本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及視頻序列的分類方法，可用于場景分類與目標(biāo)識別。

背景技術(shù)：

視頻序列分類是圖像處理和模式識別中非常關(guān)鍵的技術(shù)之一，它是利用計算機(jī)對視頻進(jìn)行定量分析，根據(jù)視頻信息中所反映的不同特征，把不同類別的目標(biāo)區(qū)分開，從而以代替人的視覺判讀。極光是各種磁層動力學(xué)過程最為直觀的電離層蹤跡，合理有效的極光分類對研究各類極光現(xiàn)象及其與磁層動力學(xué)過程之間的關(guān)系尤為重要。

早期的極光分類研究以肉眼觀察為基礎(chǔ)，手工實(shí)現(xiàn)標(biāo)記和分類工作，然而由全天空數(shù)字?jǐn)z像儀所捕獲的極光圖像每年數(shù)以百萬計，人工進(jìn)行分類標(biāo)記的方式已經(jīng)不再滿足對大規(guī)模數(shù)據(jù)進(jìn)行客觀分類的要求。直到2004年syrj?suo在文獻(xiàn)“syrj?suom.t.,anddonovane.f.,diurnalauroraloccurrencestatisticsobtainedviamachinevision.annalesgeophysicae,22(4):1103-1113,2004.”中才將圖像處理技術(shù)引入到極光自動分類。利用極光的紋理特征對弧形，斑塊型和歐米伽型三類極光進(jìn)行了分類，該方法僅對形狀特征明顯的弧狀極光效果良好，但此方法僅適用于形態(tài)較為單一的弧狀極光，不具備很好的泛化能力和圖像表征算法的推廣性。2007年，wang等人在文獻(xiàn)“q.wang,j.m.liangandx.b.gao,appearancebasedauroraclassification.proc.the12thconf.onphysicsofsun-earthspace,71,2007.”中使用主成分分析法pca對極光視頻序列的灰度特征進(jìn)行提取，提出了一種基于表象的極光分類方法，在冕狀極光分類研究方向取得了一定進(jìn)展。2008年，gao等人在文獻(xiàn)“x.b.gao,andj.m.liang.,adaboostalgorithmfordaysideauroradetectionbasedonsamplesele-ction.journalofimageandgraphics,15(1):116-121,2010.”中提出基于gabor變換的極光分類方法，采用了局部gabor濾波器提取圖像特征，在確保計算精度的情況下降低了特征冗余信息，取得了較好的分類效果。2010年，wang在文獻(xiàn)“wangy,gaox.,fur.,etal.,daysidecoronaauroraclassificationbasedonx-graylevelauramatrices.proc.acmint.conf.imageandvideoretrieval,282-287,2010.”中根據(jù)極光形態(tài)的特點(diǎn)對glam的鄰域形狀進(jìn)行改進(jìn)，提出了一種基于x-glam特征的日側(cè)極光分類算法，大大提高了分類準(zhǔn)確性，但該方法由于進(jìn)行較大規(guī)模的像素運(yùn)算，因而較為耗時。后續(xù)的相關(guān)研究還有：han等人在文章“binghan,xiaojingzhao,dachengtao,etal.daysideauroraclassificationviabifs-basedsparserepresentationusingmanifoldlearning.internationaljournalofcomputermathematics.publishedonline:12nov2013.”中又提出基于生物激發(fā)bifs特征和c均值聚類的極光分類方法，取得了較高的分類準(zhǔn)確率。然而上述已有的極光分類方法都是基于極光靜態(tài)特征的，對于形態(tài)復(fù)雜多變的極光序列來說，僅僅考慮其靜態(tài)特征是不夠的，因此還需對極光的動態(tài)特征進(jìn)行研究。

2006年，blix等人在文章“blixt,e.,semeter,j.,ivchenko,n.opticalflowanalysisoftheauroraborealis.geoscienceandremotesensingletters,ieee,2006,3:159-163.”中將魯棒光流場用于提取極光的動態(tài)特征，它們的方法是基于圖像亮度不變的假設(shè)，而實(shí)際中極光的形狀、亮度、體積等在演變過程中是不斷的變化，所以極光在大多數(shù)情況下是不滿足亮度不變假設(shè)的。2016年，han等人在專利“基于流體力學(xué)的極光運(yùn)動方向確定方法，申請?zhí)枺?01610143376.7”中提出了基于離散格子波爾茲曼的極光運(yùn)動場提取方法，該方法雖能估計出極光粒子的運(yùn)動場，實(shí)現(xiàn)對極光的分類，但得到的運(yùn)動場不夠準(zhǔn)確，且計算復(fù)雜耗時較大。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對上述已有技術(shù)存在的不足，提出一種基于粘性流體粒子運(yùn)動模型的運(yùn)動特征提取方法，以將極光靜態(tài)特征與動態(tài)特征相結(jié)合，實(shí)現(xiàn)對極光序列的準(zhǔn)確分類，并減小計算復(fù)雜度及消耗的時間。

為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下：

(1)輸入不同種類的極光視頻序列，并采用掩膜處理方法對每幀極光圖像進(jìn)行邊緣去躁的預(yù)處理；

(2)計算預(yù)處理后不同種類的極光視頻序列的運(yùn)動場：

(2a)按照粘性流體力學(xué)模型，將預(yù)處理后的每幀極光圖像的每一個像素點(diǎn)看作是粘性流體粒子，并以相鄰兩幀極光圖像對應(yīng)位置上像素點(diǎn)的灰度差作為內(nèi)力其中表示像素點(diǎn)的位置，t表示視頻序列中的第t幀圖像；

(2b)將內(nèi)力代入到粘性流體力學(xué)運(yùn)動方程中并對其進(jìn)行求解，得到不同種類極光粒子的運(yùn)動場其中表示像素點(diǎn)的位置，t表示視頻序列中的第t幀圖像；

(3)提取運(yùn)動場的局部二值模式特征，作為不同種類極光序列的動態(tài)特征p1；

(4)對步驟(1)中預(yù)處理后的每幀極光圖像的像素值提取局部二值模式特征，作為不同種類極光序列的靜態(tài)特征p2；

(5)將不同種類極光序列的動態(tài)特征p1與靜態(tài)特征p2相融合，得到能夠表征不同種類極光序列的特征p＝(p1，p2)，運(yùn)用支持向量機(jī)svm分類器對不同種類的極光序列特征p進(jìn)行分類。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：

第一，本發(fā)明通過粘性流體模型去分析極光粒子的運(yùn)動，充分利用極光非剛體運(yùn)動的特性，使得到的極光粒子的運(yùn)動場更準(zhǔn)確。

第二，本發(fā)明將極光序列的動態(tài)特征與靜態(tài)特征相結(jié)合，提高了極光序列的分類準(zhǔn)確率。

第三，本發(fā)明提出的粘性流體力學(xué)模型簡單，大大減小了計算復(fù)雜度及計算消耗的時間。

附圖說明

圖1是本發(fā)明的實(shí)現(xiàn)流程示意圖；

圖2是本發(fā)明實(shí)驗(yàn)中經(jīng)過去噪后的極光全天空圖像；

圖3是本發(fā)明中九點(diǎn)差分格式的示意圖；

圖4是本發(fā)明實(shí)驗(yàn)中得到的極光粒子運(yùn)動場的示意圖；

圖5是用本發(fā)明和現(xiàn)有不同方法得到的分類準(zhǔn)確率對比圖；

圖6是用本發(fā)明和現(xiàn)有不同方法得到極光粒子運(yùn)動場消耗時間的對比圖。

具體實(shí)施方式：

以下結(jié)合附圖對本發(fā)明的步實(shí)施例和效果作進(jìn)一步的詳細(xì)描述。

參照圖1，本發(fā)明的實(shí)現(xiàn)步驟如下：

步驟1，建立極光視頻分類數(shù)據(jù)庫。

選取我國2003年12月到2010年12月北極黃河站5577波段的極光全天空數(shù)據(jù)，每幀極光圖像大小為512*512，相鄰兩幀極光圖像間隔時間為10s，從選取的極光全天空數(shù)據(jù)中挑選出93個輻射狀極光序列、102個弧狀極光序列及95個帷幔狀極光序列，構(gòu)成極光視頻序列分類數(shù)據(jù)庫。

步驟2，對輸入的每幀極光圖像進(jìn)行邊緣去躁的預(yù)處理。

輸入不同形態(tài)的極光視頻序列，采用掩膜處理方法每幀極光圖像進(jìn)行邊緣去躁的預(yù)處理：

首先，構(gòu)造一幅與極光圖像大小相同的二值圖像m，即以二值圖像的中心為圓心，以220個像素為半徑作圓，形成二值圖像m，其中圓內(nèi)的像素取值為1，圓外的像素取值為0；

其次，根據(jù)構(gòu)造的二值圖像m，利用下式得到去噪后的極光圖像i：

i＝o*m，

其中，o為輸入的原始極光圖像，*為圖像間對應(yīng)像素的相乘操作，部分經(jīng)過邊緣去噪后的極光圖像如圖2所示，其中圖2(a)為弧狀極光圖像，圖2(b)為輻射狀極光圖像，圖2(c)為帷幔狀極光圖像。

步驟3，計算預(yù)處理后不同形態(tài)極光視頻序列的運(yùn)動場。

3.1)定義一個具有邊界的容器，假定每個單元容器以速率η補(bǔ)充或析取流體，單元內(nèi)力為容器表面壓力張量為則得到的粘性流體力學(xué)方程式為：

其中，ρ代表流體的密度，代表流體的速度，d代表微分運(yùn)算，代表散度運(yùn)算；

3.2)根據(jù)navier-poisson牛頓模型，將式<1>改為：

其中，λ和μ為兩個數(shù)值不同的粘性系數(shù)，代表梯度運(yùn)算，▽p為容器所受到的壓強(qiáng)梯度；

3.3)當(dāng)流體雷諾系數(shù)遠(yuǎn)遠(yuǎn)小于1時，忽略式<2>右邊的壓力梯度▽p和慣性項(xiàng)將式<2>改為：

3.4)取式<3>中的λ＝0，μ＝1，得到可適用于極光粒子的運(yùn)動方程：

3.5)將每幀極光圖像的每一個像素點(diǎn)看作是粘性流體粒子，并以相鄰兩幀極光圖像對應(yīng)位置上像素點(diǎn)的灰度差作為內(nèi)力再將內(nèi)力代入到式<4>中，得到極光粒子的運(yùn)動方程：

其中，為極光粒子運(yùn)動場，表示像素點(diǎn)的位置，t表示視頻序列中的第t幀圖像；

3.6)將式<5>的運(yùn)動場及內(nèi)力進(jìn)行空間和時間離散化，得到偏微分方程：

其中分別表示運(yùn)動場的x分量和y分量，分別表示內(nèi)力的x分量和y分量，為偏微分運(yùn)算；

3.7)采用如圖3所示的九點(diǎn)差分格式對式<6>進(jìn)行離散，得到離散后的如下方程式：

v1(i+1,j+1)+v1(i-1,j+1)+v1(i+1,j-1)+v1(i-1,j-1)+10v1(i+1,j)+…

10v1(i-1,j)+4v1(i,j-1)+4v1(i,j+1)+6v2(i+1,j+1)+…

6v2(i,j)-6v2(i,j+1)-6v2(i+1,j)-32v1(i,j)＝-f1(i,j)<8>

其中，i＝2,3,…m-1，j＝2,3,…n-1，m、n分別為每幀極光圖像的寬度和高度，v1(i,j)為運(yùn)動場在像素點(diǎn)(i,j)處的x分量，v2(i,j)為運(yùn)動場在像素點(diǎn)(i,j)處的y分量，f1(i,j)為內(nèi)力在像素點(diǎn)(i,j)處的x分量，f2(i,j)為內(nèi)力在像素點(diǎn)(i,j)處的y分量；

3.8)采用如圖3所示的九點(diǎn)差分格式對式<7>進(jìn)行離散，得到離散后的如下方程式：

v2(i+1,j+1)+v2(i-1,j+1)+v2(i+1,j-1)+v2(i-1,j-1)+10v2(i+1,j)+…

10v2(i-1,j)+4v2(i,j-1)+4v2(i,j+1)+6v1(i+1,j+1)+…

6v1(i,j)-6v1(i,j+1)-6v1(i+1,j)-32v2(i,j)＝-f2(i,j)<9>

3.9)對式<8>和式<9>設(shè)置邊界條件：

當(dāng)j＝1,2,…,n時，v1(1,j)＝0，v1(n,j)＝0，v2(1,j)＝0，v2(n,j)＝0；

當(dāng)i＝1,2,…,m時，v1(1,i)＝0，v1(m,i)＝0，v2(1,i)＝0，v2(m,i)＝0；

3.10)對設(shè)置邊界后的式<8>和式<9>運(yùn)用超松弛sor方法解出極光粒子在x方向的速度v1(i,j)及y方向的速度v2(i,j)，得到如圖(4)所示的極光粒子運(yùn)動場其中箭頭代表運(yùn)動的方向，箭頭的長短代表運(yùn)動的距離，其中圖4(a)為圖2(a)中弧狀極光粒子運(yùn)動場示意圖，圖4(b)為圖2(b)中輻射狀極光粒子運(yùn)動場示意圖，圖4(c)為圖2(c)中帷幔狀極光粒子運(yùn)動場示意圖。

步驟4，提取極光序列的動態(tài)特征p1。

4.1)將運(yùn)動場矩陣劃分為若干個16*16的小區(qū)域；

4.2)將每個小區(qū)域中的每個數(shù)值與其周圍相鄰的8個數(shù)值進(jìn)行比較：若周圍的數(shù)值大于這個數(shù)值，則將周圍的數(shù)值標(biāo)記為1，否則，標(biāo)記為0，得到一個8位二進(jìn)制數(shù)，

4.3)將每個小區(qū)域中的每個數(shù)值與其周圍的8個數(shù)值比較后得到的8位二進(jìn)制數(shù)轉(zhuǎn)換為十進(jìn)制數(shù)，得到每個數(shù)值的局部二值模式值；

4.4)統(tǒng)計每個區(qū)域內(nèi)每個數(shù)值的局部二值模式值出現(xiàn)的頻率，得到每個小區(qū)域的統(tǒng)計直方圖，然后對該統(tǒng)計直方圖進(jìn)行歸一化處理；

4.5)將每個小區(qū)域歸一化處理后的統(tǒng)計直方圖連接成為一個特征向量，得到運(yùn)動場的局部二值模式特征，即為極光序列的動態(tài)特征p1。

步驟5，提取極光序列中的靜態(tài)特征特征p2。

5.1)將每幀極光圖像的像素值矩陣劃分為若干個16*16的小區(qū)域；

5.2)將每個小區(qū)域中的每個像素數(shù)值與其周圍相鄰的8個像素值進(jìn)行比較：若周圍的像素值大于這個像素值，則將周圍的數(shù)值標(biāo)記為1，否則，標(biāo)記為0，得到一個8位二進(jìn)制數(shù)；

5.3)將每個小區(qū)域中的每個像素值與其周圍的8個像素值比較后得到的8位二進(jìn)制數(shù)，再將該8位二進(jìn)制數(shù)轉(zhuǎn)換為十進(jìn)制數(shù)，則得到每個像素值的局部二值模式值；

5.4)統(tǒng)計每個區(qū)域內(nèi)每個像素值的局部二值模式值出現(xiàn)的頻率，得到每個小區(qū)域的統(tǒng)計直方圖，然后對該統(tǒng)計直方圖進(jìn)行歸一化處理；

5.5)將每個小區(qū)域歸一化處理后的統(tǒng)計直方圖連接成為一個特征向量，得到極光圖像像素值的局部二值模式特征，即為極光序列的靜態(tài)特征p2

步驟6，將不同形態(tài)極光序列的動態(tài)特征p1與靜態(tài)特征p2相融合，得到能夠表征不同形態(tài)極光序列的特征p＝(p1,p2)，并將這些不同形態(tài)極光序列的特征p輸入到支持向量機(jī)svm分類器中，完成對不同形態(tài)的極光序列的分類。

本發(fā)明的效果通過以下仿真實(shí)驗(yàn)進(jìn)一步說明：

1.仿真條件

硬件平臺為：intelcorei5、3.20ghz、8.00gbram；

軟件平臺為：windows7操作系統(tǒng)下的matlabr2015b；

2.仿真內(nèi)容與結(jié)果：

實(shí)驗(yàn)1：運(yùn)用本發(fā)明提出的方法與現(xiàn)有的兩種方法對極光視頻序列進(jìn)行分類，分類結(jié)果如圖5所示。

從圖5可以看出，本發(fā)明提出的方法得到了最高的分類準(zhǔn)確率。

實(shí)驗(yàn)2：運(yùn)用本發(fā)明提出的方法與現(xiàn)有的兩種方法提取極光粒子的運(yùn)動場，對比它們分別消耗的時間，對比結(jié)果如圖6所示。

從圖6可以看出，本發(fā)明提出的方法消耗時間最短。

綜上，本發(fā)明提出的方法能夠準(zhǔn)確有效的提取出極光粒子的運(yùn)動場，不僅可以用于極光視頻序列的分類，也可以用于極光的動態(tài)過程分析。