文重點(diǎn)研究闡述基于Martin距離的動(dòng)態(tài)紋理識別方法,并結(jié)合KernelPCA,推導(dǎo)出在NLDS模型下的Martin距離算法,并通過MATLAB仿真了其識別性能。
　　 然后,本文研究了一種用于動(dòng)態(tài)紋理識別的簡便方法:基于模型狀態(tài)變量脈沖響應(yīng)的動(dòng)態(tài)紋理識別算法。該方法與基于模型距離的方法相比具有計(jì)算簡便,

5、識別能力強(qiáng)等優(yōu)點(diǎn)。在系統(tǒng)辨識領(lǐng)域,通過分析系統(tǒng)的脈沖響應(yīng)來區(qū)分不同的系統(tǒng)是一種常用的手段。現(xiàn)將該方法用于動(dòng)態(tài)紋理識別,實(shí)驗(yàn)證明同樣可以獲得較高的效率。但最初提出該方法時(shí),作者Fuiita采用LDS模型來描述動(dòng)態(tài)紋理,由于采用的模型較為簡單,致使識別的效果并非十分理想。因此,本文將該方法與KernelPCA方法結(jié)合起來,提出了一種在計(jì)算復(fù)雜度和辨識效果上均較為理想的方法。仿真結(jié)果表明:這種方法與傳統(tǒng)方法相比不僅計(jì)算量小,而且由于采用了更好