灰色關聯分析和支持向量機的運動視頻圖像分類研究

孔祥魁

摘? 要： 針對傳統運動視頻圖像分類方法存在變化檢測性能較差的問題，設計基于灰色關聯分析和支持向量機的運動視頻圖像分類方法，通過決策降噪算法對運動視頻圖像進行降噪處理，將運動視頻圖像劃分成一個3×3的濾波鄰域窗口對其進行降噪，結合八鄰域搜索方法與并行圖像算法對運動視頻圖像的特征進行提取，獲取運動視頻圖像特征區域的具體輪廓，針對運動視頻圖像特征區域的具體輪廓實施輪廓追蹤，合并追蹤輪廓時可能產生的多個記錄序列表，基于灰色關聯分析對運動視頻圖像特征的關聯程度進行分析，并通過支持向量機對運動視頻圖像特征實施分類，從而實現運動視頻圖像的分類。為了證明該方法的變化檢測性能更優越，將傳統運動視頻圖像分類方法與該方法進行對比實驗，實驗結果證明該方法的變化檢測性能優于傳統方法。

關鍵詞： 運動視頻; 圖像分類; 灰色關聯分析; 支持向量機; 特征提取; 輪廓追蹤

中圖分類號： TN911.73?34; TP391? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）18?0128?04

Abstract： In allusion to the poor change detection performance of traditional moving video image classification methods， a moving video image classification method based on gray correlation analysis and support vector machine is designed. The moving video image is denoised by means of the decision?making denoising algorithm， and the moving video image is divided into a 3×3 filtering neighboring window for denoising. The feature of the moving video image is extracted by combing the eight neighborhood search method and the parallel image algorithm， and the specific contour of the feature area of moving video image is obtained. The contour tracking is carried out according to the specific contour of the feature area of moving video image， and the multiple record sequence tables that can be generated when tracing profiles together are combined. The correlation degree of the feature of moving video image is analyzed based on the gray correlation analysis， and the features of moving video image is classified by means of the support vector machine， so as to realize the classification of moving video image. The traditional moving video image classification method is compared with this method to prove that the change detection performance of this method is better. The experimental results show that the change detection performance of this method is better than that of the traditional method.

Keywords： moving video; image classification; gray correlation analysis; support vector machine; feature extraction; contour tracking

0? 引? 言

通過分析運動視頻圖像，能夠對人體的運動特征進行識別與提取，包括對稱特征、投影輪廓特征、步態特征、擺動肢體特征等。運動視頻圖像的出現對運動戰術診斷以及運動技術診斷都有很重要的意義，可以提升反饋運動動作的時效性[1]。運動視頻圖像的各種處理技術在近年來可以說是層出不窮，其處理主要依托于計算機技術，是人工神經網絡、模式識別、圖形處理、圖像處理、計算機視覺、機器人系統、可視化技術、輔助設計、虛擬現實、傳感器等多個領域技術的有機融合。運動視頻圖像的處理主要包括檢測運動目標與圖像預處理、提取運動特征與運動視頻圖像識別分類這3個部分[2]。首先需要通過視頻圖像監控設備對運動視頻圖像的視頻序列進行獲取，對獲取的視頻序列實施圖像分析與二值化處理等預處理操作，此時獲取的人體運動圖像處于較為清晰并且背景較為單一的狀態[3]。接著根據相關規則對人體運動圖像中的典型運動特征進行提取，并對提取的典型運動特征實施相關處理，以保障提取的特征與人體運動特征相關數據庫中的對應特征模板達成數據類型的一致性[4]。最后對比人體運動特征相關數據庫中的對應特征模板與待識別對象的具體運動特征以對其實施識別與分類。

在整個運動視頻圖像的處理過程中，運動視頻圖像的分類是處理難點，如何對運動視頻圖像實施準確的分類是當前運動視頻圖像處理中的研究熱點[5]。因此針對傳統運動視頻圖像分類方法的缺陷，提出一種基于灰色關聯分析和支持向量機的運動視頻圖像分類方法。

1? 基于灰色關聯分析和支持向量機的運動視頻圖像分類方法

1.1? 運動視頻圖像降噪處理

通過決策降噪算法對運動視頻圖像實施降噪處理，將運動視頻圖像劃分成一個3×3的濾波鄰域窗口對其進行降噪。首先對濾波鄰域窗口中各個像素點的具體灰度值進行升序排列，排列順序為從左往右[6]。接著對濾波鄰域窗口對列升序排列，排列順序為從上往下。最后以行與列的排序結果為依據，對對角線上各個像素點的具體灰度值進行對角升序排列[7]。整體排列過程如圖1所示。

濾波鄰域窗口的首個像素點所對應的具體灰度值就是最小領域值Pmin;最末像素點所對應的具體灰度值就是最大領域值Pmax;中心點所對應的具體灰度值就是中間領域值Pmed。當待處理的運動視頻圖像像素點[ui，j]滿足：

則待處理的運動視頻圖像像素點的灰度值不變[8]。若不滿足式（1），則該運動視頻圖像像素點可判定為噪聲，利用其中值代替其灰度值完成運動視頻圖像的降噪處理。

1.2? 運動視頻圖像特征提取

完成運動視頻圖像的降噪處理后，結合八鄰域搜索方法與并行圖像算法對運動視頻圖像的特征進行提取，主要分為3個步驟：

1） 獲取運動視頻圖像特征區域的具體輪廓，此處采用并行圖像算法，算法的具體實施如表1所示[9]。

首先將運動視頻圖像設為圖a，有圖區域用1來表示。對其實施非邏輯運算[10]獲取圖b。對圖b進行移動，移動方式為右、左、下、上4個方向分別挪動單個像素點的距離，從而獲取4個圖像即為圖c。對圖c實施或邏輯運算獲取圖d。最后對圖a和圖d實施與邏輯運算獲取圖e中的運動視頻圖像邊界。

2） 針對運動視頻圖像特征區域的具體輪廓實施輪廓追蹤，主要通過八鄰域搜索方法追蹤特征區域的具體輪廓，并生成一個輪廓點的記錄序列表，對輪廓點的具體坐標與八鄰域中下一個區域輪廓點對應的位置編碼進行記錄。

3） 合并追蹤輪廓時可能產生的多個記錄序列表[11]。合并時需要以序列表內輪廓點的具體坐標為依據對是否存在相鄰像素進行判斷，從而合并輪廓特征點相同的序列。

1.3? 實現運動視頻圖像分類

根據提取的運動視頻圖像特征，基于灰色關聯分析和支持向量機實現運動視頻圖像的分類，基于灰色關聯分析對運動視頻圖像特征的關聯程度進行分析，并通過支持向量機對運動視頻圖像特征實施分類，從而實現運動視頻圖像的分類[12]。

在運動視頻圖像特征的分類中，首先需要通過網格搜索法對分類的參數進行優化，以實現運動視頻圖像的精確分類。搜索網格時，對支持向量機參量的具體搜索范圍進行設定，然后選擇搜索范圍內參量的搜索步長。此時已經有2個參量相關值，坐標系內這2個參量相關值互為橫縱軸從而構成二維網格。各網格的所有節點分別與支持向量機的一組參量相對應，利用交叉驗證法能夠對驗證集的具體分類精度進行計算[13]。在空間中對各組參量實施標注后即可獲取支持向量機的模型分類精度，然后通過線的連接獲取一個精度預測的等高線對支持向量機的模型分類精度進行控制，根據分類精度來優化分類參數，確定參量值最佳組合[14]。當參數組合的識別率相同時，選擇較小懲罰因子的組別，避免運動視頻圖像特征分類的過程中出現過學習情況，提升模型的分類泛化能力。根據參量值最佳組合對運動視頻圖像特征實施分類，分類過程如圖2所示[15]。

2? 實驗研究與分析

2.1? 設計對比實驗

利用基于灰色關聯分析和支持向量機的運動視頻圖像分類方法進行運動視頻圖像分類實驗。實驗運動視頻圖像樣本的具體情況與特征如表2所示。

對表2中的實驗運動視頻圖像樣本進行運動視頻圖像分類。為了使結果更加公平有效，將傳統運動視頻圖像分類方法與基于灰色關聯分析和支持向量機的運動視頻圖像分類方法進行對比實驗，傳統運動視頻圖像分類方法包括基于特征值分布、基于分類邏輯的運動視頻圖像分類方法。通過對比實驗比較各個運動視頻圖像分類方法的變化檢測性能。變化檢測性能的判斷依據是變化檢測曲線的范圍，變化檢測曲線的范圍越大，則證明運動視頻圖像分類方法的變化檢測性能越強;變化檢測曲線的范圍越小，則證明運動視頻圖像分類方法的變化檢測性能越差。

2.2? 實驗結果分析

傳統運動視頻圖像分類方法的變化檢測性能具體如圖3所示。

基于灰色關聯分析和支持向量機的運動視頻圖像分類方法的變化檢測性能具體如圖4所示。

根據圖3與圖4的變化檢測性能實驗結果知，基于灰色關聯分析和支持向量機的運動視頻圖像分類方法變化檢測曲線的范圍大于傳統運動視頻圖像分類方法。即基于灰色關聯分析和支持向量機的運動視頻圖像分類方法的變化檢測性能優于傳統方法。

3? 結? 語

在傳統方法的基礎上，本文設計基于灰色關聯分析和支持向量機的運動視頻圖像分類方法。通過決策降噪算法對運動視頻圖像實施降噪處理，將運動視頻圖像劃分成一個3×3的濾波鄰域窗口對其進行降噪，結合八鄰域搜索方法與并行圖像算法對運動視頻圖像的特征進行提取，獲取運動視頻圖像特征區域的具體輪廓，針對運動視頻圖像特征區域的具體輪廓實施輪廓追蹤，合并追蹤輪廓時可能產生的多個記錄序列表。基于灰色關聯分析對運動視頻圖像特征的關聯程度進行分析，并通過支持向量機對運動視頻圖像特征實施分類，從而實現運動視頻圖像的分類。實驗結果表明，本文可以對運動視頻圖像檢測性能大幅度提升。

參考文獻

[1] 邢遠秀.基于梯度空間二值紋理化描述子的礦山井筒視頻圖像匹配[J].金屬礦山，2017（6）：137?142.

[2] 王傳旭，姜成恒.基于ActionVLAD池化與分層深度學習網絡的組群行為識別方法[J].數據采集與處理，2019，34（4）：585?593.

[3] 陽岳生，王冬麗，周彥.基于加權多實例學習的壓縮感知目標跟蹤[J].光學技術，2018，44（5）：525?530.

[4] 王麗燕，孫志強，周天，等.基于PIV圖像處理法的管內低濃度液固兩相流顆粒運動特性研究[J].工程熱物理學報，2018，39（9）：1970?1978.

[5] 鄭冰，趙陽，葛東林.農機快速導航系統設計：基于圖像邊緣檢測和3D深度視頻幀內編碼[J].農機化研究，2018，40（5）：181?184.

[6] 楊昕，張可，任信信，等.呼吸運動對4D錐形束CT圖像質量影響分析[J].中華放射腫瘤學雜志，2018，27（8）：763?768.

[7] 張冀，張艷容，陳娟，等.采用自動選擇參照圖校正肝超聲造影圖像呼吸運動[J].中國生物醫學工程學報，2017，36（6）：670?677.

[8] 耿文波，姚遙.基于稀疏先驗的運動模糊圖像盲復原方法[J].電子測量與儀器學報，2018，32（8）：132?139.

[9] 陸維，陳家瑜，王龍，等.基于三維圖像體積融合技術的青少年特發性脊柱側凸脊柱在體運動特點研究[J].中華創傷骨科雜志，2017，19（4）：311?316.

[10] 馬力，王永雄.基于稀疏化雙線性卷積神經網絡的細粒度圖像分類[J].模式識別與人工智能，2019，32（4）：336?344.

[11] 禹素萍，顧曉雯，吳贇.基于圖像分割的森林火災早期煙檢測算法研究[J].計算機工程與應用，2017，53（16）：166?171.

[12] 劉博，王勝正，趙建森，等.基于Darknet網絡和YOLOv3算法的船舶跟蹤識別[J].計算機應用，2019，39（6）：1663?1668.

[13] 吳敏，楊源，張園強，等.融合深度特征與梯度特征的紅外目標跟蹤算法[J].空軍工程大學學報（自然科學版），2017，18（6）：76?82.

[14] 王俊嶺，彭雯，蔡焱.深層次特征學習的Adaboost大規模圖像分類算法[J].電視技術，2017，41（z4）：40?45.

[15] 李翌昕，鄒亞君，馬盡文.基于特征提取和機器學習的文檔區塊圖像分類算法[J].信號處理，2019，35（5）：747?757.