《一种改进的视频数据特征映射方法.pdf》由会员分享，可在线阅读，更多相关《一种改进的视频数据特征映射方法.pdf（10页完整版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103412907 A (43)申请公布日 2013.11.27 CN 103412907 A *CN103412907A* (21)申请号 201310332609.4 (22)申请日 2013.08.01 G06F 17/30(2006.01) (71)申请人 西北工业大学 地址 710072 陕西省西安市友谊西路 127 号 (72)发明人 韩军伟 吉祥 郭雷 胡新韬 (74)专利代理机构 西北工业大学专利中心 61204 代理人 王鲜凯 (54) 发明名称 一种改进的视频数据特征映射方法 (57) 摘要 本发明涉及一种改进的视频数据特征映射方 法， 在第一次将。
2、测试视频数据的第一种特征映射 到第二种特征后， 从测试的视频数据第一种特征 中选出与训练集中第一种特征最相关的特征加入 到训练集中， 同时从测试视频数据第二种特征中 选出与训练集中第二种特征最相关的特征加入到 训练集中， 然后利用训练集中的特征重新计算映 射关系， 并利用映射关系重新将测试视频数据的 第一种特征重新映射到第二种特征上， 得到测试 视频数据的第二种特征。 本发明提出的方法， 能够 利用测试视频数据的特征信息建立两种特征之间 更完备的映射关系， 将测试视频数据的第一种特 征更准确地映射到第二种特征上， 与传统的视频 数据特征映射方法相比， 可以提高测试视频数据 第二种特征的分类准确。
3、率。 (51)Int.Cl. 权利要求书 2 页 说明书 5 页 附图 2 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书2页 说明书5页 附图2页 (10)申请公布号 CN 103412907 A CN 103412907 A *CN103412907A* 1/2 页 2 1. 一种改进的视频数据特征映射方法， 其特征在于步骤如下 ： 步骤 1 ： 将训练集 R1中的 N 个视频数据特征 Y1,Y2,.,YN写成矩阵形式 ： 其中， R1表示 N 个视频数据特征 Y1,Y2,.,YN和特征 X1,X2,.,XN构成的集合 ； Y1,Y2,.,YN和 X1,X2,.。
4、,XN表示 N 个视频数据的两种特征 ； y1,1,y1,2,.,y1,n表示 Y1中的 n 个元素 ； y2,1,y2,2,.,y2,n表示 Y2中的 n 个元素 ； yN,1,yN,2,.,yN,n表示 YN中的 n 个元素 ； N 表示训练集中视频数据个数， N 0 ； 步骤 2 ： 利用 计算矩阵 Z 的第 h 列元素 y1,h,y2,h,.,yN,h的映射矩阵 W 和基函数 (X1),(X2), ,(XN) 中参数 j和 sj； 其中， h 1,2,.,n ； y1,y2,.,yN表示矩阵 Z 中的一列元素 ； 所述 W 表示利用计算得到的映射矩阵 ； 上标 T 表示矩阵转置 ； (。
5、X1) j(x1,j)， j 1,2,.,M 表示 X1中第 j 个元素的标号，x1,j 表示 X1中的第 j 个元素 ； (X2) j(x2,j)， j 1,2,.,M 表示 X2中第 j 个元素的标 号，x2,j表示 X2中的第 j 个元素 ； (XN) j(xN,j) ； j 1,2,.,M 表示 XN中第 j 个元素的标号，xN,j表示 XN中的第 j 个元素 ； M 表示 X1,X2,XN中元素的个数 ； 步骤3 ： 利用计算P个测试视频数据的特征YN+1,YN+2,.,YN+P的第 权 利 要 求 书 CN 103412907 A 2 2/2 页 3 h 列元素 yN+1,h,yN。
6、+2,h,.,yN+P,h； 其中， XN+1,XN+2,.,XN+P为 P 个测试视频数据的第一种特征 ； P 表示测试视频数据的个 数， P 0 ； 步骤 4 ： 利用下式计算 X1,X2,.,XN和 XN+1,XN+2,.,XN+P中每两个特征的相关性系数 r(Xi,Xk)， 利用下式计算 Y1,Y2,.,YN和 YN+1,YN+2,.,YN+P中每两个特征的相关性系数 r(Yi,Yk)， 若 r(Xi,Xk) T1且 r(Yi,Yk) T2， 则将 Yk、 Xk加入 R1； 其 中， r(Xi,Xk) 表 示 视 频 数 据 特 征 Xi和 Xk的 相 关 性 系 数 ； t 1,2,。
7、.,M ； i 1,2,.,N ； k N+1,N+2,.,N+P ； xi,t表示 Xi中第 t 个元素 ； 表示 Xi的均值 ； xk,t表示 Xk中第 t 个元素 ；表示 Xk的均值 ； T1,T2 -1,1 表示阈值 ； r(Yi,Yk) 表示 Yi和 Yk的相 关性系数 ； q 1,2,.,n ； yi,q表示 Yi中第 q 个元素 ； 表示 Yi的均值 ； yk,q表示 Yk中第 q 个元素 ； 表示 Yk的均值 ； 步骤 5 ： 将 R1中视频数据的特征 Y1,Y2,.,YN,Yk和 X1,X2,.,XN,Xk按照步骤 1、 步骤 2 和步骤 3 重新计算得到 P 个测试视频数据。
8、的特征 Y N+1,YN+2,.,YN+P。 权 利 要 求 书 CN 103412907 A 3 1/5 页 4 一种改进的视频数据特征映射方法 技术领域 0001 本发明涉及一种改进的视频数据特征映射方法， 可以应用于视频数据特征映射问 题的解决当中。 背景技术 0002 在现实生活中， 视频数据某种特征全部可以得到， 但是另外一种特征却只能得到 一部分， 我们将全部都可以得到的特征称为视频数据的第一种特征， 将只能得到一部分的 特征称为视频数据的第二种特征。我们期望通过特征映射得到视频数据缺失的第二种特 征。 特征映射是指利用视频数据训练集中的两种特征， 建立两种特征之间的映射关系， 将。
9、用 于测试的视频数据的第一种特征映射到第二种特征， 从而得到测试视频数据缺失的第二种 特征。传统的视频数据特征映射方法在建立映射关系时只利用了训练集中的两种特征， 忽 视了测试视频数据中所包含的第一种特征， 在训练集包含的特征个数较少时难以达到满意 的映射效果， 所以我们提出了一种改进的视频数据特征映射方法， 该方法在第一次将测试 视频数据第一种特征映射到第二种特征后， 从测试视频数据第一种特征中选出与训练集中 第一种特征最相关的特征加入到训练集中， 同时从测试的视频数据第二种特征中选出与训 练集中第二种特征最相关的特征加入到训练集中， 然后利用训练集中的特征重新计算映射 关系， 并利用映射关。
10、系重新将测试视频数据的第一种特征映射到第二种特征上。 0003 实验结果显示， 利用改进的视频数据特征映射方法得到的第二种特征的分类准确 率高于传统的视频数据特征映射方法得到的第二种特征的分类准确率。 发明内容 0004 要解决的技术问题 0005 为了避免现有技术的不足之处， 本发明提出一种改进的视频数据特征映射方法， 利用测试视频数据的特征信息， 建立两种特征之间更完备的映射关系， 提高视频数据特征 映射方法得到的特征的分类准确率。 0006 技术方案 0007 一种改进的视频数据特征映射方法， 其特征在于步骤如下 ： 0008 步骤 1 ： 将训练集 R1中的 N 个视频数据特征 Y1,。
11、Y2,.,YN写成矩阵形式 ： 0009 0010 其中， R1表示 N 个视频数据特征 Y1,Y2,.,YN和特征 X1,X2,.,XN构成的集合 ； Y1,Y2,.,YN和 X1,X2,.,XN表示 N 个视频数据的两种特征 ； y1,1,y1,2,.,y1,n表示 Y1中的 n 个元素 ； y2,1,y2,2,.,y2,n表示 Y2中的 n 个元素 ； yN,1,yN,2,.,yN,n表示 YN中的 n 个元素 ； 说 明 书 CN 103412907 A 4 2/5 页 5 N 表示训练集中视频数据个数， N 0 ； 0011 步骤 2 ： 利用 0012 计 算 矩 阵 Z 的 第 。
12、h 列 元 素 y1,h,y2,h,.,yN,h的 映 射 矩 阵 W 和 基 函 数 (X1),(X2),(XN) 中参数 j和 sj； 其中， h 1,2,.,n ； y1,y2,.,yN表示矩阵 Z 中的一列元素 ； 0013 所 述 W 表 示 利 用计 算 得 到 的 映 射 矩 阵 ； 上 标 T 表 示 矩 阵 转 置 ； (X1) j(x1,j)， j 1,2,.,M 表 示 X1中 第 j 个 元 素 的 标 号， x1,j表 示 X1中 的 第 j 个 元 素 ； (X2) j(x2,j)， j 1,2,.,M 表 示 X2中 第 j 个 元 素 的 标 号，x2,j表 示。
13、 X2中 的 第 j 个 元 素 ； (XN) j(xN,j) ； j 1,2,.,M 表 示 XN中 第 j 个 元 素 的 标 号， xN,j表示 XN中的第 j 个元素 ； M 表示 X1,X2,XN中元素的个 数 ； 0014 步骤3 ： 利用计算P个测试视频数据的特征YN+1,YN+2,.,YN+P 的第 h 列元素 yN+1,h,yN+2,h,.,yN+P,h； 0015 其中， XN+1,XN+2,.,XN+P为 P 个测试视频数据的第一种特征 ； P 表示测试视频数据 的个数， P 0 ； 0016 步骤 4 ： 利用下式计算 X1,X2,.,XN和 XN+1,XN+2,.,X。
14、N+P中每两个特征的相关性系 数 r(Xi,Xk)， 0017 说 明 书 CN 103412907 A 5 3/5 页 6 0018 利用下式计算 Y1,Y2,.,YN和 YN+1,YN+2,.,YN+P中每两个特征的相关性系数 r(Yi,Yk)， 0019 0020 若 r(Xi,Xk) T1且 r(Yi,Yk) T2， 则将 Yk、 Xk加入 R1； 0021 其中， r(Xi,Xk) 表示视频数据特征 Xi和 Xk的相关性系数 ； t 1,2,.,M ； i 1,2,.,N ； k N+1,N+2,.,N+P ； xi,t表示 Xi中第 t 个元素 ； 表示 Xi的均值 ； xk,t表。
15、示 Xk中第 t 个元素 ；表示 Xk的均值 ； T1,T2 -1,1 表示阈值 ； r(Yi,Yk) 表示 Yi和 Yk的相 关性系数 ； q 1,2,.,n ； yi,q表示 Yi中第 q 个元素 ； 表示 Yi的均值 ； yk,q表示 Yk中第 q 个元素 ； 表示 Yk的均值 ； 0022 步骤5 ： 将R1中视频数据的特征Y1,Y2,.,YN,Yk和X1,X2,.,XN,Xk按照步骤1、 步 骤 2 和步骤 3 重新计算得到 P 个测试视频数据的特征 Y N+1,YN+2,.,YN+P。 0023 有益效果 0024 本发明提出的一种改进的视频数据特征映射方法， 在第一次将测试视频数。
16、据的第 一种特征映射到第二种特征后， 从测试的视频数据第一种特征中选出与训练集中第一种特 征最相关的特征加入到训练集中， 同时从测试视频数据第二种特征中选出与训练集中第二 种特征最相关的特征加入到训练集中， 然后利用训练集中的特征重新计算映射关系， 并利 用映射关系重新将测试视频数据的第一种特征重新映射到第二种特征上， 得到测试视频数 据的第二种特征。 0025 本发明提出的方法， 能够利用测试视频数据的特征信息建立两种特征之间更完备 的映射关系， 将测试视频数据的第一种特征更准确地映射到第二种特征上， 与传统的视频 数据特征映射方法相比， 可以提高测试视频数据第二种特征的分类准确率。 附图说。
17、明 0026 图 1 ： 本发明方法的基本流程图 0027 图 2 ： 本发明方法映射得到的测试视频数据第二种特征的分类准确率 具体实施方式 0028 现结合实施例、 附图对本发明作进一步描述 ： 0029 用于实施的硬件环境是 ： AMD Athlon 642 5000+ 计算机、 2GB 内存、 256M 显卡， 运行的软件环境是 ： Matlab2009a 和 Windows XP。我们用 Matlab 软件实现了本发明提出的 方法。 0030 本发明具体实施如下 ： 0031 1、 本发明流程图如附图 1 所示。实验中采用 51 个视频数据的 BoW 特征 X1,X2,.,X51和 B。
18、IS 特征 Y1,Y2,.,Y51作为训练集 R1中的第一种特征和第二种特征， 将 1256 个测试视频数据的 BoW 特征 X52,X53,.,X1307作为测试视频数据的第一种特征 ； 将 说 明 书 CN 103412907 A 6 4/5 页 7 0032 Y1,Y2,.,Y51写成矩阵形式 0033 其中， R1表示 51 个视频数据特征 Y1,Y2,.,Y51和特征 X1,X2,.,X51构成的集合 ； y1,1,y1,2,.,y1,65表示 Y1中的第 1、 2 和第 65 个元素 ； y2,1,y2,2,.,y2,65表示 Y2中的第 1、 2 和第 65 个元素 ； y51,。
19、1,y51,2,.,y51,65表示 Y51中的第 1、 2 和第 65 个元素 ； 0034 2、 利用计算矩阵 Z 的第 h 列元素 y1,h,y2,h,.,y51,h的映射矩阵 W 和基函数 (X1)(X2),(XN) 中的参数 j和 sj； 0035 其中，y1,y2,.,y51表示矩阵 Z 中的一列元素 ； W 表示利用 计算得到的映射矩阵 ； 上标 T 表示矩阵转置 ； (X1) j(x1,j)， j 1,2,.,65 表示 X1中第 j 个元素的标号，x1,j表示 X1中 的第 j 个元素 ； (X2) j(x2,j)， j 1,2,.,65 表示 X2中第 j 个元素的标号， 。
20、x2,j表 示 X2中 的 第 j 个 元 素 ； (X51) j(x51,j) ； j 1,2,.,65 表示 X51中第 j 个元素的标号，x51,j表示 X51中的第 j 个元素 ； 65 表示 X1,X2,X51中元素的个数 ； 0036 3、 利用计算 1256 个测试视频数据的特征 Y52,Y53,.,Y1307的 第 h 列元素 y52,h,y53,h,.,y1307,h； 0037 其中， X52,X53,.,X1307为 1256 个测试视频数据的第一种特征 ； 说 明 书 CN 103412907 A 7 5/5 页 8 0038 4、利用计算 X1,X2,.,X51和 X。
21、52,X53,.,X1307之 间 每 两 个 特 征 的 相 关 性 系 数，利 用 计算 Y1,Y2,.,Y51和 Y52,Y53,.,Y1307之间每两 个特征的相关性系数， 若 r(Xi,Xk) T1且 r(Yi,Yk) T2， 则将 Yk、 Xk加入集合 R1； 0039 其中， r(Xi,Xk) 表示 Xi和 Xk的相关性系数 ； t 1,2,.,65 ； i 1,2,.,51 ； k 52,53,.,1307 ； xi,t表示 Xi中第 t 个元素 ； 表示 Xi的均值 ； xk,t表示 Xk中第 t 个元 素 ；表示 Xk的均值 ； T1 T2 0.5 表示阈值 ； r(Yi,。
22、Yk) 表示 Yi和 Yk的相关性系数 ； q 1,2,.,65 ； yi,q表示 Yi中第 q 个元素 ； 表示 Yi的均值 ； yk,q表示 Yk中第 q 个元素 ；表 示 Yk的均值 ； 0040 5、 将 R1中视频数据的特征 Y1,Y2,.,Y51,Yk和 X1,X2,.,X51,Xk按照步骤 1、 步骤 2 和步骤 3 重新计算得到 1256 个测试视频数据的第二种特征 Y 52,Y53,.,Y1307。 0041 实验用 1256 个 BIS 特征 Y 52,Y53,.,Y1307进行视频数据分类， 计算分类准 确率， 分类算法采用 KNN 算法， KNN 算法中 K 取值为 1。
23、 到 10。作为对比， 计算传统的视频数 据特征映射方法得到的 BIS 特征 Y52,Y53,.,Y1307的分类准确率。结果如图 2 所示， 从图中 可以看出， 改进的视频数据特征映射方法得到的 Y 52,Y53,.,Y1307的分类准确率为 63.5%， 传统的视频数据特征映射方法的得到的 Y52,Y53,.,Y1307的分类准确率为 56.5%， 改 进的视频数据特征映射方法的得到的Y52,Y53,.,Y1307分类准确率比传统的视频数 据特征映射方法得到的 Y52,Y53,.,Y1307的分类准确率高 7%。 说 明 书 CN 103412907 A 8 1/2 页 9 图 1 说 明 书 附 图 CN 103412907 A 9 2/2 页 10 图 2 说 明 书 附 图 CN 103412907 A 10 。